一、冷轧过程设计优化的神经网络方法（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》文中进行了进一步梳理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》文中研究表明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。
马季[3]（2021）在《基于机器学习的板带轧机大数据分析》文中研究指明随着计算机软硬件高速发展,目前在商业、物流运输等领域大数据技术得到广泛应用,并取得显着成效。而工业生产中通过传感器所采集数据能够反映设备多种状态信息,其数据量远高于其它领域,由于其复杂性,完全依赖人工并没有充分有效挖掘其内在价值。本课题以某厂二次冷轧机组生产过程所采集的海量数据为研究对象,通过机器学习的方法实现板带轧机大数据分析。首先介绍了研究的二次冷轧机组,数据对象来源形式,主要是轧机PDA（Process Data Acquisition）数据,轧制规程信息和轧机报表数据等。为实现高效的对轧机某一工况数据分析,将轧机的生产过程细化为:穿带、加速、恒速、减速、停机五种工况,以组合信号时频图作为样本,应用卷积神经网络（CNN）对其进行工况识别。其次通过数据可视化方式对轧机生产过程数据进行小波时频变换,直观了解不同工况下信号变化情况。为衡量轧制过程数据间相关关系,针对传统相关系数方法在非周期时序数据分析上的不足,提出以最大互信息系数来计算冷轧机组各机架间不同工况下轧制力、张力、弯辊力等两两信号相关关系,对轧制力逐步回归分析,得到多信号耦合情况下影响轧制力的关键因素。最后针对每卷带钢仅在所设测点测定相应变形抗力值,难以把握整卷带钢变形抗力分布问题,对其值进行预测研究。结合现场实测数据计算出摩擦系数,以轧制力公式逆算方法得到变形抗力理论值,将理论值与实测值的误差作为预测目标,通过两层前馈神经网络对带钢变形抗力进行预测,与直接以变形抗力实测值作为神经网络预测目标相比,提高了预测精度。带钢变形抗力反映其物理特性,可作为带钢质量评价指标,结合轧机生产数据与预测的变形抗力值对带钢质量进行模糊评价。
唐伟[4]（2020）在《冷轧2230产线宽板板形与稳定通板耦合机理研究》文中研究表明极限宽规格板带作为冷轧带钢中的极限产品,其产能产值标志着企业冷轧生产能力的强弱。出于市场需求,国内钢铁企业相继提出开展极限规格带钢生产规划,不断提升产线生产能力,拓展其宽规格带钢产品尺寸参数范围。受轧薄所带来的加工硬化影响,冷轧带钢生产需经轧制和连续退火后,才能满足用户使用。而连退过程中,炉辊倾斜、初始板形、炉内张力等因素综合影响,将致使冷轧带钢炉内跑偏,严重影响冷轧带钢连续退火的通板稳定性。带钢炉内跑偏机理较为复杂,而跑偏影响极为严重,故而急需研究连续退火过程中的稳定通板策略。为此,本文提出基于非对称初始板形与带钢连退跑偏的耦合模型,对某冷轧厂2230酸轧生产线的带钢通板跑偏问题开展系列研究,为冷轧极限宽规格带钢的稳定通板工业应用提供理论依据。首先,基于板形评价、板形调控的原理,提出了某冷轧厂2230酸轧生产线超宽轧机的有限元建模,并将该模型与辊型自动建模模块相衔接,便于综合分析超宽轧机板形调控能力。同时,从力能参数、窜辊形式、窜辊位置、弯辊机制等角度研究超宽轧机在对称板形问题、非对称板形问题等领域的应对能力,认为超宽轧机能够应对多阶对称板形问题,但非对称板形调控能力不足。其次,基于板形辊与计算机系统的闭环检测机制,开发带钢初始板形提取模块,依托该系统实现五连轧出口板形信息的拾取。考虑连续退火跑偏机理及影响因素,结合带钢参数化初始板形模型,构建带钢-炉辊耦合模型,分析了带钢张力、初始浪形因素与跑偏量之间的敏感性关系,研究炉辊对中能力。考虑超宽轧机板形调控下的非对称板形问题,分析了宽带钢连退跑偏与初始板形的耦合特性。产线排产工业验证表明,非对称浪形对于带钢连退跑偏具有一定影响。