一、基于BP网络的平整轧制压力计算（论文文献综述）
张书荣[1]（2021）在《六辊可逆冷轧机全轧程轧制力预测的方法研究》文中研究表明带钢冷轧的生产技术是衡量钢铁工业发展水平的重要标志,成品的板形质量和板厚精度与轧制过程中的轧制力密切相关。轧制过程需要先后经历加速、稳速、减速三个阶段,随着轧制不断进行,轧辊磨损会引起轧辊状态的改变,若不及时更换轧辊导致冷轧过程无法正常进行。目前对轧制力预测的研究很少涉及整个轧制过程（全轧程）,本文以单机架六辊可逆冷轧机为研究对象,以提高全轧程轧制力预测精度为目标,研究了多种预测轧制力的方法。根据速度变化特性可简单分为稳速段和变速段。基于冷轧的基本原理,摩擦系数和变形抗力直接决定了轧制力的计算精度,分析两者的影响因素,建立相应的拟合模型。根据轧件宽度、带材合金号、道次数、轧制阶段等分别建立稳速段和变速段参数模型库,利用Bland-Ford-Hill公式得到轧制力预测值并加以分析。为实现对全轧程轧制力的预测,引入神经网络,同时对稳速段、变速段数据进行分析。使用加法纠偏补偿模型,结合数学方法和神经网络预测轧制力,将模型库的计算结果作为轧制力预测值的主值,建立单隐层神经网络模型预测主值与实测值的差值,对轧制力预测偏差进行补偿。同时更改网络输出参数,将轧制力作为网络的输出量,以相同的网络结构预测轧制力。并使用GA算法优化神经网络的权值阈值,建立GA-BP神经网络轧制力预测模型,减小轧制力的预测误差。针对换辊周期内参数变化的关联性,将长短期记忆（LSTM）网络应用于全轧程轧制力预测中,LSTM网络充分考虑样本点的时间序列信息,更贴近实际冷轧生产的工艺流程。根据标记的换辊信息将52136个数据点划分为50组数据集,将前40组数据作为训练集,最后10组作为预测集数据。分别从时间步长、隐藏层神经元个数、学习速率等方面进行综合对比分析,确定合适的参数取值。结果表明,使用LSTM网络模型预测精度最高,预测误差可减小到3%左右。
王兴[2]（2021）在《二十辊冷轧机板形影响因素研究》文中进行了进一步梳理随着我国经济不断发展,对薄带材的精度要求越来越高,普通四、六辊轧机已经难以满足加工要求。二十辊冷轧机具有辊径小、整体刚度大、以及板形调整机构（ASU）等诸多优势,可以轧制更薄的带钢。目前,二十辊冷轧机主要针对辊系的变形与应力进行研究,很少涉及板带变形过程的研究。本文以某钢厂二十辊轧机为研究对象,以实际尺寸建立有限元模型,针对轧制过程中板带的变形过程进行仿真与分析。首先,依据二十辊冷轧机几何尺寸,基于Solidworks建立二十辊轧机的三维模型,并通过ANSYS/LS-DYNA模块建立二十辊轧机有限元模型,采用显式动力学算法对轧机轧制过程进行有限元求解。分析冷轧过程中轧制力、板带应力分布,采用APDL语言建立轧制后板带截面曲线,基于板形平直度求解板形指数并加以分析。然后,基于二十辊轧机有限元模型,研究板带轧制过程中各项参数（宽度、厚度、张力、速度）与板形指数之间的对应关系,对比分析多项参数对板形的影响;分析不同ASU调整方案对板形的影响,得到不同位置的支承辊背衬轴承调整参数对板形的影响关系,为获取高精度板带提供参考;针对现实中板带冷轧前通常存在缺陷的情况,通过ANSYS Workbench建立了二十辊冷轧机的1/2模型,采用静力学显式算法对板带初始含有缺陷进行轧制仿真,对板带在初始含有凸度与凹度两种不同缺陷下,对轧制后的板形的变化规律进行了总结。最后,基于BP神经网络建立了板形预测模型,引入仿真所获得的轧制过程不同工艺参数与板形指数之间的对应关系,完成对板形指数的预测;并利用遗传算法和粒子群算法对板形预测模型进行优化,获得误差更小、精度更高的板形预测模型。
郭城[3]（2021）在《基于广义回归神经网络的轧制力预测》文中研究说明钢铁是所有工业行业最为基础的材料供给,钢铁行业对一个国家的经济发展与国防实力都有非常重要的意义,板带作为钢铁行业的占比最大产品,也是盈利额度最多的产品,在各行各业均有广泛应用。轧制力是影响板带品质的最重要的因素,不仅影响产品的几何尺寸,也会影响产品的性能。传统的轧制力模型是历史经验与物理数学分析得到的数学模型,受限制于模型自身的各种原因,并不能达到要求非常高的精度值。随着工业智能化的进程,将机器学习融入轧钢过程也成为必然趋势,但是选择哪种工具来建立新的模型也成为必须要进行考量的因素。本文主要使用广义回归神经网络（General Regression Neural Network,GRNN）建立了一种新的轧制力预测模型,此模型针对轧制力这种非线性函数的预测问题有更优于其他算法的表现,并且针对GRNN中参数采用了果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）来进行处理,使得网络可以快速寻找到最优解。后续的仿真数据均来自于现实钢厂的1700mm线下实际数据,利用Visual Studio编程将每一支钢对应的信息提取出来,然后将数据放入SQL Server数据库中,再利用主成分分析法（Principal Component Analysis,PCA）对数据库的数据进行降维处理,将处理完成的数据放入由果蝇算法优化的广义回归神经网络（FOA-GRNN）模型中进行仿真,同时与其他常用的神经网络方法进行对比。结果表明,新建立的模型跟其他常用的4种神经网络方法建立的模型进行比较,FOA-GRNN的预测能力是最好的,并且利用传统方法建造模型的预测能力略逊色,证明了FOA-GRNN在轧制力预测的方向上有更大潜力。
