冷连轧机板形智能控制系统的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·研究的目的和意义 | 第11-12页 |
| ·板形控制系统的发展概况 | 第12-16页 |
| ·板形模式识别方法的研究进展 | 第12-13页 |
| ·板形控制技术的发展 | 第13-15页 |
| ·板形控制存在的问题及发展方向 | 第15-16页 |
| ·人工智能在轧制领域的发展 | 第16-18页 |
| ·本文的主要工作 | 第18-19页 |
| 第2章 板形控制的基本原理 | 第19-25页 |
| ·板形的基本概念 | 第19页 |
| ·板形缺陷的表示方式 | 第19-21页 |
| ·波形表示法 | 第19页 |
| ·相对长度差表示法 | 第19-20页 |
| ·张力差表示方法 | 第20页 |
| ·带钢断面形状的多项式表示法 | 第20-21页 |
| ·板形良好的条件及板形缺陷的分类 | 第21-23页 |
| ·板形良好的条件 | 第21-22页 |
| ·板形缺陷的分类 | 第22-23页 |
| ·影响板形的因素及板形控制手段 | 第23-24页 |
| ·影响板形的因素 | 第23页 |
| ·板形的控制手段 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 板形智能模式识别 | 第25-41页 |
| ·板形模式识别方法 | 第25-27页 |
| ·传统板形模式识别方法 | 第25-26页 |
| ·基于神经网络的板形模式识别方法 | 第26-27页 |
| ·BRE-GA-BP网络的设计 | 第27-32页 |
| ·编码方案 | 第27-28页 |
| ·初始化 | 第28页 |
| ·适应度函数的确定 | 第28-29页 |
| ·遗传操作 | 第29-32页 |
| ·遗传算法和BP算法相结合 | 第32页 |
| ·标准板形模式的确立 | 第32-33页 |
| ·基于BRE-GA-BP网络的板形模式识别 | 第33-40页 |
| ·BRE-GA-BP网络输入参数 | 第34页 |
| ·BRE-GA-BP网络的输出参数 | 第34-35页 |
| ·训练样本的选取 | 第35-36页 |
| ·板形模式识别效果分析 | 第36-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 板形执行机构智能控制策略的研究 | 第41-63页 |
| ·内模控制 | 第41-50页 |
| ·内模控制概述 | 第41-42页 |
| ·基于神经网络的模型辨识 | 第42-44页 |
| ·基于神经网络的逆模型的辨识 | 第44-45页 |
| ·DRNN-MVSTC-IMC控制算法的设计 | 第45-50页 |
| ·板形执行机构的模型 | 第50-51页 |
| ·板形执行机构智能控制系统的设计 | 第51-59页 |
| ·神经网络辨识器NNI的设计 | 第52-56页 |
| ·最小方差自校正内模控制器NNC的设计 | 第56-59页 |
| ·板形执行机构智能控制系统的仿真研究 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第5章 冷连轧板形智能控制系统的研究 | 第63-75页 |
| ·冷连轧板形综合智能控制系统 | 第63-64页 |
| ·板形控制器模块及板形计算模块的设计 | 第64-67页 |
| ·板形控制器的设计 | 第65-66页 |
| ·板形计算模块的设计 | 第66-67页 |
| ·冷连轧板形智能控制系统仿真框图的搭建 | 第67-69页 |
| ·冷连轧板形智能控制系统仿真及结果分析 | 第69-73页 |
| ·本章小结 | 第73-75页 |
| 第6章 结论 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81页 |
