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 |