杨欢[4]（2018）在《基于GA-BP神经网络的锂电池极片厚度控制系统研究》文中研究指明由于锂电池极片受电性浆料颗粒材料的化学成分、原始密度、涂布质量、半固态程度、轧制温度、轧制力、辊缝等因素影响,再加上锂电池极片厚度控制系统中具有非线性、不确定、时变性等特点,采用传统的厚度控制方法不能满足用户对锂电池极片厚度精度的要求。因此,研究一种厚度控制较好的算法非常有必要。针对锂电池极片厚度不能达到用户想要的精度问题,本文提出了一种基于遗传算法优化BP神经网络的极片厚度控制研究,两种算法结合能够发挥各自的优点,提高锂电池极片厚度的预测能力。本文主要工作如下:首先,从锂电池极片的生产工艺流程和系统特点方面,对锂电池极片厚度控制系统进行了研究。简要分析了锂电池极片厚度的控制系统的数学模型。结合引起锂电池极片厚度的波动的原因,分析锂电池极片实测厚度的影响因素。其次,针对锂电池极片厚度实测厚度的精度不高问题,提出了一种基于神经网络的极片厚度控制的预测模型。根据BP神经网络算法的基本原理和学习步骤,将BP神经网络引入到极片厚度控制系统中,根据主要因素确定了BP神经网络的拓扑结构和参数,最后利用MATLAB软件对相关数据模型进行仿真研究并分析了锂电池极片预测厚度的有效性。再次,针对BP神经网络预测锂电池极片厚度预测值的误差较大问题,分析BP神经网络的缺陷,针对这些问题提出了几种改进方法,发现遗传算法能够对BP神经网络的初始连接权值和阈值进行优化,在全局范围里进行搜索寻求最优,弥补BP神经网络的缺陷,接着阐述了遗传算法优化BP神经网络的作用机理过程。最后,根据锂电池极片厚度精度的要求,设计了遗传算法优化的BP神经网络的极片厚度控制的预测模型。在MATLAB仿真平台上,对其锂电池极片厚度进行模型仿真,预测结果与期望厚度非常接近,同时,与未优化的BP神经网络模型仿真结果进行对比,结果验证了该方法的有效性。
王智[5]（2017）在《基于PSO-BP神经网络的双机架炉卷轧机轧制力预测》文中进行了进一步梳理轧制过程数学模型是现代轧机计算机控制系统的重中之重,轧制力数学模型对钢铁产品质量和厚度精度等有着不可替代的作用。当今各行业对钢铁产品的质量要求愈发严格,怎样提高轧制产品的质量是一个亟待解决的重要问题。双机架炉卷轧机轧制力的精度影响着轧制产品的质量。而轧制区金属的塑性变形是一个非常复杂的过程,轧制过程中的很多参数与双机架炉卷轧机轧制力存在非线性的强耦合关系。根据传统数学模型公式和研究经验远不能满足当前轧制力精度的高要求,也不能对双机架轧机中轧制力的变化过程进行准确的描述。所以本文利用轧机的轧制压力数学模型将神经网络与智能算法来相结合来进行轧制力的高精度预测,这也是当前研究认为最有效的预测途径。本文以轧制压力数学模型的变形理论为基础,以某大型轧钢厂1725mm双机架轧机轧制压力模型为研究对象,结合西姆斯（SIMS）公式着重分析了轧制变形区的基本工艺参数、轧制前后的基本规律等,确定了对轧制力计算精度影响较大的参数变量,这些参数变量主要有轧件厚度、轧件温度、轧辊半径、轧制速度等;然后在轧制力模型的基础上,以影响轧制力精度的主要变量作为BP神经网络的输入量,以轧制力作为输出量建立了 BP网络拓扑结构为10-12-1的轧制力预测模型。根据该大型钢厂1725mm双机架轧机轧轧制钢种为Q235的实测数据对所建立的BP网络模型进行训练和测试。利用训练好的神经网络对轧机轧制力进行预测,然后分别使用粒子群算法、改进的粒子群算法来对BP神经网络进行优化,再次对两种预测模型进行轧制力预测,仿真结果表明经改进的PSO融合算法的轧制力预测性能达最佳的逼近效果,PSO优化BP网络的算法预测性能次之。因此,本文最终建立了基于PSO-BP神经网络的双机架炉卷热轧机轧制力预测模型,该模型有效提高了双机架炉卷轧机轧制力的预测精度。
邢邦圣[6]（2013）在《冷轧带肋钢筋机械性能的智能预测方法与工艺参数优化研究》文中指出冷轧带肋钢筋因其优良的综合机械性能和粘结锚固性能，在建筑领域得到了日益广泛的应用，带来了明显的社会效益和经济效益。随着冷轧带肋钢筋产品应用层次的不断发展和应用领域的进一步拓宽，对产品机械性能和工艺水平提出了更高的要求。针对目前冷轧带肋钢筋生产中存在的产品机械性能不稳定、合格率低等问题，研究了冷轧带肋钢筋产品机械性能智能预测方法和产品冷轧工艺优化模型，为冷轧工艺规划和产品质量控制提供一快速、精确、经济的新途径。针对冷轧带肋钢筋产品机械性能和冷轧工艺参数间的物理关系极为复杂，难以直接建立两者之间的显式方程，研究了样本空间划分对于产品机械性能预测的意义，提出了基于原材料初始强度和工艺参数向量间距离划分样本空间的方法，为实现在较少数量训练样本前提下产品机械性能的智能预测奠定了基础。建立了冷轧工艺参数和产品性能参数间的线性直接映射预测模型、线性和非线性回归分析预测模型，并在各样本子空间和全空间范围内对产品机械性能进行了预测。结果表明，对于线性直接映射模型和线性回归分析预测模型，工艺参数向量的降维处理对提高其预测性能具有积极意义；而对于非线性回归分析预测模型，足够数量的实测样本数据对保证其预测精度更具积极意义。构建了基于BP神经网络的冷轧带肋钢筋机械性能预测模型，研究了隐含层节点数和网络误差等参数对产品性能预测精度的影响，并在各样本子空间和全样本空间范围内，对冷轧带肋钢筋产品机械性能进行了预测。结果表明，BP网络的合理结构、隐含层节点数和网络误差合理取值等因素，对保证冷轧带肋钢筋性能预测模型的训练效率、预测精度等具有重要意义。建立了基于径向基函数网络的冷轧带肋钢筋机械性能预测模型，研究了RBF神经元层宽度系数和网络误差对RBF网络逼近性能的影响，并在各样本子空间和全样本空间内对产品机械性能进行了预测。结果表明，在神经元层宽度系数和网络误差等取值合适的情况下，基于RBF网络的冷轧带肋钢筋性能预测模型具有较高的预测精度；按照工艺参数间距离划分样本空间，对于基于RBF网络的预测模型更具有积极意义。针对工艺实验法规划冷轧工艺成本高、周期长等缺点，研究了冷轧带肋钢筋加工工艺的多目标优化模型，提出了基于遗传算法和径向基函数网络的冷轧带肋钢筋加工工艺优化方法。利用遗传算法的全局搜索能力和径向基函数网络的高精度逼近性能，快速、准确地确定满足产品机械性能要求的工艺参数优化组合，为制定和优化冷轧带肋钢筋生产工艺提供了一条经济、有效的途径。
