| 【中文题名】 | 模糊神经网络在玻璃退火炉温度控制中的应用 |
| 【英文题名】 | |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2002-7-23 |
| 【中关键词】 | 玻璃退火炉,温度控制,模糊控制,神经网络,模糊神经网络,CAN总线 |
| 【英关键词】 | glass annealer furnace,temperature control,fuzzy control,neural network,fuzzy neural network,CAN bus, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>专家系统、知识工程> |
| 【论文摘要】 |
退火是玻璃生产过程的一个重要环节，退火温度的稳定直接影响着玻璃的质量和成品率。本文深入研究了智能控制中的人工神经网络和模糊控制技术的特点，并将二者的优点结合起来，设计了一种新型的控制器——模糊神经网络控制器，并将其应用到玻璃退火炉中，实现了对玻璃退火炉温度的精确控制。最后，本文用MATLAB做了仿真，结果是令人满意的。为了更好的实现对整个玻璃窑炉的生产过程的监控，提高玻璃生产的自动化程度，本文用CAN总线结构并用组态王5．1软件设计了退火炉的监控系统。 |
| 【论文题纲】 |
|
中文摘要 |
4-5 |
|
第一章 绪论 |
5-7 |
|
1．1 课题来源 |
5 |
|
1．2 已采用的控制方案及不足 |
5-6 |
|
1．3 本文所做的工作 |
6-7 |
|
第二章 神经网络与模糊控制 |
7-27 |
|
2．1 神经网络 |
7-19 |
|
2．1．1 神经网络的发展与应用 |
7-9 |
|
2．1．2 人工神经元模型 |
9-11 |
|
2．1．3 网络结构及工作方式 |
11-13 |
|
2．1．4 NN的学习 |
13-15 |
|
2．1．5 多层前馈神经网络 |
15-17 |
|
2．1．6 反向传播学习算法（BP算法） |
17-19 |
|
2．2 模糊控制 |
19-21 |
|
2．3 神经网络与模糊控制的结合 |
21-27 |
|
2．3．1 两者的结合是发展的必然 |
21-22 |
|
2．3．2 人工神经元网络与模糊系统的共同之处 |
22-23 |
|
2．3．3 人工神经元网络与模糊系统的异同之处 |
23-25 |
|
2．3．4 两者结合的基本方式 |
25-27 |
|
第三章 用模糊神经网络进行退火炉温度控制器设计 |
27-45 |
|
3．1 退火的原理 |
27-30 |
|
3．1．1 应力的产生 |
27-28 |
|
3．1．2 退火的原理和过程 |
28 |
|
3．1．3 炉窑的结构 |
28-29 |
|
3．1．4 控制方案的设计 |
29-30 |
|
3．2 用模糊神经网络设计温度控制器 |
30-42 |
|
3．2．1 常规模糊系统的等价神经网络 |
30-38 |
|
一、 常规模糊系统的模糊模型 |
30-32 |
|
二、 隶属函数网络模型的建立 |
32-33 |
|
三、 模糊神经网络控制模型的设计 |
33-35 |
|
四、 模糊神经网络的学习算法 |
35-38 |
|
3．2．2 温度控制器的设计 |
38-42 |
|
一、 模糊神经网络温度控制器的设计 |
38-40 |
|
二、 神经网络预测器NNP的结构 |
40-42 |
|
3．3 系统软件实现及仿真 |
42-45 |
|
第四章 退火炉监控系统的设计 |
45-53 |
|
4．1 现场总线概述 |
45-47 |
|
4．2 CAN总线在监控系统中的应用 |
47-48 |
|
4．3 组态王5．1在监控系统中的应用 |
48-53 |
|
第五章 结束语 |
53-54 |
|
参考文献 |
54-56 |
|
| 【DOI】 | LunWen.ID:2.2008.386560 |
