基于神经网络的球铁球化处理喂线量的研究

论文摘要

喂线技术作为球墨铸铁球化处理的一种重要方法,已经被日益广泛地应用。但对于喂线量一直没有准确的公式依据,都是根据以往的经验值来操作。针对上述问题,基于人工神经网络专家系统,建立了喂线量计量系统。并利用MATLAB的模块功能建立了喂线技术中镁的加入量神经网络模型,实现了对其工艺参数与镁加入量关系的预测,其误差控制在7%以内。本文讨论了所建立系统的网络模型、判断推理、仿真、数据存储、界面设计等方面内容。同时,以Windows系列为操作平台,Access作为后台数据库,采用VC作为编程环境,实现面向对象的C++算法类。通过验证样本数据对系统的泛化能力进行检验,证明了基于神经网络的喂线量模型具有很好的拟合性,可以进行喂线量的决策工作。利用模拟得出的喂线量模型,分析了不同铁水量、铁水处理温度、初始硫含量时镁的加入量,并根据球化效果和经济效益确定铁水处理温度范围,结果与工业生产基本吻合。研究发现镁的加入量与铁水量呈近似线性关系,但是在铁水量少于4t时,实际需镁量稍高于理论计算值,铁水量多于4t时,则与理论值基本一致。本系统为构建神经网络模型及其在铸造方面的应用提供了一条可借鉴的途径和方法,可用于指导实际生产。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 本课题研究的背景
• 1.2 喂线技术研究水平和发展趋势
• 1.2.1 喂线技术研究水平
• 1.2.2 喂线技术发展趋势
• 1.3 本课题研究的意义与目的
• 1.4 本课题研究的主要内容
• 2 喂线技术
• 2.1 喂线技术的特点
• 2.1.1 包芯线
• 2.1.2 喂线机
• 2.2 影响喂线效果的因素
• 2.2.1 喂线速度对处理效果的影响
• 2.2.2 铁水处理温度对处理效果的影响
• 2.2.3 温度对镁在铁水中的溶解度的影响
• 3 专家系统与人工神经网络在铸造上的应用
• 3.1 基于人工神经网络技术的专家系统
• 3.1.1 专家系统（Expert System，ES）应用
• 3.1.2 人工神经网络应用
• 3.1.3 基于ANN 的ES 集成系统应用
• 3.2 神经网络模型
• 3.2.1 神经网络建模原理
• 3.2.2 BP 神经网络
• 3.3 面向MATLAB 的BP 神经网络原理
• 3.3.1 BP 神经元结构
• 3.3.2 标准BP 算法
• 4 喂线量系统网络模型
• 4.1 包芯线喂入量计算
• 4.2 开发工具的选择
• 4.2.1 知识库的构建
• 4.2.2 基于BP 神经网络的喂线量的模拟
• 4.2.3 网络的训练
• 4.2.4 泛化性能测试
• 4.3 结果与分析讨论
• 4.3.1 预测结果
• 4.3.2 分析
• 4.3.3 讨论
• 4.4 利用人工神经网络的专家系统求喂线量
• 4.4.1 知识存储
• 4.4.2 网络实际工作
• 4.5 系统的推理流程
• 5 面向对象的喂线量系统的具体实现
• 5.1 MATLAB 与VC++转化
• 5.1.1 算法的类设计及实现
• 5.2 程序框架的设计思路
• 5.2.1 设计工具的选择
• 5.2.2 系统程序框架
• 5.3 系统数据库设计及编程接口
• 5.3.1 数据库管理系统概述
• 5.3.2 数据库访问技术
• 5.3.3 数据库具体设计
• 5.3.4 数据库模块的编程接口
• 5.4 系统的界面设计
• 5.4.1 界面操作简介
• 5.5 分析与讨论
• 5.6 各因素对喂线量的影响分析
• 6 结论与课题展望
• 6.1 主要结论
• 6.2 研究展望
• 参考文献
• 附录
• 攻读学位期间发表的学术论文目录
• 致谢