冯小东[7]（2013）在《特钢棒材轧制的AGC控制系统的研究》文中指出随着市场竞争的激烈，人们对棒材尺寸精度、力学性能、生产成本以及开发周期提出更高的要求。而棒材连轧又是一个复杂高维非线性过程，对各连轧机的协调能力要求极高，其中任一轧机的波动都会影响其前后轧机状态及轧件形变。传统棒材轧制虽采用直流电机和活套装置，实现无张无扭轧制，但这并不能保证每道次轧件的变形和断面形状都合理、正确。针对上述问题，并深入了解棒材轧制工艺，本文提出将自动辊缝控制（Automaticgauge control）技术应用于棒材连轧的方案。众所周知，AGC技术在提高轧件尺寸精度上表现极佳，因此在板带轧制中得以广泛应用。针对AGC技术在棒材连轧应用的难题，本文做了以下几点工作。首先，棒材轧制的高维变形，使得力能参数的检测十分困难，而轧制压力是AGC技术得以应用的关键。只有超前预测轧制压力，再结合弹跳方程，快速准确设定辊缝值，然后配合孔型系统，才能轧出高精度的棒材产品。因此，本文在全面学习工程法轧制压力计算过程，建立了基于神经网络的轧制压力预测模型。其次，通过深入研究轧机液压AGC系统的关键环节——伺服阀、液压缸流量方程、负载力平衡方程及传感器等，建立了液压AGC位置伺服控制系统的动态模型。最后，针对液压AGC系统的内环环节——液压位置自动控制（Automatic positioncontrol）系统存在多变量、强耦合、非线性等特性，本文在控制器设计上提出利用先进的无模型自适应控制方案。在深入学习无模型自适应控制原理的基础上，通过利用无模型自适应控制的控制律，并结合伪偏导数的估计算法构成完整的无模型自适应液压APC控制方案。接着利用MATLAB下SIMULINK强大的模块处理能力，搭建了无模型自适应控制的MFAC控制器模块。通过对比PID、神经网络在液压APC系统中的仿真，结果表明，无模型自适应控制收敛快，稳态误差小，抗扰性强。证明了无模型自适应控制对液压位置控制的有效性。
孙明军[8]（2012）在《双机架平整机延伸率控制系统技术研究》文中指出本文建立在连续退火生产线上的双机架平整机项目基础之上，结合平整延伸率控制理论与现场实际情况，通过大量的现场调研与数据收集及实验，对平整过程中延伸率的控制进行理论分析与研究，取得了良好研究结果。平整轧制是确保冷轧带钢成品质量的关键工序，延伸率是平整轧制中最重要的工艺参数，带钢延伸率的大小以及平稳程度直接影响带钢的平整质量和机械深度加工的性能。本文针对双机架平整机延伸率控制的特点，进行了以下研究：（1）介绍了双机架平整机延伸率控制系统的组成以及延伸率测量原理，提出了适用于双机架平整机延伸率控制的控制方式。同时，重点研究了双机架平整机延伸率控制模型以及液压压下系统，为后续生产过程中延伸率控制提供了理论基础。（2）结合带钢冷轧轧制过程基本理论和小波神经网络基本理论，建立了基于小波神经网络的双机架平整机轧制力预测模型。采用现场实测数据，对所建模型进行学习、训练和测试，其模型精度大大优于基于BP神经网络的轧制力模型，满足工程应用的要求。（3）本文设计了DMC-PID串级延伸率控制策略，实现带钢延伸率的在线控制，利用SIMULINK仿真，结果证明，与传统PID-PID串级控制相比，DMC-PID串级控制具有更好的动态性能、跟踪性能和抗干扰性能，对双机架平整机延伸率控制具有较好的控制效果以及较高的实际应用价值。
郑申白,王彦辉,张洪哲,张荣华[9]（2009）在《基于MATLAB的BP网络预报板带连轧机轧制力参数》文中研究说明应用MATLAB神经网络工具箱中BP网络函数,建立了预报板带热连轧轧制压力的BP网络。预报计算表明:BP网络在样本参数变动领域内计算精度较好,预报热连轧轧制压力的相对误差小于6%。权值和阀值移植到连轧仿真中,必须选择宽范围样本,才能进行轧制力在线预报。
王睿[10]（2008）在《无头连续轧制移动式闪光焊机智能化控制的研究》文中研究说明无头轧制是一个集冶金、机械、电气、液压、材料、焊接、计算机控制等多技术相互交融的复杂系统,其运用焊接方法,把钢坯头与尾焊接在一起,连续不断地把钢坯送进轧机进行连续轧制。无头轧制技术的难点是钢坯的连接技术问题,即要在非常短的时间内将高速运动的钢坯连接起来。对于大截面钢材的焊接,通常可以采用电磁感应焊、激光焊和闪光对焊等。目前国外多采用闪光对焊技术来实现钢坯的连接。本文针对无头轧制技术的要求,对移动式闪光焊机的关键技术—液压系统精确控制,大功率主电路设计以及焊机行走系统的同步控制进行了深入的研究。液压系统精确控制是无头轧制闪光焊机的关键技术之一,考虑到在焊接的闪光阶段,为保证焊接的顺利进行,动夹具的送进速度必须等于闪光烧化速度,提出了参数自调节模糊—单神经元网络控制方法,该方法采用模糊技术对单神经元学习速率进行动态调整,在线调整控制器的学习速率,将模糊控制和单神经元控制并行结合,发挥两种智能控制方法的优势,实现顶锻液压系统的高精度位置跟踪。在闪光焊接的顶锻阶段,顶锻液压缸的输出力尽可能保持一致且同时达到最大,针对存在机械耦合的液压并联同步加载系统,采用二级模糊自调整PID控制策略,第一级模糊PID控制应用于基准通道,第二级模糊PID控制应用于同步通道,实时地调整PID参数以达到系统的同步运动。仿真结果表明该控制方法能有效减少两个系统的压力动态同步误差。闪光焊机的电源系统具有多变量、强耦合、非线性和时变性的特点,很难建立其精确的数学模型,本文在Simulink环境下对闪光焊机的电源整体（包括“功率变换器-数字控制系统-动态电阻负载”）进行了建模和仿真研究,建立基于Simulink功率模块的具有非线性特征的主电路模型以及动态电阻负载模型。研究表明,所建模型能够真实的模拟闪光焊接的动态过程,为闪光焊机电源系统的可靠控制提供了理论依据。闪光焊机行走过程中存在静摩擦、库伦摩擦及粘性阻尼,其行走同步系统是一个典型的大惯性、非线性系统。针对闪光焊机行走同步控制,建立了行走同步控制系统的数学模型,制定了基于遗传算法和BP神经网络PID控制策略,该策略运用遗传算法优化BP网络的初始连接权系数,得到一组接近最佳的BP网络初始权值的参数组合,再通过BP算法改变网络权值,实现PID参数的在线调整,实现了焊机与轧制坯的同步跟踪,有效改善了焊机的动态跟踪性能。
