地下卷取机最大卷取力矩的研究及预测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的研究背景与意义 | 第9-10页 |
| 1.1.1 课题的研究背景 | 第9页 |
| 1.1.2 课题的研究意义 | 第9-10页 |
| 1.2 课题的研究对象 | 第10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 热轧卷取机的发展趋势及研究现状 | 第10-12页 |
| 1.3.2 卷取过程动态仿真的研究现状 | 第12页 |
| 1.3.3 神经网络在热轧中的应用 | 第12-13页 |
| 1.4 本文的研究内容 | 第13-14页 |
| 第2章 卷取机结构与扭矩信号分析 | 第14-24页 |
| 2.1 卷取机结构 | 第14-16页 |
| 2.1.1 卷取机分类 | 第14页 |
| 2.1.2 卷取机组的基本构成 | 第14-16页 |
| 2.2 卷取机工作过程 | 第16-17页 |
| 2.2.1 钢带进入夹送辊 | 第16-17页 |
| 2.2.2 钢带卷取过程 | 第17页 |
| 2.2.3 钢卷至卸卷小车 | 第17页 |
| 2.3 卷取机测试分析 | 第17-20页 |
| 2.3.1 扭矩传感器的标定 | 第18-19页 |
| 2.3.2 主卷筒扭矩测点的分布及粘贴方式 | 第19-20页 |
| 2.4 信号测试的结果及分析 | 第20-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 卷取过程的动态仿真 | 第24-33页 |
| 3.1 卷取过程数学模型的建立 | 第24-27页 |
| 3.1.1 张力力矩 | 第24-25页 |
| 3.1.2 弯曲力矩 | 第25页 |
| 3.1.3 摩擦力矩 | 第25-26页 |
| 3.1.4 惯性力矩 | 第26-27页 |
| 3.2 卷取过程动力学方程的建立 | 第27-29页 |
| 3.2.1 卷取直径的确定 | 第27-28页 |
| 3.2.2 动力学方程的建立 | 第28-29页 |
| 3.3 Simulink 动态仿真及结果分析 | 第29-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 基于 BP 神经网络的卷取力矩预测 | 第33-45页 |
| 4.1 BP 神经网络 | 第33-34页 |
| 4.1.1 BP 神经网络的结构 | 第33页 |
| 4.1.2 BP 神经网络的原理 | 第33-34页 |
| 4.2 BP 算法的流程与改进 | 第34-37页 |
| 4.2.1 BP 算法的流程 | 第34-36页 |
| 4.2.2 BP 算法的缺陷 | 第36-37页 |
| 4.3 BP 神经网络的设计 | 第37-39页 |
| 4.3.1 执行过程 | 第37页 |
| 4.3.2 BP 网络模型建立 | 第37-38页 |
| 4.3.3 样本的选取 | 第38-39页 |
| 4.3.4 初始权值的选取 | 第39页 |
| 4.3.5 学习速率的设定 | 第39页 |
| 4.4 BP 神经网络预测卷取力矩的实现 | 第39-44页 |
| 4.4.1 BP 网络的仿真训练 | 第39页 |
| 4.4.2 实验结果与分析 | 第39-43页 |
| 4.4.3 预测结果 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 基于动态模糊神经网络的卷取力矩的预测 | 第45-60页 |
| 5.1 动态模糊神经网络的结构 | 第45-47页 |
| 5.2 动态模糊神经网络的学习算法 | 第47-53页 |
| 5.3 动态模糊神经网络在卷取力矩预测中的应用 | 第53-55页 |
| 5.3.1 动态模糊神经网络的预测过程 | 第53-54页 |
| 5.3.2 预测卷取力矩参数的设置 | 第54-55页 |
| 5.4 仿真实验与结果分析 | 第55-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 结论与展望 | 第60-62页 |
| 6.1 结论 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 附录 1 攻读硕士期间论文发表情况 | 第66页 |
