| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·课题背景和意义 | 第10-11页 |
| ·浮法玻璃的工艺概述 | 第11-13页 |
| ·浮法玻璃工艺的发展 | 第11-12页 |
| ·浮法玻璃的工艺介绍 | 第12-13页 |
| ·浮法玻璃熔窑的简单概述 | 第13-15页 |
| ·本文的主要内容 | 第15-17页 |
| 第二章 浮法玻璃生产过程自动控制系统的设计 | 第17-30页 |
| ·总体设计方案 | 第17页 |
| ·PLC系统 | 第17-20页 |
| ·CPU模块 | 第18-20页 |
| ·输入输出(I/O)模块 | 第20页 |
| ·通讯模块 | 第20页 |
| ·UPS配电系统 | 第20-21页 |
| ·上位机系统 | 第21页 |
| ·网络通讯 | 第21-22页 |
| ·PROFIBUS通讯 | 第21-22页 |
| ·工业以太网通讯 | 第22页 |
| ·PLC程序设计 | 第22-24页 |
| ·STEP 7软件概述 | 第22页 |
| ·程序结构 | 第22-24页 |
| ·用户程序块 | 第24页 |
| ·人机界面的设计 | 第24-25页 |
| ·网络通讯 | 第25-28页 |
| ·网络通讯软件概述 | 第25页 |
| ·PLC之间的通讯 | 第25页 |
| ·PLC与上位机的通讯 | 第25-28页 |
| ·控制的实现 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 软测量原理及方法 | 第30-43页 |
| ·软测量技术 | 第30-32页 |
| ·概述 | 第30-31页 |
| ·软测量的结构 | 第31-32页 |
| ·软测量技术研究 | 第32-36页 |
| ·二次变量的选择 | 第32-33页 |
| ·输入数据的处理 | 第33页 |
| ·软测量模型的建立 | 第33-36页 |
| ·软测量模型的校正 | 第36页 |
| ·神经网络的概论与应用 | 第36-39页 |
| ·神经网络介绍 | 第36-37页 |
| ·神经网络的特性及实现 | 第37页 |
| ·神经网络模型 | 第37-39页 |
| ·神经元结构模型 | 第38页 |
| ·神经网络的互连模式 | 第38-39页 |
| ·基于神经网络的软测量技术概述 | 第39-40页 |
| ·神经网络的应用与评价 | 第40-41页 |
| ·主要应用领域 | 第40页 |
| ·神经网络的评价 | 第40-41页 |
| ·建模方法的选择 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于BP神经网络的玻璃液表面温度软测量模型 | 第43-59页 |
| ·BP神经网络简述 | 第43-45页 |
| ·基本结构 | 第43-44页 |
| ·BP网络的弱点及算法改进 | 第44-45页 |
| ·BP网络的函数逼近能力 | 第45页 |
| ·二次变量的选择与网络结构的设计 | 第45-46页 |
| ·确定二次变量 | 第45页 |
| ·确定网络结构 | 第45-46页 |
| ·数据预处理 | 第46-47页 |
| ·样本的选取 | 第46页 |
| ·数据变换 | 第46-47页 |
| ·网络的训练与测试 | 第47-48页 |
| ·训练、测试、运行及相关误差 | 第47页 |
| ·影响网络训练的因素 | 第47-48页 |
| ·基于BP神经网络的预测方法的Matlab实现步骤 | 第48页 |
| ·网络训练与测试的结果 | 第48-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 基于RBF神经网络的玻璃液表面温度软测量模型 | 第59-81页 |
| ·径向基函数神经网络 | 第59-65页 |
| ·RBF网络模型 | 第59-60页 |
| ·RBF学习过程 | 第60页 |
| ·RBF网络的训练 | 第60-65页 |
| ·改进的RBF算法 | 第65-67页 |
| ·RBF网的函数逼近能力 | 第67-68页 |
| ·基于RBF神经网络的熔窑内玻璃液表面的温度软测量模型 | 第68-69页 |
| ·基于RBF神经网络的预测方法的Matlab实现步骤 | 第69页 |
| ·网络的训练与测试的结果 | 第69-79页 |
| ·BP与RBF模型间的应用比较 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 第六章 结论与展望 | 第81-83页 |
| ·结论 | 第81-82页 |
| ·展望 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 致谢 | 第86-87页 |
| 卷内备考表 | 第87-88页 |