二、基于BP网络的平整轧制压力计算（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于BP网络的平整轧制压力计算（论文提纲范文）
（1）六辊可逆冷轧机全轧程轧制力预测的方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 冷轧工艺的生产流程 |
| 1.3 可逆冷轧机的轧制过程 |
| 1.4 轧制力预测方法的研究现状 |
| 1.5 研究的主要内容 |
| 2 冷轧过程的理论基础及轧制参数数学模型的设定 |
| 2.1 冷轧过程中的几何参数 |
| 2.1.1 变形区 |
| 2.1.2 简单轧制 |
| 2.1.3 咬入角和接触弧长 |
| 2.1.4 体积不变原理和金属秒流量相等法则 |
| 2.1.5 中性角的定义及计算 |
| 2.1.6 前滑值的计算公式 |
| 2.2 轧制力的数学公式 |
| 2.2.1 冷轧轧制力计算的特点 |
| 2.2.2 常用轧制力的数学模型 |
| 2.3 影响轧制力的参数变量 |
| 2.3.1 摩擦系数 |
| 2.3.2 变形抗力 |
| 2.3.3 张力 |
| 2.4 摩擦系数的数学模型 |
| 2.4.1 计算公式 |
| 2.4.2 拟合模型 |
| 2.5 变形抗力的数学模型 |
| 2.5.1 计算公式 |
| 2.5.2 拟合模型 |
| 2.6 本章小结 |
| 3 结合数学模型和神经网络预测轧制力 |
| 3.1 数学模型下全轧程轧制力预测 |
| 3.1.1 稳速段模型库 |
| 3.1.2 变速段模型库 |
| 3.1.3 预测精度的评价指标 |
| 3.1.4 全轧程预测结果及分析 |
| 3.2 全轧程参数的变化特点 |
| 3.2.1 轧制力与轧制速度的关系 |
| 3.2.2 轧制速度与摩擦系数的关系 |
| 3.3 神经网络对轧制力的偏差补偿研究 |
| 3.3.1 算法原理及训练流程 |
| 3.3.2 结构设计 |
| 3.3.3 参数设定 |
| 3.4 仿真结果及分析 |
| 3.5 本章小结 |
| 4 GA-BP神经网络预测轧制力 |
| 4.1 使用神经网络预测轧制力 |
| 4.2 GA算法优化神经网络 |
| 4.2.1 主要特征 |
| 4.2.2 基本要素 |
| 4.2.3 计算流程 |
| 4.3 GA-BP混合算法优化流程 |
| 4.4 轧制力预测仿真及结果分析 |
| 4.5 本章小结 |
| 5 基于LSTM神经网络的轧制力预测 |
| 5.1 抽象问题 |
| 5.2 LSTM神经网络 |
| 5.2.1 实现原理 |
| 5.2.2 训练过程 |
| 5.3 构建网络结构 |
| 5.3.1 输入参数 |
| 5.3.2 隐含层神经元数 |
| 5.3.3 轧制力预测步骤 |
| 5.4 预测结果及分析 |
| 5.4.1 不同参数下的预测结果 |
| 5.4.2 LSTM神经网络的预测结果及分析 |
| 5.4.3 多种方法预测结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（2）二十辊冷轧机板形影响因素研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 二十辊冷轧机特点 |
| 1.3 国内外研究现状 |
| 1.4 主要研究内容 |
| 2 有限元理论分析与板形评价方法 |
| 2.1 有限元理论介绍 |
| 2.1.1 有限元方法概念 |
| 2.1.2 有限元在轧制仿真中的应用 |
| 2.1.3 有限元分析中的非线性问题 |
| 2.1.4 有限元算法的确定 |
| 2.1.5 有限元仿真软件的确定 |
| 2.2 板形基本知识简介 |
| 2.2.1 板形基本概念 |
| 2.2.2 板形不良的介绍 |
| 2.2.3 板形平直度表示方法 |
| 2.3 本章小结 |
| 3 二十辊冷轧机有限元建模 |
| 3.1 二十辊冷轧机的结构 |
| 3.2 二十辊冷轧机物理模型 |
| 3.3 二十辊冷轧机有限元建模 |
| 3.3.1 二十辊冷轧机基本参数 |
| 3.3.2 冷轧机有限元模型的建立 |
| 3.3.3 边界条件与工艺参数的设定 |
| 3.3.4 有限元求解 |
| 3.4 本章小结 |
| 4 二十辊冷轧机仿真结果与板形控制 |
| 4.1 动态轧制过程仿真 |
| 4.1.1 动态轧制工艺参数的设定 |
| 4.1.2 动态仿真结果及分析 |
| 4.2 板形指数影响因素与分析 |
| 4.2.1 板宽对板形指数的影响 |
| 4.2.2 板厚对板形指数的影响 |
| 4.2.3 轧件张力对板形指数的影响 |
| 4.2.4 轧件速度对板形指数的影响 |
| 4.3 支承辊ASU径向调整对板形的影响 |
| 4.3.1 支承辊ASU径向调整结构与原理 |
| 4.3.2 ASU调整对板形影响 |
| 4.4 板带初始缺陷下冷轧板形 |
| 4.4.1 初始板带的缺陷 |
| 4.4.2 二十辊冷轧机静力有限元模拟 |
| 4.4.3 结果的分析与讨论 |
| 4.5 本章小结 |
| 5 基于神经网络的板形指数预测与优化 |
| 5.1 BP神经网络 |
| 5.1.1 BP神经网络结构 |
| 5.1.2 BP神经网络学习过程 |
| 5.1.3 BP神经网络优缺点 |
| 5.2 BP神经网络的板型指数预测实验 |
| 5.2.1 板形预测模型结构 |
| 5.2.2 板形指数预测模型设计 |
| 5.3 基于BP神经网络板形预测模型学习及分析 |
