| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 引言 | 第14-17页 |
| 1 文献综述 | 第17-35页 |
| 1.1 课题研究背景及意义 | 第17-18页 |
| 1.2 加速冷却过程工艺、应用现状及特点 | 第18-22页 |
| 1.2.1 加速冷却过程工艺 | 第18-19页 |
| 1.2.2 加速冷却装置的国内外应用现状 | 第19-22页 |
| 1.2.3 加速冷却过程特点 | 第22页 |
| 1.3 热轧带钢层流冷却温度模型建模方法研究现状 | 第22-26页 |
| 1.3.1 基于统计的代数方程和简化微分形式的温度模型 | 第22-23页 |
| 1.3.2 细化控制“粒度”的温度模型 | 第23-24页 |
| 1.3.3 基于误差补偿的卷取温度预报模型 | 第24页 |
| 1.3.4 基于热传导机理的动态温度模型 | 第24-26页 |
| 1.4 热轧带钢层流冷却过程控制方法及策略研究现状 | 第26-29页 |
| 1.4.1 基于经验统计模型和表格分级策略的开环控制方法 | 第26-27页 |
| 1.4.2 基于优化模型的开环控制 | 第27页 |
| 1.4.3 基于预设定和线性补偿模型相结合的控制方法 | 第27-28页 |
| 1.4.4 基于先进智能技术的控制方法 | 第28-29页 |
| 1.5 存在的问题 | 第29-31页 |
| 1.5.1 层流冷却过程建模存在的问题 | 第29-30页 |
| 1.5.2 热轧带钢层流冷却过程控制方法及策略存在的问题 | 第30-31页 |
| 1.6 论文的主要研究内容 | 第31-34页 |
| 1.7 论文的结构安排 | 第34页 |
| 1.8 本章小结 | 第34-35页 |
| 2 热轧带钢层流冷却数学模型 | 第35-54页 |
| 2.1 层流冷却系统的主要设备和工艺流程描述 | 第35-38页 |
| 2.2 经典传热理论 | 第38-41页 |
| 2.2.1 Fourier偏微分导热方程 | 第38-40页 |
| 2.2.2 牛顿冷却对流换热方程 | 第40-41页 |
| 2.2.3 Stefan-Boltzmann辐射换热方程 | 第41页 |
| 2.3 层流冷却数学模型 | 第41-47页 |
| 2.3.1 统计理论模型 | 第42-46页 |
| 2.3.2 指数模型 | 第46-47页 |
| 2.4 有限差分模型 | 第47-53页 |
| 2.4.1 有限差分法 | 第47-48页 |
| 2.4.2 有限差分方程的数学基础 | 第48-49页 |
| 2.4.3 带钢有限差分温降模型 | 第49-53页 |
| 2.5 本章小结 | 第53-54页 |
| 3 GA优化神经网络算法理论基础和研究现状 | 第54-69页 |
| 3.1 BP神经网络及其优化技术 | 第54-59页 |
| 3.1.1 BP神经网络 | 第54-56页 |
| 3.1.2 BP神经网络优化技术 | 第56-59页 |
| 3.2 遗传算法 | 第59-66页 |
| 3.2.1 智能优化算法简介 | 第59-60页 |
| 3.2.2 GA的基本原理 | 第60-61页 |
| 3.2.3 GA的理论研究及改进现状 | 第61-64页 |
| 3.2.4 遗传算法的应用概况 | 第64-66页 |
| 3.3 GA优化神经网络算法及研究现状 | 第66-68页 |
| 3.3.1 GA优化神经网络算法 | 第66-67页 |
| 3.3.2 GA优化神经网络算法的研究现状 | 第67-68页 |
| 3.4 本章小结 | 第68-69页 |
| 4 REGA-CPA优化的带钢卷取温度预报模型 | 第69-91页 |
| 4.1 引言 | 第69-70页 |
| 4.2 再进化遗传算法(REGA) | 第70-76页 |
| 4.2.1 种群个体在空间的分布表示 | 第70-71页 |
| 4.2.2 “优生”操作 | 第71-73页 |
| 4.2.3 “返祖”操作 | 第73-75页 |
| 4.2.4 包含“返祖”操作的GA模式定理 | 第75页 |
| 4.2.5 实现REGA的关键步骤 | 第75-76页 |
| 4.3 基于REGA的相关性剪枝算法(REGA-CPA) | 第76-78页 |
| 4.3.1 神经网络的相关性剪枝算法 | 第76-77页 |
| 4.3.2 REGA-CPA | 第77-78页 |
| 4.4 BP神经网络的卷取温度预报模型 | 第78-83页 |
| 4.4.1 BP神经网络结构设计方案 | 第78-80页 |
| 4.4.2 BP神经网络卷取温度预报模型的实现 | 第80-82页 |
| 4.4.3 “随机动态输入模式”温度模型的在线应用 | 第82-83页 |
| 4.5 仿真实验及性能分析 | 第83-89页 |
| 4.6 本章小结 | 第89-91页 |
| 5 基于TMOGA的层流冷却系统粗调区多目标优化控制策略 | 第91-114页 |
| 5.1 引言 | 第91-92页 |
| 5.2 算法基于层流冷却系统多目标优化问题的数学描述 | 第92-94页 |
| 5.3 Pareto前沿面特性分析 | 第94-96页 |
| 5.4 基于优化的多目标函数设计 | 第96-98页 |
| 5.4.1 基于热传导方程的目标优化卷取温度函数地f_1(a) | 第96-97页 |
| 5.4.2 基于给定冷却速率目标优化函数f_2(a) | 第97-98页 |
| 5.4.3 基于优化的多目标函数F(a) | 第98页 |
| 5.5 基于TMOGA搜索集管最佳开闭模式的关键思路 | 第98-103页 |
| 5.5.1 初始化种群 | 第98-99页 |
| 5.5.2 基因库的建立 | 第99页 |
| 5.5.3 基于基因库的较优基因段(较优模式)的提取 | 第99-100页 |
| 5.5.4 转基因操作 | 第100页 |
| 5.5.5 基因库的竞争机制 | 第100-101页 |
| 5.5.6 较优基因段的随机抽取模式 | 第101页 |
| 5.5.7 基因库的记忆功能 | 第101-102页 |
| 5.5.8 基于决策变量的拥挤距离策略 | 第102-103页 |
| 5.6 基于转基因多目标遗传算法(TMOGA)的实现 | 第103-105页 |
| 5.7 基于TMOGA的层流冷却系统粗调区优化控制策略 | 第105-107页 |
| 5.7.1 前馈控制 | 第105页 |
| 5.7.2 从Pareto最优解集获取粗调区集管最佳开闭模式的规则 | 第105-106页 |
| 5.7.3 带钢的分段控制 | 第106页 |
| 5.7.4 反馈控制 | 第106页 |
| 5.7.5 带钢头尾的自适应控制 | 第106-107页 |
| 5.7.6 约束表达式 | 第107页 |
| 5.8 仿真实验和性能分析 | 第107-113页 |
| 5.9 本章小结 | 第113-114页 |
| 6 总结与展望 | 第114-117页 |
| 参考文献 | 第117-131页 |
| 附录A 某钢厂带钢热连轧生产线实时数据 | 第131-134页 |
| 作者简历及在学研究成果 | 第134-136页 |
| 学位论文数据集 | 第136页 |