基于模式识别理论,建立了带钢横向初始板形的模式分解办法,分析带钢纵向板形缺陷稳定性。结合某冷轧厂2230生产线搭载的PDA系统,通过数据分析得出带钢连退跑偏规律,分析非对称板形与跑偏量的耦合关系,制定超宽规格带钢连退生产工艺,为酸轧连退产线的生产提供指导。最后,基于连退跑偏理论和2230酸轧产线的生产实践,提出了重设板形倾斜控制的启动条件、修正酸轧HMI板形曲线调节控制系统、开发连退生产速度预报系统、设计带钢头尾板形控制方案、优化弯辊前馈/反馈机制等跑偏预防及纠偏方法,各方法与产线相结合,提升了产线生产能力,为极限宽规格带钢连退稳定通板技术的拓展提供了指导。
贺笛[5]（2021）在《深度学习在钢板表面缺陷与字符识别中的应用》文中进行了进一步梳理钢铁生产技术是衡量一个国家工业发展水平的重要标准,相关产品如薄板、带钢、棒材被广泛应用于建筑、机械、船舶、汽车、军工、家电等制造行业。随着国民经济的发展,中国钢铁企业逐渐从扩产能向着智能化、精细化、高附加值的生产模式转变。钢板表面缺陷检测与字符识别系统作为保证钢材产品质量,实现智能化生产的重要技术手段,持续受到钢铁企业的重视和研究。目前,钢板表面缺陷检测系统主要应用于表面质量较好的冷轧带钢、镀锌板生产线,在中厚板、热轧带钢等表面相对复杂的生产线应用较少,主要原因是现有缺陷检测算法对于复杂缺陷图像的识别能力有限,识别结果易受图像背景影响,稳定性不足。字符识别系统在钢铁行业应用较晚,主要原因同样是字符识别算法鲁棒性不足,对于图像背景复杂、模式多样的钢板表面字符识别精度较低,无法满足企业要求。近年来,随着计算力的提升与大规模数据集的建立,深度学习方法以其较高的识别精度、良好的泛化能力受到了广泛的关注与研究。在训练样本充足的情况下,深度学习方法识别精度与鲁棒性均远超传统算法。因此,为了提升钢板表面缺陷检测系统与字符识别系统精度,本文主要对基于深度学习的钢板表面缺陷检测分类与字符识别算法进行研究。研究成果如下:（1）针对钢板表面缺陷图像类内差异性大、形态复杂等问题,提出了基于多尺度感受野、图像重构、特征降维的缺陷分类方法。该方法通过融合具有不同尺度感受野的特征图,实现了复杂钢板表面缺陷图像的表征。引入了图像重构误差,帮助预训练模型在目标域图像与源域图像存在明显特征差异的情况下,编码输入图像特征。引入了基于自编码器的特征降维结构,降低底层特征维数,提升网络的泛化能力。实验结果表明,本文所提方法在中厚板与热轧带钢表面缺陷图像分类中分别取得了 98.5%与95.7%的分类精度,相比于直接采用预训练模型进行训练分别提升2.2%与2.0%。（2）针对深度学习目标检测算法在钢板表面缺陷检测中召回率低、缺陷定位不准确、可解释性差等问题,提出了基于分类优先网络与分组卷积分类网络的缺陷检测算法。与传统先定位后分类的缺陷检测流程不同,分类优先网络首先采用分组卷积分类网络对缺陷图像进行分类,然后根据分类结果选择相应特征图组回归缺陷边界框。分组卷积分类网络采用互相独立的卷积层单独提取图像中每一类缺陷特征信息,实现了不同类别缺陷的特征分离。实验结果表明,分类优先网络特征图响应与原始图像中物体存在明显空间对应关系,更加有利于缺陷检测与定位。在中厚板、热轧板表面缺陷检测中取得了很好的识别效果。（3）针对钢板表面缺陷图像有标签样本少、无标签样本多的特点,提出了基于卷积自编码器与半监督对抗生成网络的缺陷分类方法CAE-SGAN。该方法首先在大量无标签缺陷图像中训练卷积自编码器,实现网络的无监督特征学习。然后保留卷积自编码器中的编码器作为对抗生成网络的判别器,修改判别器输出层,使其同时预测输入样本的真、假与类别信息,实现钢板表面缺陷图像的半监督学习。实验结果表明,CAE-SGAN能够充分的利用钢板表面无标签图像进行无监督特征学习,有效提升有标签缺陷样本的分类精度。特别是在有标签训练样本数据减少的情况下,CAE-SGAN方法相比于传统卷积神经网络具有更高的分类准确率。