| 5.4 GA-PSO混合算法优化板形预测模型 |
| 5.4.1 GA结合PSO优化BP神经网络模型 |
| 5.4.2 算法参数的确定 |
| 5.4.3 优化结果分析 |
| 5.4.4 GA-PSO算法对板形预测模型优化 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（3）基于广义回归神经网络的轧制力预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 轧制力模型的发展 |
| 1.3 神经网络的发展 |
| 1.4 神经网络轧制力预测现状 |
| 1.5 本文主要研究内容 |
| 第2章 神经网络 |
| 2.1 机器学习 |
| 2.1.1 机器学习概论 |
| 2.1.2 机器学习模型任务 |
| 2.2 单层感知器 |
| 2.2.1 M_P神经元模型 |
| 2.2.2 单层感知器的结构 |
| 2.2.3 单层感知器的学习算法 |
| 2.2.4 单层感知器的局限性 |
| 2.3 线性神经网络 |
| 2.3.1 线性神经网络的结构 |
| 2.3.2 线性神经网络的算法 |
| 2.4 BP神经网络 |
| 2.4.1 BP神经网络的结构 |
| 2.4.2 最速下降法 |
| 2.4.3 BP神经网络的学习算法 |
| 2.4.4 BP神经网络的局限性 |
| 2.5 反馈神经网络 |
| 2.5.1 离散型Hopfield |
| 2.5.2 Elman神经网络 |
| 2.5.3 反馈神经网络的局限性 |
| 2.6 极限学习机 |
| 2.6.1 极限学习机的结构 |
| 2.6.2 极限学习机的学习算法 |
| 2.7 径向基神经网络 |
| 2.7.1 径向基函数 |
| 2.7.2 正则化网络 |
| 2.7.3 广义径向基网络 |
| 2.7.4 径向基神经网络的学习算法 |
| 2.8 广义回归神经网络 |
| 2.8.1 网络理论基础 |
| 2.8.2 广义回归神经网络的网络结构 |
| 2.8.3 广义回归神经网络的运算操作 |
| 2.9 本章小结 |
| 第3章 轧制力模型 |
| 3.1 传统的轧制力模型 |
| 3.1.1 热连轧的生产工艺 |
| 3.1.2 传统轧制力模型 |
| 3.1.3 热连轧的模型自学习 |
| 3.2 FOA-GRNN的轧制力预测模型 |
| 3.2.1 主成分分析法 |
| 3.2.2 果蝇优化算法 |
| 3.2.3 FOA-GRNN的轧制力预测模型 |
| 3.3 本章小结 |
| 第4章 轧制力预测的模型研究 |
| 4.1 数据准备 |
| 4.1.1 特征选择与提取 |
| 4.1.2 特征读取 |
| 4.1.3 数据处理 |
| 4.2 FOA对 GRNN的优化 |
| 4.2.1 FOA的参数设定 |
| 4.2.2 FOA的优化计算 |
| 4.3 FOA-GRNN轧制力模型仿真分析 |
| 4.3.1 交叉验证 |
| 4.3.2 FOA对 GRNN的优化仿真 |
| 4.3.3 FOA-GRNN的轧制力模型仿真 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（4）基于GA-BP神经网络的锂电池极片厚度控制系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 厚度控制系统的发展现状 |
| 1.2.2 神经网络的研究现状 |
| 1.2.3 遗传算法的研究现状 |
| 1.3 课题的研究内容 |
| 第二章 锂电池极片厚度控制系统的基本原理 |
| 2.1 锂电池极片轧制过程简述 |
| 2.1.1 锂电池极片生产流程 |
| 2.1.2 极片控制系统特点 |
| 2.2 电池极片厚度控制基本模型 |
| 2.2.1 轧机刚度变形分析 |
| 2.2.2 轧辊弹性变形分析 |
| 2.2.3 轧制压力理论计算 |
| 2.3 锂电池极片厚度控制的主要影响因素 |
| 2.4 本章小结 |
| 第三章 基于神经网络的极片厚度控制的预测模型 |
| 3.1 神经网络的基本概述 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络算法原理 |
| 3.2.2 BP神经网络的学习步骤 |
| 3.3 BP神经网络极片厚度预测模型结构设计 |
| 3.3.1 样本选择与数据预处理 |
| 3.3.2 BP神经网络的拓扑结构 |
| 3.3.3 BP神经网络的参数设计 |
| 3.4 BP神经网络的训练与预测 |
| 3.4.1 BP神经网络的工具箱函数 |
| 3.4.2 BP神经网络的仿真结果分析 |
| 3.5 本章小结 |
| 第四章 遗传算法优化的BP神经网络 |
| 4.1 BP神经网络的缺陷 |
| 4.2 BP神经网络的改进方法 |
| 4.3 遗传算法优化BP神经网络 |
| 4.3.1 遗传算法的理论基础 |
| 4.3.2 遗传算法的特点 |
| 4.3.3 遗传算法流程 |
| 4.3.4 遗传算法对BP神经网络的优化 |
| 4.4 基于GA-BP算法的锂电池极片厚度模型建立 |
| 4.4.1 BP神经网络的结构 |
| 4.4.2 遗传编码 |
| 4.4.3 适应度函数 |
| 4.4.4 操作算子 |
| 4.5 本章小结 |
| 第五章 基于GA-BP神经网络的极片厚度控制的预测 |
| 5.1 GA-BP算法设计 |
| 5.2 仿真测试 |
| 5.3 仿真实验结果分析 |
| 5.4 本章小结 |
| 第六章 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（5）基于PSO-BP神经网络的双机架炉卷轧机轧制力预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 双机架炉卷轧机的发展概况 |
