摘要 | 第3-4页 |
Abstract | 第4-5页 |
1 引言 | 第9-16页 |
1.1 课题研究的背景 | 第9页 |
1.2 国内外棒材轧制的发展现状 | 第9-11页 |
1.3 研究棒材 AGC 控制的目的及意义 | 第11-13页 |
1.4 本文主要研究内容 | 第13-14页 |
1.5 本章小结 | 第14-16页 |
2 液压 AGC 特钢棒材轧制生产工艺 | 第16-29页 |
2.1 棒材轧辊辊形介绍 | 第16页 |
2.2 连续轧制的基本概念 | 第16-17页 |
2.3 基于 AGC 的棒材生产工艺流程 | 第17-19页 |
2.4 影响棒材精度的因素 | 第19-21页 |
2.4.1 坯料断面尺寸的波动 | 第19-20页 |
2.4.2 微张力控制和坯料温度不均的相互影响 | 第20页 |
2.4.3 活套控制方法的影响 | 第20-21页 |
2.4.4 轧件的材质影响 | 第21页 |
2.4.5 轧辊温度的影响 | 第21页 |
2.5 轧制弹塑性理论 | 第21-24页 |
2.5.1 弹性方程 | 第21-22页 |
2.5.2 塑性方程 | 第22-23页 |
2.5.3 弹塑性方程 | 第23-24页 |
2.6 液压 AGC 控制原理 | 第24-26页 |
2.6.1 反馈 AGC 控制 | 第24-25页 |
2.6.2 前馈 AGC 控制 | 第25页 |
2.6.3 测厚式 AGC 控制 | 第25-26页 |
2.7 基于 AGC 的棒材连轧控制系统设计 | 第26-28页 |
2.8 本章小结 | 第28-29页 |
3 基于神经网络的棒材轧制压力预测模型 | 第29-42页 |
3.1 BP 神经网络 | 第29-33页 |
3.1.1 BP 神经网络拓扑结构 | 第29页 |
3.1.2 BP 神经算法原理 | 第29-32页 |
3.1.3 BP 神经网络算法流程 | 第32-33页 |
3.2 BP 神经网络的轧制压力模型设计 | 第33-36页 |
3.2.1 工程法轧制压力 | 第33-34页 |
3.2.2 输入与输出层的设计 | 第34-35页 |
3.2.3 隐层的设计 | 第35-36页 |
3.3 模型的训练 | 第36-40页 |
3.3.1 数据的归一化 | 第36-37页 |
3.3.2 BP 网络的训练 | 第37-38页 |
3.3.3 BP 网络预测 | 第38-40页 |
3.4 基于 BP 网络的 AGC 系统 | 第40-41页 |
3.5 本章小结 | 第41-42页 |
4 液压AGC 系统数学模型 | 第42-50页 |
4.1 电液位置伺服控制系统 | 第42-43页 |
4.2 液压 APC 基本方程 | 第43-48页 |
4.2.1 伺服阀基本方程 | 第43-45页 |
4.2.2 液压缸流量方程 | 第45页 |
4.2.3 液压缸力平衡方程 | 第45-47页 |
4.2.4 背压方程 | 第47页 |
4.2.5 位置传感器 | 第47页 |
4.2.6 液压 APC 的控制器 | 第47-48页 |
4.3 液压 AGC 的动态数学模型 | 第48页 |
4.4 本章小结 | 第48-50页 |
5 棒材轧机液压 AGC 控制算法研究 | 第50-70页 |
5.1 无模型自适应控制原理 | 第50-52页 |
5.2 控制律与特征参量辨识 | 第52-54页 |
5.2.1 控制律导出 | 第52-53页 |
5.2.2 伪偏导数估计 | 第53-54页 |
5.3 无模型自适应控制算法解析 | 第54-55页 |
5.4 MFAC 控制律稳定性分析 | 第55-56页 |
5.5 MFAC 控制模块开发 | 第56-61页 |
5.5.1 MFAC SIMULINK 模块的搭建 | 第56页 |
5.5.2 MFAC 模块封装 | 第56-57页 |
5.5.3 MFAC 控制器性能仿真测试 | 第57-61页 |
5.6 MFAC 算法的液压 APC 仿真模型 | 第61-62页 |
5.7 MFAC 液压伺服动态仿真测试 | 第62-68页 |
5.7.1 MFAC APC 控制器的精度特性 | 第62-64页 |
5.7.2 响应速度特性 | 第64-66页 |
5.7.3 MFAC APC 变模型的鲁棒性 | 第66-68页 |
5.8 本章小结 | 第68-70页 |
结论 | 第70-71页 |
参考文献 | 第71-75页 |
在学研究成果 | 第75-76页 |
致谢 | 第76页 |