（4）针对钢铁企业对于高精度、低成本的钢板表面字符识别系统的要求,提出了基于MobileNet-v2的轻量化钢板表面字符识别网络。该网络采用MobileNet-v2作为骨干网络,提升网络计算速度、降低算法部署成本。提出了 Threshold Focal Loss（TFLs）损失函数,有针对性地降低简单样本损失函数,提升网络的鲁棒性与收敛速度。引入了字符随机排列、图像融合等多种数据增强方法,增加样本的复杂程度,提升网络对于复杂钢板表面字符图像的识别精度。引入了对抗攻击训练,有针对性的提升字符识别网络的鲁棒性。实验结果表明,本文所提的钢板表面字符识别算法,在方坯与圆棒端面字符识别中取得了 99.96%的图像整体识别率,很好的满足了企业对于高精度字符识别算法要求。
包俊[6]（2020）在《钛合金板材电涡流无损检测与定量化评估研究》文中研究指明钛合金是一种新兴的结构材料,因其优越的综合性能而被广泛应用于各行各业。在各类钛合金加工材中,板材的应用最为广泛,产量也最高,近年来占到总产量的50%以上。钛合金板材在轧制过程中难免会产生一些质量问题,例如厚度不均匀、同板差超差,以及表面质量不佳,出现裂纹、麻坑等缺陷。电涡流检测是一种基于电磁感应的无损检测技术,被广泛应用于金属材料的无损检测与评估中,相比其他无损检测技术,具备高效、低成本、无污染等优势。而使用电涡流检测技术对钛合金板材进行无损检测时,仍面临着检测信号易受噪声干扰、厚度测量反演繁琐,以及缺陷的分类识别、定量化评估精度不足等问题。本文在讨论了钛合金板材轧制过程中可能出现的质量问题后,结合国内外研究现状,开展了钛合金板材电涡流无损检测与定量化评估研究,主要的研究工作如下:（1）针对钛合金板材缺陷电涡流检测图像的降噪预处理问题,研究了一种主元分析（Principal Component Analysis,PCA）联合局部线性嵌入（Locally Linear Embedding,LLE）的降噪方法。利用PCA方法对电涡流检测图像进行初步的处理,去除较大噪声。然后,使用LLE算法在像素点的可变邻域内自动搜索最近邻数据,并采用近邻数据的局部最优线性组合替代像素,在进一步精细降噪的同时,可保持图像局部几何结构。实验表明,在输入信噪比为15d B～30d B的条件下,输出信噪比可达26.80～39.89d B,电涡流检测图像信噪比平均提高11.16d B,证实了该方法对钛合金板材缺陷电涡流检测图像降噪预处理的有效性。（2）针对传统电涡流测厚方法难以直接通过检测信号反演板材厚度的问题,提出了一种钛合金板材电涡流解析模型与改进的厚度测量方法。结合钛合金板材低电导率、非铁磁的电磁特性,在特定测量条件下建立了一种新的解析模型,用于描述电涡流探头差分电压实部与钛合金板材厚度的关系。最后基于改进的解析模型提出一种快速、准确的钛合金板材电涡流测厚方法。该方法可直接根据标定信号计算钛合金板材的测量厚度,不需要通过预先获得的实验记录进行对比,也不需要预先求解复杂的正演模型。实验结果表明,6mm厚度范围内冷轧薄钛板的厚度测量误差不超过±0.14mm,远小于现行钛工业标准规定的±0.35mm。（3）针对传统机器学习方法难以在不同工况下对质量各异、高维非线性的钛合金板缺陷电涡流检测图像信息进行准确、有效分类的问题,提出了一种栈式稀疏降噪自编码（Stacked Sparse Denoising Autoencoder,SSDAE）深度神经网络的钛合金板材缺陷电涡流检测图像分类方法。该方法将稀疏性限制引入降噪自编码器（Denoising Auto Encoder,DAE）,并在此基础上将多个DAE进行栈式组合构建深度神经网络。训练后的网络模型在不同工况下均能有效地对钛合金板缺陷进行分类识别,有较好的鲁棒性。实验结果表明,在输入信噪比大于26d B时,该方法的分类准确率高于97%;当输入信噪比逐渐下降时,分类准确率也能保持较高水平,在环境复杂的钛合金板生产线上,具有抗干扰、性能稳定等优势。