| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 概述 | 第12页 |
| 1.2 国内外电弧炉炼钢发展现状 | 第12-13页 |
| 1.3 电弧炉炼钢原理 | 第13-15页 |
| 1.4 电弧炉炼钢设备和冶炼工艺 | 第15-19页 |
| 1.4.1 电弧炉的机械设备 | 第15-17页 |
| 1.4.2 电弧炉的电气设备 | 第17页 |
| 1.4.3 电弧炉的冶炼工艺 | 第17-19页 |
| 1.5 电极调节器的性能要求 | 第19-20页 |
| 1.6 本文的主要工作 | 第20-21页 |
| 第2章 弧炉电气系统模型 | 第21-31页 |
| 2.1 引言 | 第21页 |
| 2.2 电弧的模型研究 | 第21-28页 |
| 2.2.1 电弧的数理模型 | 第21-22页 |
| 2.2.2 交流电弧的物理特性 | 第22-23页 |
| 2.2.3 电弧的伏安特性 | 第23-25页 |
| 2.2.4 电弧的阻抗特性 | 第25-26页 |
| 2.2.5 电弧模型的建立 | 第26-28页 |
| 2.3 供电系统模型 | 第28-31页 |
| 第3章 电极调节系统控制策略的研究 | 第31-38页 |
| 3.1 引言 | 第31页 |
| 3.2 电极控制策略 | 第31-34页 |
| 3.2.1 恒电流控制策略 | 第31-32页 |
| 3.2.2 恒功率控制策略 | 第32-33页 |
| 3.2.3 恒阻抗控制策略 | 第33-34页 |
| 3.3 电极控制策略分析比较 | 第34-36页 |
| 3.4 电弧炉恒阻抗控制器 | 第36-38页 |
| 第4章 电极调节系统解耦技术 | 第38-51页 |
| 4.1 传统解耦方法 | 第38-40页 |
| 4.1.1 对角矩阵解耦 | 第38-39页 |
| 4.1.2 状态变量法 | 第39页 |
| 4.1.3 相对增益法 | 第39-40页 |
| 4.2 智能解耦方法 | 第40-41页 |
| 4.2.1 神经网络解耦方法 | 第40页 |
| 4.2.2 模糊解耦方法 | 第40-41页 |
| 4.3 电弧炉电极调节的模糊解耦控制器 | 第41-51页 |
| 4.3.1 电极解耦模型 | 第41-44页 |
| 4.3.2 模糊补偿解耦 | 第44-47页 |
| 4.3.3 控制器解耦和抗干扰性能 | 第47-51页 |
| 第5章 电弧炉电极调节系统RBF-PID控制 | 第51-70页 |
| 5.1 PID控制器 | 第51-54页 |
| 5.1.1 PID控制算法 | 第51-53页 |
| 5.1.2 PID控制在电极控制中的问题 | 第53-54页 |
| 5.2 径向基函数(RBF)神经网络 | 第54-55页 |
| 5.3 RBF神经网络的学习算法 | 第55-58页 |
| 5.3.1 随机选取固定中心 | 第55-56页 |
| 5.3.2 自组织选取中心 | 第56-57页 |
| 5.3.3 有监督选取中心 | 第57-58页 |
| 5.3.4 正交最小二乘法 | 第58页 |
| 5.4 基于RBFNN辨识的PID控制器参数整定 | 第58-63页 |
| 5.4.1 Jacabian信息的辨识算法 | 第59-60页 |
| 5.4.2 RBFNN-PID参数整定原理 | 第60-61页 |
| 5.4.3 电弧炉电极调节系统RBFNN-PID控制器 | 第61-63页 |
| 5.5 RBF神经网络优化 | 第63-70页 |
| 5.5.1 遗传算法优化 | 第63-66页 |
| 5.5.2 粒子群算法优化 | 第66-68页 |
| 5.5.3 算法优化后辨识误差分析 | 第68-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第75-76页 |
| 致谢 | 第76页 |