烧结终点预测模型与控制方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及目的意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 烧结终点的检测研究 | 第12-13页 |
| 1.2.2 烧结终点模型研究 | 第13-15页 |
| 1.2.3 烧结终点的控制研究 | 第15页 |
| 1.3 主要工作 | 第15-17页 |
| 第2章 烧结终点检测与影响因素分析 | 第17-33页 |
| 2.1 烧结工艺及特点 | 第17-19页 |
| 2.1.1 整体工艺流程 | 第17-18页 |
| 2.1.2 烧结生产过程特性 | 第18-19页 |
| 2.2 终点的定义与计算 | 第19-23页 |
| 2.2.1 烧结终点的定义 | 第19-20页 |
| 2.2.2 烧结终点的计算方法 | 第20-21页 |
| 2.2.3 烧结终点修正方法 | 第21页 |
| 2.2.4 废气温度上升点 | 第21-23页 |
| 2.3 影响因素分析 | 第23-28页 |
| 2.3.1 点火温度 | 第23-24页 |
| 2.3.2 台车速度 | 第24-25页 |
| 2.3.3 混合料水分百分含量 | 第25-26页 |
| 2.3.4 20号风箱废气温度 | 第26-27页 |
| 2.3.5 其余影响因素 | 第27-28页 |
| 2.4 相关参数的检测方案 | 第28-32页 |
| 2.4.1 风箱废气温度的检测方案 | 第28-29页 |
| 2.4.2 废气成分检测装置 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 烧结终点预测模型 | 第33-51页 |
| 3.1 RBF神经网络原理 | 第33-36页 |
| 3.1.1 RBF神经网络的基本结构 | 第33-34页 |
| 3.1.2 RBF神经网络的映射关系 | 第34页 |
| 3.1.3 RBF神经网络参数的选取 | 第34-36页 |
| 3.2 减法聚类算法 | 第36-37页 |
| 3.3 粒子群算法 | 第37-39页 |
| 3.4 烧结现场数据处理 | 第39-40页 |
| 3.4.1 限幅滤波 | 第39-40页 |
| 3.4.2 归一化 | 第40页 |
| 3.5 基于PSO的RBF神经网络学习算法 | 第40-45页 |
| 3.5.1 模型输入输出变量的选择 | 第41页 |
| 3.5.2 网络节点数的选取 | 第41-43页 |
| 3.5.3 输出权值选择 | 第43页 |
| 3.5.4 PSO算法的编码 | 第43页 |
| 3.5.5 适应度函数 | 第43-44页 |
| 3.5.6 初始化粒子群 | 第44页 |
| 3.5.7 算法的基本步骤 | 第44-45页 |
| 3.6 算法验证 | 第45-48页 |
| 3.7 仿真结果分析 | 第48-49页 |
| 3.8 本章小结 | 第49-51页 |
| 第4章 终点控制模型及仿真分析 | 第51-69页 |
| 4.1 烧结终点过程控制模型 | 第51-55页 |
| 4.1.1 最小二乘法 | 第51-53页 |
| 4.1.2 模型阶次及辨识结果 | 第53-55页 |
| 4.1.3 模型的验证 | 第55页 |
| 4.2 变论域模糊控制 | 第55-60页 |
| 4.2.1 模糊控制理论基础 | 第55-56页 |
| 4.2.2 变论域的原因 | 第56-57页 |
| 4.2.3 变论域模糊控制思想 | 第57-58页 |
| 4.2.4 变论域的实现方法 | 第58-59页 |
| 4.2.5 变论域的伸缩因子 | 第59-60页 |
| 4.3 模糊控制器的设计 | 第60-66页 |
| 4.3.1 输入量的设定 | 第60页 |
| 4.3.2 量化因子及比例因子的设定 | 第60-61页 |
| 4.3.3 隶属函数的选择 | 第61-64页 |
| 4.3.4 模糊决策及控制规则表 | 第64-66页 |
| 4.4 仿真结果分析 | 第66-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 结论与展望 | 第69-71页 |
| 5.1 结论 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间发表文章 | 第77页 |
