首页--工业技术论文--金属学与金属工艺论文--金属压力加工论文--轧制论文--轧制自动化论文

冷轧过程板形控制系统的研究

摘要第5-7页
Abstract第7-8页
第1章 绪论第12-18页
    1.1 课题背景与实际意义第12-13页
    1.2 板形自动控制的发展第13-16页
        1.2.1 国内外研究现状第13-15页
        1.2.2 现阶段主要问题第15-16页
        1.2.3 未来发展方向第16页
    1.3 神经网络在板形控制领域的应用第16-17页
    1.4 本文的主要工作第17-18页
第2章 板形自动控制基本理论第18-28页
    2.1 板形的概念第18页
    2.2 板形的表示方法第18-21页
        2.2.1 相对长度差表示法第18-19页
        2.2.2 波形表示法第19-20页
        2.2.3 张应力差表示法第20页
        2.2.4 断面形状的多项式表示法第20-21页
    2.3 板形良好的条件第21-22页
    2.4 板形缺陷的分类第22-23页
    2.5 影响板形的因素第23-24页
    2.6 板形的调控手段第24页
    2.7 板形闭环控制策略分类与对比第24-25页
    2.8 本钢第三冷轧厂板形控制系统概述第25-27页
    2.9 本章小结第27-28页
第3章 板形模式识别方法的研究第28-50页
    3.1 板形模式识别方法第28-30页
        3.1.1 传统的板形模式识别方法第29-30页
        3.1.2 基于人工神经网络的板形模式识别方法第30页
    3.2 基于差分进化算法优化的Elman神经网络第30-38页
        3.2.1 Elman神经网络第30-33页
        3.2.2 差分进化算法第33-36页
        3.2.3 DE算法优化Elman神经网络的实现第36-38页
    3.3 DE-Elman板形模式识别模型的建立第38-44页
        3.3.1 板形标准模式曲线的建立第39-40页
        3.3.2 网络的输入与输出第40-42页
        3.3.3 训练样本的产生第42-43页
        3.3.4 网络在线识别过程第43-44页
    3.4 板形模式识别效果分析第44-48页
        3.4.1 离线训练过程第44-45页
        3.4.2 在线识别效果第45-48页
    3.5 本章小结第48-50页
第4章 板形预测模型的建立第50-60页
    4.1 板形预测模型的建立方法第50-51页
        4.1.1 传统建模方法的局限性第50-51页
        4.1.2 基于神经网络建模的优势第51页
    4.2 基于DE-Elman网络的板形预测模型第51-56页
        4.2.1 模型的输入与输出第52-53页
        4.2.2 数据的预处理第53-54页
        4.2.3 建立板形预测模型第54-56页
    4.3 仿真实验第56-57页
    4.4 本章小结第57-60页
第5章 板形闭环控制方法的研究第60-82页
    5.1 效应函数第60-62页
    5.2 动态效应矩阵表的建立第62-69页
        5.2.1 静态效应矩阵第62-63页
        5.2.2 动态效应矩阵第63-65页
        5.2.3 基于关键影响因素的效应矩阵表第65-69页
    5.3 基于效应矩阵表的板形控制方法第69-73页
        5.3.1 基于质心的三维插值方法第69-71页
        5.3.2 效应矩阵效应系数的计算第71页
        5.3.3 板形调控手段调节量的计算第71-72页
        5.3.4 基于效应矩阵表的板形控制流程第72-73页
    5.4 仿真实验第73-80页
        5.4.1 板形闭环控制系统的构建第73-74页
        5.4.2 轧机和轧件的基本参数第74-75页
        5.4.3 仿真结果及分析第75-80页
    5.5 本章小结第80-82页
第6章 总结与展望第82-84页
参考文献第84-88页
致谢第88页

论文共88页,点击 下载论文
上一篇:连铸方坯典型内部质量缺陷预报与诊断分析研究
下一篇:基于混沌预测的管道内检测器实时跟踪定位方法研究