| 1.2 双机架炉卷轧机的结构和轧制工艺流程 |
| 1.3 国内外神经网络预测轧制力的研究现状 |
| 1.4 本文研究背景、意义及其主要内容 |
| 1.5 论文组织结构 |
| 第二章 双机架炉卷轧机轧制力数学模型 |
| 2.1 轧制力数学模型的概况 |
| 2.1.1 热轧理论数学模型的发展状况 |
| 2.1.2 轧制力数学模型的作用 |
| 2.1.3 影响轧制力的参数变量 |
| 2.2 轧制变形区基本工艺参数 |
| 2.3 轧制压力模型的理论基础 |
| 2.4 轧制前后基本规律 |
| 2.4.1 轧制前后轧件体积不变定律 |
| 2.4.2 轧制前后流量恒定定律 |
| 2.4.3 轧制压力F及压下位置的控制关系 |
| 2.4.5 轧件塑性变形阻力 |
| 2.5 本章小结 |
| 第三章 BP神经网络模型预测双机架炉卷轧机轧制力 |
| 3.1 神经网络概述 |
| 3.2 BP神经网络 |
| 3.2.1 BP网络的算法结构 |
| 3.2.2 BP网络的学习算法原理 |
| 3.2.3 BP网络算法流程 |
| 3.3 BP神经网络预测双机架炉卷轧机轧制力 |
| 3.3.1 BP网络轧制力模型的建立步骤 |
| 3.3.2 BP网络输入输出层节点数的确定 |
| 3.3.3 BP网络隐含层神经元节点数的确定 |
| 3.3.4 BP神经网络预测轧制力参数设定 |
| 3.4 轧制力样本测试及仿真结果分析 |
| 3.5 本章小结 |
| 第四章 PSO-BP神经网络预测双机架炉卷轧机轧制力 |
| 4.1 概述 |
| 4.2 PSO算法原理 |
| 4.3 PSO算法数学描述 |
| 4.4 PSO算法的参数设定 |
| 4.5 PSO算法优化流程 |
| 4.6 PSO-BP混合算法在炉卷轧机轧制力预测中的应用 |
| 4.6.1 PSO算法优化BP网络的权值 |
| 4.6.2 PSO-BP混合算法流程 |
| 4.6.3 PSO-BP网络预测轧制力 |
| 4.6.4 PSO-BP预测轧制力仿真及结果分析 |
| 4.7 本章小结 |
| 第五章 改进的PSO-BP算法在轧制力预测中的应用 |
| 5.1 引入惯性权重因子 |
| 5.2 改进粒子群算法和BP神经网络算法相融合 |
| 5.3 改进的PSO-BP网络融合算法流程 |
| 5.4 改进的PSO-BP算法对轧制力的预测及结果分析 |
| 5.5 本章总结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录: 攻读硕士学位期间的科研成果 |
（6）冷轧带肋钢筋机械性能的智能预测方法与工艺参数优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| Extended Abstract |
| 目录 |
| Contents |
| 图清单 |
| 表清单 |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 冷轧带肋钢筋产品特点及工艺过程概述 |
| 1.3 冷轧钢筋的国内外研究现状 |
| 1.4 论文的研究内容与主要工作 |
| 1.5 本章小结 |
| 2 金属轧制成形原理与样本变量空间的划分 |
| 2.1 金属轧制成形原理 |
| 2.2 设计变量的选取与样本变量空间的划分 |
| 2.3 本章小结 |
| 3 基于线性映射和回归分析的冷轧带肋钢筋机械性能预测 |
| 3.1 引言 |
| 3.2 基于线性映射的冷轧带肋钢筋机械性能预测模型 |
| 3.3 基于线性回归分析的冷轧带肋钢筋机械性能预测模型 |
| 3.4 基于非线性回归分析的冷轧带肋钢筋机械性能预测模型 |
| 3.5 冷轧带肋钢筋机械性能预测方法的比较 |
| 3.6 本章小结 |
| 4 基于 BP 神经网络的冷轧带肋钢筋机械性能预测 |
| 4.1 神经网络概述 |
| 4.2 面向冷轧带肋钢筋机械性能预测的 BP 神经网络设计 |
| 4.3 基于原材料初始强度划分样本空间的冷轧带肋钢筋机械性能BP 神经网络预测模型 |
| 4.4 基于工艺参数间距离划分样本空间的冷轧带肋钢筋机械性能BP 神经网络预测模型 |
| 4.5 基于全样本空间的冷轧带肋钢筋机械性能BP 神经网络预测模型 |
| 4.6 不同样本变量空间下 BP 神经网络预测性能比较 |
| 4.7 本章小结 |
| 5 基于径向基函数网络的冷轧带肋钢筋机械性能预测 |
| 5.1 径向基函数网络简介 |
| 5.2 基于原材料初始强度划分样本空间的冷轧带肋钢筋机械性能RBF 网络预测 |
| 5.3 基于工艺参数间距离划分样本空间的冷轧钢筋机械性能RBF 网络预测 |
| 5.4 基于全样本空间的冷轧带肋钢筋机械性能 RBF 网络预测 |
| 5.5 不同样本空间划分下 RBF 网络预测性能比较 |
| 5.6 本章小结 |
| 6 基于遗传算法和径向基函数网络的冷轧工艺参数优化研究 |
| 6.1 冷轧工艺参数优化问题的由来 |
| 6.2 遗传算法简介与多目标优化数学模型 |
| 6.3 冷轧带肋钢筋工艺优化模型及工作流程 |
| 6.4 实例与分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）特钢棒材轧制的AGC控制系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 课题研究的背景 |
| 1.2 国内外棒材轧制的发展现状 |
| 1.3 研究棒材 AGC 控制的目的及意义 |
| 1.4 本文主要研究内容 |
| 1.5 本章小结 |
| 2 液压 AGC 特钢棒材轧制生产工艺 |
| 2.1 棒材轧辊辊形介绍 |
