基于数据驱动的铝热连轧跑偏预测建模与纠偏控制方法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-19页 |
| 1.1 课题的研究背景 | 第9-10页 |
| 1.2 跑偏现象及其研究意义 | 第10-11页 |
| 1.3 数据驱动的定义 | 第11-12页 |
| 1.4 国内外研究现状 | 第12-17页 |
| 1.4.1 跑偏的国内外研究现状 | 第12-14页 |
| 1.4.2 神经网络的发展及其在轧制方面的应用 | 第14-15页 |
| 1.4.3 模糊控制的发展及其在轧制方面的应用 | 第15-17页 |
| 1.5 本文的主要研究内容 | 第17-19页 |
| 2 “1+4”铝热连轧生产线设备参数及数据采集 | 第19-29页 |
| 2.1 “1+4”热连轧生产工艺流程 | 第19-20页 |
| 2.2 “1+4”热连轧主要生产设备和监测系统 | 第20-24页 |
| 2.2.1 热连轧主要生产设备参数 | 第20-22页 |
| 2.2.2 热连轧现场数据采集设备及监测量 | 第22-24页 |
| 2.3 现场轧制过程数据采集与分析 | 第24-28页 |
| 2.3.1 3104铝合金轧制过程数据采集 | 第24-26页 |
| 2.3.2 跑偏数据分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于主成分分析的神经网络跑偏预测模型 | 第29-49页 |
| 3.1 主成分分析简介 | 第29-33页 |
| 3.1.1 主成分分析原理 | 第29-32页 |
| 3.1.2 主成分分析过程 | 第32-33页 |
| 3.2 主成分分析在跑偏预测中的应用 | 第33-37页 |
| 3.2.1 数据的选取及预处理 | 第33-35页 |
| 3.2.2 轧制过程主成分分析处理过程 | 第35-37页 |
| 3.2.3 结果分析 | 第37页 |
| 3.3 BP神经网络基本原理 | 第37-40页 |
| 3.3.1 BP网络模型结构 | 第37-38页 |
| 3.3.2 BP网络学习算法 | 第38-40页 |
| 3.4 BP神经网络跑偏预测模型的建立 | 第40-43页 |
| 3.4.1 样本的提取与处理 | 第40页 |
| 3.4.2 网络模型结构及参数设计 | 第40-42页 |
| 3.4.3 跑偏BP神经网络算法的优化 | 第42-43页 |
| 3.5 主成分分析的神经网络跑偏预测模型的应用 | 第43-47页 |
| 3.5.1 网络训练及结果分析 | 第43-46页 |
| 3.5.2 预测结果及分析 | 第46-47页 |
| 3.6 本章小结 | 第47-49页 |
| 4 基于T-S模糊模型的纠偏控制策略 | 第49-71页 |
| 4.1 T-S模糊理论与辨识过程 | 第49-56页 |
| 4.1.1 Takagi-Sugeno模型理论 | 第50-52页 |
| 4.1.2 T-S模型结构与前件的辨识 | 第52-55页 |
| 4.1.3 T-S模型后件的辨识 | 第55-56页 |
| 4.2 跑偏模糊控制模型的建立 | 第56-65页 |
| 4.2.1 单机架跑偏控制分析 | 第56-58页 |
| 4.2.2 跑偏模糊控制策略设计 | 第58-59页 |
| 4.2.3 多机架跑偏模糊控制模型的辨识 | 第59-65页 |
| 4.3 跑偏模糊控制模型应用研究 | 第65-69页 |
| 4.3.1 F1-F3机架模糊纠偏控制分析 | 第66-67页 |
| 4.3.2 F2-F4机架模糊纠偏控制分析 | 第67-69页 |
| 4.4 本章小结 | 第69-71页 |
| 5 总结与展望 | 第71-73页 |
| 5.1 全文总结 | 第71页 |
| 5.2 论文不足与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读学位期间主要的研究成果 | 第77-79页 |
| 致谢 | 第79页 |
