摘要 | 第3-4页 |
Abstract | 第4-5页 |
1 绪 论 | 第8-14页 |
1.1 课题研究背景及意义 | 第8-9页 |
1.2 国内外预测模型与能耗预测方法的研究现状 | 第9-12页 |
1.2.1 国内外预测模型的研究 | 第9-10页 |
1.2.2 国内外能耗预测方法的研究 | 第10-11页 |
1.2.3 基于BP神经网络方法能耗预测模型的研究 | 第11-12页 |
1.3 国内外纤维热磨过程能耗模型的研究现状 | 第12-13页 |
1.4 本文的主要研究内容 | 第13-14页 |
2 纤维热磨过程分析与预测方法研究 | 第14-22页 |
2.1 纤维热磨能耗及纤维质量的主要影响因素分析 | 第14-17页 |
2.1.1 原材料配比与木片含水率 | 第14-15页 |
2.1.2 木片蒸煮 | 第15-16页 |
2.1.3 磨片间隙 | 第16-17页 |
2.1.4 出料螺旋转速、排料阀开启度与磨室压力 | 第17页 |
2.2 纤维热磨能耗预测方法的研究 | 第17-21页 |
2.2.1 人工神经网络概述 | 第17页 |
2.2.2 BP神经网络 | 第17-18页 |
2.2.3 BP神经网络学习原理 | 第18-19页 |
2.2.4 BP神经网络特点与应用 | 第19-20页 |
2.2.5 BP神经网络的设计 | 第20-21页 |
2.3 本章小结 | 第21-22页 |
3 纤维热磨能耗和纤维质量预测模型方案的研究 | 第22-29页 |
3.1 基于灰色关联分析法的纤维热磨过程影响因素的确定 | 第22-27页 |
3.1.1 纤维热磨能耗主要影响因素的确定 | 第24-25页 |
3.1.2 纤维质量主要影响因素的确定 | 第25-27页 |
3.2 基于确定影响因素的预测模型方案设计 | 第27-28页 |
3.3 本章小结 | 第28-29页 |
4 基于BP神经网络纤维热磨过程预测模型的研究 | 第29-40页 |
4.1 预测模型训练数据的处理 | 第29-30页 |
4.2 BP神经网络结构的设置 | 第30-34页 |
4.2.1 BP神经网络输入输出的确定 | 第30-31页 |
4.2.2 BP神经网络结构参数确定 | 第31-34页 |
4.3 预测模型的建立 | 第34-39页 |
4.3.1 预测模型的训练 | 第36-37页 |
4.3.2 预测模型训练结果 | 第37-38页 |
4.3.3 预测模型的验证 | 第38-39页 |
4.4 本章小结 | 第39-40页 |
5 纤维热磨过程预测模型的应用 | 第40-49页 |
5.1 基于预测模型单因素的影响分析 | 第40-44页 |
5.1.1 各因素对纤维热磨能耗的影响分析 | 第40-42页 |
5.1.2 各因素对纤维质量的影响分析 | 第42-44页 |
5.2 基于预测模型的多因素预测 | 第44-45页 |
5.3 预测模型应用实例 | 第45-48页 |
5.3.1 实验条件 | 第45页 |
5.3.2 实验结果 | 第45-46页 |
5.3.3 基于预测结果树皮含量的优化分析 | 第46-48页 |
5.4 本章小结 | 第48-49页 |
结论 | 第49-50页 |
参考文献 | 第50-54页 |
附录 | 第54-56页 |
攻读学位期间发表的学术论文 | 第56-57页 |
致谢 | 第57-58页 |