| 2.2 连续轧制的基本概念 |
| 2.3 基于 AGC 的棒材生产工艺流程 |
| 2.4 影响棒材精度的因素 |
| 2.4.1 坯料断面尺寸的波动 |
| 2.4.2 微张力控制和坯料温度不均的相互影响 |
| 2.4.3 活套控制方法的影响 |
| 2.4.4 轧件的材质影响 |
| 2.4.5 轧辊温度的影响 |
| 2.5 轧制弹塑性理论 |
| 2.5.1 弹性方程 |
| 2.5.2 塑性方程 |
| 2.5.3 弹塑性方程 |
| 2.6 液压 AGC 控制原理 |
| 2.6.1 反馈 AGC 控制 |
| 2.6.2 前馈 AGC 控制 |
| 2.6.3 测厚式 AGC 控制 |
| 2.7 基于 AGC 的棒材连轧控制系统设计 |
| 2.8 本章小结 |
| 3 基于神经网络的棒材轧制压力预测模型 |
| 3.1 BP 神经网络 |
| 3.1.1 BP 神经网络拓扑结构 |
| 3.1.2 BP 神经算法原理 |
| 3.1.3 BP 神经网络算法流程 |
| 3.2 BP 神经网络的轧制压力模型设计 |
| 3.2.1 工程法轧制压力 |
| 3.2.2 输入与输出层的设计 |
| 3.2.3 隐层的设计 |
| 3.3 模型的训练 |
| 3.3.1 数据的归一化 |
| 3.3.2 BP 网络的训练 |
| 3.3.3 BP 网络预测 |
| 3.4 基于 BP 网络的 AGC 系统 |
| 3.5 本章小结 |
| 4 液压AGC 系统数学模型 |
| 4.1 电液位置伺服控制系统 |
| 4.2 液压 APC 基本方程 |
| 4.2.1 伺服阀基本方程 |
| 4.2.2 液压缸流量方程 |
| 4.2.3 液压缸力平衡方程 |
| 4.2.4 背压方程 |
| 4.2.5 位置传感器 |
| 4.2.6 液压 APC 的控制器 |
| 4.3 液压 AGC 的动态数学模型 |
| 4.4 本章小结 |
| 5 棒材轧机液压 AGC 控制算法研究 |
| 5.1 无模型自适应控制原理 |
| 5.2 控制律与特征参量辨识 |
| 5.2.1 控制律导出 |
| 5.2.2 伪偏导数估计 |
| 5.3 无模型自适应控制算法解析 |
| 5.4 MFAC 控制律稳定性分析 |
| 5.5 MFAC 控制模块开发 |
| 5.5.1 MFAC SIMULINK 模块的搭建 |
| 5.5.2 MFAC 模块封装 |
| 5.5.3 MFAC 控制器性能仿真测试 |
| 5.6 MFAC 算法的液压 APC 仿真模型 |
| 5.7 MFAC 液压伺服动态仿真测试 |
| 5.7.1 MFAC APC 控制器的精度特性 |
| 5.7.2 响应速度特性 |
| 5.7.3 MFAC APC 变模型的鲁棒性 |
| 5.8 本章小结 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（8）双机架平整机延伸率控制系统技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 图目录 |
| 表目录 |
| 第1章 绪论 |
| 1.1 课题研究的目的与意义 |
| 1.2 国内外平整机发展状况 |
| 1.3 人工智能在轧制领域的应用 |
| 1.4 本文的主要研究内容 |
| 第2章 双机架平整机控制系统及其工艺分析 |
| 2.1 双机架平整机延伸率控制系统简介 |
| 2.2 延伸率控制的基本原理 |
| 2.2.1 延伸率的定义 |
| 2.2.2 延伸率的控制方式 |
| 2.2.3 延伸率控制方式的选择 |
| 2.2.4 延伸率的影响因素 |
| 2.3 双机架平整机延伸率控制模型 |
| 2.3.1 双机架平整机平整方式 |
| 2.3.2 双机架平整机延伸率控制方式 |
| 2.3.3 本文双机架平整机控制模型 |
| 2.4 液压压下控制系统 |
| 2.5 本章小结 |
| 第3章 基于小波神经网络的轧制力预报模型的研究 |
| 3.1 冷轧带钢轧制力数学模型 |
| 3.1.1 Bland-Ford-Hill 轧制力公式 |
| 3.1.2 轧辊压扁公式 |
| 3.1.3 轧制力显式公式的推导 |
| 3.2 神经网络理论 |
| 3.2.1 神经网络的发展 |
| 3.2.2 神经网络的类型 |
| 3.2.3 神经网络的特点 |
| 3.3 小波神经网络 |
| 3.3.1 小波分析及变换 |
| 3.3.2 小波神经网络构造的基础 |
| 3.3.3 小波分析与神经网络的结合途径 |
| 3.3.4 小波神经网络的学习算法 |
| 3.4 小波神经网络在轧制力预报中的应用 |
| 3.4.1 小波神经网络的结构确定 |
| 3.4.2 网络输入、输出变量的选择 |
| 3.4.3 训练样本的选择与处理 |
| 3.4.4 网络训练目标的确定 |
| 3.4.5 网络参数初始值的选取 |
| 3.4.6 激励函数的选择 |
| 3.4.7 隐含层数及其隐节点数的选取 |
| 3.4.8 两种网络建模的对比 |
| 3.5 本章小结 |
| 第4章 DMC-PID 串级控制在延伸率控制系统中的应用 |
| 4.1 串级控制系统 |
| 4.1.1 串级控制系统结构 |
| 4.1.2 串级控制的工作过程及其优点 |
| 4.1.3 串级控制系统的设计原则 |
| 4.2 动态矩阵控制的算法研究及参数设计 |
| 4.2.1 动态矩阵算法研究 |
| 4.2.2 动态矩阵控制的参数设计 |
| 4.3 DMC-PID 在延伸率控制系统中的应用 |
| 4.3.1 DMC-PID 串级延伸率控制系统结构 |
| 4.3.2 仿真研究 |
| 4.3.3 现场调试 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的学术论文和参加科研情况 |
