| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景与研究意义 | 第11-12页 |
| 1.2 国内外带钢冷轧的发展概况 | 第12-13页 |
| 1.2.1 国内外冷轧生产的发展概况 | 第12-13页 |
| 1.2.2 单机架可逆式轧机的发展优势 | 第13页 |
| 1.3 冷轧计算机控制系统概况 | 第13-14页 |
| 1.4 带钢冷轧设定优化研究 | 第14-16页 |
| 1.4.1 轧制数学模型的研究 | 第15页 |
| 1.4.2 自适应技术的应用 | 第15-16页 |
| 1.4.3 神经网络技术在带钢冷轧的应用 | 第16页 |
| 1.5 本文主要研究工作和章节的安排 | 第16-19页 |
| 第2章 单机架冷轧机过程控制系统设计 | 第19-31页 |
| 2.1 单机架可逆式冷轧机的工艺背景 | 第19-21页 |
| 2.1.1 单机架可逆式冷轧机机组的主要构成 | 第19-21页 |
| 2.1.2 单机架可逆式冷轧机工艺流程 | 第21页 |
| 2.2 单机架可逆式冷轧机的计算机系统 | 第21-22页 |
| 2.3 单机架可逆式冷轧机过程控制系统 | 第22-26页 |
| 2.3.1 过程控制系统功能结构 | 第23-24页 |
| 2.3.2 过程控制系统数据流设计 | 第24-26页 |
| 2.4 过程控制系统开发环境的简介 | 第26页 |
| 2.5 过程控制系统与生产准备相关程序模块的设计与实现 | 第26-28页 |
| 2.6 本章小结 | 第28-31页 |
| 第3章 带钢冷轧轧制模型研究与改进 | 第31-43页 |
| 3.1 轧制数学模型的应用意义 | 第31页 |
| 3.2 带钢冷轧的数学模型分析与改进 | 第31-39页 |
| 3.2.1 单位压力微分方程式 | 第31-33页 |
| 3.2.2 带钢冷轧的轧制力模型 | 第33-37页 |
| 3.2.3 张力设定模型 | 第37-38页 |
| 3.2.4 速度设定模型 | 第38页 |
| 3.2.5 前滑率模型 | 第38-39页 |
| 3.2.6 轧制力矩模型 | 第39页 |
| 3.3 带钢冷轧轧制参数设定预计算的仿真实验与结果分析 | 第39-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 过程控制机设定值优化方法研究 | 第43-63页 |
| 4.1 单机架冷轧机的控制方案 | 第43-46页 |
| 4.1.1 单机架冷轧机的控制结构 | 第43-44页 |
| 4.1.2 自适应与自学习的控制关系 | 第44-46页 |
| 4.2 测量值的收集与处理 | 第46-47页 |
| 4.3 轧制模型的自适应算法 | 第47-50页 |
| 4.3.1 模型自适应的必要性 | 第47-48页 |
| 4.3.2 自适应算法的研究 | 第48-49页 |
| 4.3.3 指数平滑算法的研究 | 第49-50页 |
| 4.3.4 自适应增益系数的研究 | 第50页 |
| 4.4 轧制模型的后计算分析 | 第50-53页 |
| 4.4.1 变形抗力的后计算 | 第51-52页 |
| 4.4.2 摩擦系数的后计算 | 第52页 |
| 4.4.3 变形抗力和摩擦系数解耦后计算 | 第52-53页 |
| 4.5 轧制模型的自学习算法 | 第53-57页 |
| 4.5.1 模型自学习的必要性 | 第53-54页 |
| 4.5.2 自学习算法的研究 | 第54页 |
| 4.5.3 变形抗力与摩擦系数的自学习 | 第54-57页 |
| 4.6 带钢轧制自适应与自学习的仿真实验与结果分析 | 第57-62页 |
| 4.6.1 Bland-Ford-Hill模型显示计算轧制力和塑性区模型轧制力对比 | 第57-59页 |
| 4.6.2 轧制力模型自适应和轧制力模型后计算仿真 | 第59-60页 |
| 4.6.3 带钢轧制中轧制力修正系数的自适应过程仿真 | 第60-61页 |
| 4.6.4 带钢轧制模型材料参数自学习过程仿真 | 第61-62页 |
| 4.7 本章小结 | 第62-63页 |
| 第5章 基于遗传神经网络轧制力设定方案设计与实现 | 第63-87页 |
| 5.1 神经网络轧制力设定方案设计 | 第63-65页 |
| 5.1.1 神经网络轧制力模型的结构设计 | 第64-65页 |
| 5.1.2 神经网络的学习过程分析 | 第65页 |
| 5.2 BP神经网络模型与学习算法研究 | 第65-72页 |
| 5.2.1 误差反向传播(BP)神经网络原理 | 第66-70页 |
| 5.2.2 BP神经网络模型结构设计 | 第70-71页 |
| 5.2.3 BP神经网络的参数选择 | 第71-72页 |
| 5.3 遗传算法优化计算研究 | 第72-75页 |
| 5.3.1 遗传算法的基本原理 | 第72-73页 |
| 5.3.2 遗传算法的优化过程实现 | 第73-75页 |
| 5.4 基于遗传算法的BP神经网络结构和参数优化 | 第75-79页 |
| 5.4.1 结合的必要性和可行性分析 | 第75页 |
| 5.4.2 遗传算法优化BP神经网络的方案设计 | 第75-78页 |
| 5.4.3 遗传算法和BP神经网络的控制参数选择 | 第78-79页 |
| 5.5 基于遗传神经网络轧制力设定模型仿真实验与结果分析 | 第79-85页 |
| 5.5.1 GA-BP神经网络分级进化仿真 | 第80-82页 |
| 5.5.2 GA-BP神经网络与BP网络训练效果对比 | 第82页 |
| 5.5.3 自适应轧制力预报模型仿真 | 第82-83页 |
| 5.5.4 GA-BP神经网络轧制力预报模型仿真 | 第83-85页 |
| 5.6 本章小结 | 第85-87页 |
| 第6章 结论与展望 | 第87-89页 |
| 6.1 结论 | 第87-88页 |
| 6.2 展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 附录 | 第93-97页 |
| 致谢 | 第97页 |
