| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 引言 | 第9-10页 |
| 1 绪论 | 第10-17页 |
| 1.1 加热炉控制系统介绍 | 第10-11页 |
| 1.1.1 步进式加热炉的发展 | 第10页 |
| 1.1.2 步进式加热炉的工艺介绍 | 第10-11页 |
| 1.2 步进式加热炉炉温优化控制研究现状意义及存在问题 | 第11-16页 |
| 1.2.1 炉温进行优化的意义 | 第11-12页 |
| 1.2.2 炉温优化控制的现状 | 第12-14页 |
| 1.2.3 加热炉炉温优化控制存在问题 | 第14-16页 |
| 1.3 课题主要工作和结构安排 | 第16-17页 |
| 2 钢坯温度预报模型的建立 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 炉温目标函数进行优化的必要性 | 第17页 |
| 2.3 三种钢坯加热方式的比较 | 第17-18页 |
| 2.4 钢坯温度预报模型的建立 | 第18-25页 |
| 2.4.1 建立钢坯温度预报模型的意义 | 第18-19页 |
| 2.4.2 钢温预报温度的机理模型 | 第19-21页 |
| 2.4.3 基于机理模型钢坯导热方程的微分边界条件 | 第21-23页 |
| 2.4.4 基于机理模型钢坯温度预报模型的工程考虑 | 第23-25页 |
| 2.5 基于径向基函数神经网络的出炉钢坯温度预报模型 | 第25-28页 |
| 2.5.1 建立步进式加热炉出炉钢坯表面温度模型的意义 | 第25页 |
| 2.5.2 RBF 神经网络基本原理 | 第25页 |
| 2.5.3 RBF 网络特点 | 第25-26页 |
| 2.5.4 RBF 神经网络结构 | 第26页 |
| 2.5.5 RBF 神经网络的输出 | 第26-28页 |
| 2.6 基于 RBF 神经网络的出炉钢坯表面温度预报模型 | 第28-29页 |
| 2.6.1 网络模型 | 第28页 |
| 2.6.2 网络输入输出的确定和数据的获取及处理 | 第28-29页 |
| 2.7 仿真分析 | 第29页 |
| 2.8 本章小结 | 第29-31页 |
| 3 稳态炉温优化设定 | 第31-47页 |
| 3.1 加热炉炉温数据预处理 | 第32-35页 |
| 3.1.1 加热炉炉温数据过失误差的剔除 | 第33页 |
| 3.1.2 随机误差处理 | 第33-34页 |
| 3.1.3 加热炉检测数据的归一化处理 | 第34-35页 |
| 3.2 炉温优化目标函数的确定 | 第35-36页 |
| 3.3 遗传算法在炉温优化中的应用 | 第36-46页 |
| 3.3.1 遗传算法概况 | 第36-38页 |
| 3.3.2 遗传算法应用 | 第38-42页 |
| 3.3.3 炉温分布确定 | 第42-46页 |
| 3.4 本章小节 | 第46-47页 |
| 4 炉温设定值的动态补偿 | 第47-55页 |
| 4.1 引言 | 第47-48页 |
| 4.2 控制思想 | 第48-49页 |
| 4.3 模糊控制器的设计 | 第49-52页 |
| 4.3.1 精确量的模糊化及模糊量的精确化 | 第49页 |
| 4.3.2 模糊变量值得选取及隶属函数的确定 | 第49-50页 |
| 4.3.3 模糊控制规则的建立 | 第50-52页 |
| 4.4 仿真研究 | 第52-54页 |
| 4.5 本章小节 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录A 现场采集的炉温钢温数据 | 第60-62页 |
| 附录B RBF 神经网络部分程序 | 第62-63页 |
| 在学研究成果 | 第63-64页 |
| 致谢 | 第64页 |