（10）无头连续轧制移动式闪光焊机智能化控制的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1-1 本论文的研究背景 |
| §1-2 无头轧制技术与钢坯闪光对焊技术 |
| 1-2-1 无头轧制系统组成 |
| 1-2-2 无头轧制过程中钢坯的焊接技术 |
| 1-2-3 无头轧制工艺过程分析 |
| 1-2-4 闪光对焊原理 |
| 1-2-5 钢坯闪光焊机的发展与现状 |
| §1-3 无头轧制技术中闪光焊机关键技术分析 |
| 1-3-1 闪光焊机液压控制系统 |
| 1-3-2 闪光焊机电源供电系统 |
| 1-3-3 闪光焊机行走同步系统 |
| §1-4 本论文主要研究内容 |
| 第二章 无头轧制技术闪光焊机系统 |
| §2-1 闪光焊机系统概述 |
| §2-2 闪光焊机机械系统 |
| 2-2-1 夹紧系统 |
| 2-2-2 顶锻系统 |
| 2-2-3 去瘤装置 |
| 2-2-4 机架与导轨 |
| §2-3 闪光焊机电源系统 |
| 2-3-1 闪光焊机电源的特点 |
| 2-3-2 闪光焊机电源主电路的基本结构 |
| 2-3-3 无头轧制技术闪光焊机电源主电路的结构 |
| §2-4 闪光焊机行走同步控制系统 |
| §2-5 本章小结 |
| 第三章 无头轧制闪光焊机液压伺服神经网络模糊控制系统 |
| §3-1 钢坯闪光对焊工艺过程 |
| 3-1-1 闪光对焊接头形成过程特点 |
| 3-1-2 闪光过程自调节效应 |
| 3-1-3 闪光对焊工艺参数 |
| §3-2 闪光焊机液压系统概述 |
| 3-2-1 闪光焊机液压源回路系统 |
| 3-2-2 闪光焊机夹紧液压系统 |
| 3-2-3 闪光焊机顶锻液压系统 |
| §3-3 无头轧制技术钢坯闪光焊接液压系统模型建立与动态分析 |
| 3-3-1 液压系统理论建模 |
| 3-3-2 焊接过程动态分析与系统校正 |
| §3-4 闪光阶段单神经元网络模糊控制模型及仿真 |
| 3-4-1 模糊控制算法 |
| 3-4-2 自适应单神经元网络模糊控制算法及模型 |
| 3-4-3 闪光阶段控制策略的仿真及分析 |
| §3-5 顶锻阶段Ⅱ级模糊PID同步控制模型及仿真 |
| 3-5-1 同步控制策略 |
| 3-5-2 Ⅱ级模糊PID控制器设计 |
| 3-5-3 顶锻阶段控制策略的仿真及分析 |
| §3-6 本章小结 |
| 第四章 无头轧制技术闪光焊机电源系统模型的建立与仿真 |
| §4-1 无头轧制技术闪光焊机电源系统主电路的Simulink模型 |
| 4-1-1 无头轧制技术闪光焊机电源系统 |
| 4-1-2 主电路的Simulink模型 |
| §4-2 离散PI控制器的Simulink模型 |
| 4-2-1 PI控制规律离散化 |
| 4-2-2 离散PI控制器的Simulink模型 |
| §4-3 动态电阻负载模型 |
| 4-3-1 动态电阻负载物理意义 |
| 4-3-2 动态电阻负载Simulink模型及仿真 |
| 4-3-3 动态负载模型与电源系统的连接 |
| 4-3-4 同步脉冲触发器 |
| §4-4 无头轧制技术闪光焊机电源系统Simulink模型 |
| 4-4-1 主电路工作原理 |
| 4-4-2 主电路关键元件参数计算 |
| §4-5 无头轧制技术闪光焊机电源系统仿真分析 |
| §4-6 本章小结 |
| 第五章 无头轧制技术闪光焊机行走系统同步跟踪控制 |
| §5-1 无头轧制技术闪光焊机行走同步系统 |
| 5-1-1 无头轧制技术闪光焊机行走系统运动分析 |
| 5-1-2 无头轧制技术闪光焊机行走系统变频调速 |
| §5-2 无头轧制技术闪光焊机传动系统数学模型 |
| §5-3 神经网络PID控制策略 |
| 5-3-1 单神经元的PID控制算法 |
| 5-3-2 BP神经网络在线调整PID参数控制算法 |
| 5-3-3 CMAC神经网络与PID的并行控制算法 |
| 5-3-4 遗传算法的BP神经网络PID控制策略 |
| §5-4 遗传算法BP神经网络PID控制的闪光焊机移动控制策略及仿真分析 |
| §5-5 本章小结 |
| 第六章 结论与展望 |
| §6-1 论文总结与创新点 |
| §6-2 进一步研究内容 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间所取得的相关科研成果 |
四、基于BP网络的平整轧制压力计算（论文参考文献）
- [1]六辊可逆冷轧机全轧程轧制力预测的方法研究[D]. 张书荣. 西安理工大学, 2021(01)
- [2]二十辊冷轧机板形影响因素研究[D]. 王兴. 西安理工大学, 2021(01)
- [3]基于广义回归神经网络的轧制力预测[D]. 郭城. 冶金自动化研究设计院, 2021(01)
- [4]基于GA-BP神经网络的锂电池极片厚度控制系统研究[D]. 杨欢. 河北工业大学, 2018(07)
- [5]基于PSO-BP神经网络的双机架炉卷轧机轧制力预测[D]. 王智. 昆明理工大学, 2017(01)
- [6]冷轧带肋钢筋机械性能的智能预测方法与工艺参数优化研究[D]. 邢邦圣. 中国矿业大学, 2013(06)
- [7]特钢棒材轧制的AGC控制系统的研究[D]. 冯小东. 内蒙古科技大学, 2013(06)
- [8]双机架平整机延伸率控制系统技术研究[D]. 孙明军. 机械科学研究总院, 2012(10)
- [9]基于MATLAB的BP网络预报板带连轧机轧制力参数[A]. 郑申白,王彦辉,张洪哲,张荣华. 第六届华北（扩大）塑性加工学术年会文集, 2009
- [10]无头连续轧制移动式闪光焊机智能化控制的研究[D]. 王睿. 河北工业大学, 2008(08)