（4）针对钛合金板材缺陷定量化评估中,电涡流检测图像难以人工设计特征,使用常规的回归方法需要设计复杂目标函数等问题,研究了一种基于深度置信网络（Deep Belief Network,DBN）和最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的钛合金板缺陷缺陷定量化评估方法。在正确缺陷分类的基础之上,利用DBN从钛合金板材缺陷的电涡流检测图像中提取有效特征,并采用LSSVM算法建立钛合金板缺陷参数的多目标回归模型,实现对钛合金板材缺陷的定量化评估。实验结果表明,缺陷评估的相对误差和重复性标准差分别小于4.1%和0.12mm,与其他常规方法相比,该方法具有更高的准确性和可重复性。（5）完成了钛合金板材电涡流无损检测系统的设计和开发。对系统需求进行了综合的分析,设计了检测系统的总体架构,并模块化实现了检测系统的软硬件功能。最后将前述研究的厚度测量模型、分类识别和定量化评估智能算法在系统中进行了集成。钛合金板材缺陷电涡流检测、分类识别和定量化评估应用实例证实了所开发系统的有效性和实用性。
李晓刚[7]（2020）在《冷带轧机板形模式识别及板形自适应控制研究》文中研究指明板形是高端冷轧带钢产品的主要衡量指标。当前,我国汽车工业处于高速发展期,高强度汽车用钢逐步成为汽车工业材料轻量化发展的主流,但高强钢的塑性差,变形抗力大等特性对板形控制提出更高的要求。本文以某高强钢1620mm冷带轧机为研究背景,针对其板形控制适应能力较差、高强钢板形控制效果不理想的问题,将板形模式识别及板形闭环自适应控制作为研究主线,并结合板形内环液压伺服位置系统控制、板形板厚解耦控制展开较系统深入的研究。本文主要研究工作如下:（1）针对参数摄动和负载扰动等不确定因素对冷带轧机液压伺服位置系统跟踪性能的影响,分别利用改进的扩张状态观测器（Extended state observer,ESO）和模糊自适应观测器对系统的综合不确定项进行观测估计,并设计了一种基于改进ESO的非奇异终端滑模控制器,以及一种基于模糊自适应观测器的非奇异快速终端滑模控制器。仿真验证了所设计控制器能有效提高系统的位置跟踪精度和鲁棒稳定性。（2）针对具有非线性、多变量的冷带轧机板形板厚耦合被控对象,首先利用具有较强特征识别能力的动态过程卷积神经网络（Convolutional neural network,CNN）设计冷带轧机板形板厚解耦器;其次,采用预测控制算法设计板形板厚预测控制器;最后,基于现场实际过程控制数据验证所设计的板形板厚解耦预测控制器的动态解耦性能。（3）针对神经网络板形模式识别方法中的优化参数数量多、训练过程复杂的问题,提出一种基于粒子群优化的核极限学习机（Kernel extreme learning machine,KELM）板形模式识别方法。该方法基于KELM设计板形模式识别模型,并利用粒子群算法对KELM的设定参数进行优化,最后通过基于现场板形仪检测数据验证所提方法的有效性。（4）针对板形控制系统参数随带钢特性和外部轧制环境时变的问题,基于渐消记忆递推最小二乘方法,对执行机构到板形模式的影响矩阵进行在线辨识,进而对板形进行自校正控制;分别建立了基于CNN的现场轧机板形系统仿真模型和板形自适应控制在线仿真平台,验证所提控制方法的有效性。
刘洋[8]（2020）在《冷轧带钢表面缺陷在线检测算法的研究与应用》文中指出表面缺陷是影响带钢质量的重要且可见因素,大部分带钢产品质量异议都是由表面缺陷引起的。表面缺陷在线检测系统可以对表面缺陷进行在线检测和实时反馈,对于提高带钢的表面质量具有重要意义。随着生产线速度的不断提高和产品质量要求的日益严格,表面缺陷在线检测系统的检测速度和检测精度也需要不断提高。表面缺陷在线检测系统包括硬件集成和软件流程两部分,软件流程的核心是缺陷检测算法。因此,提高检测系统的速度和精度核心在于提升缺陷检测算法的速度和精度。本文对缺陷区域分割、缺陷特征提取、缺陷分类等冷轧带钢表面缺陷检测算法进行了深入研究。针对冷轧带钢生产线运行速度快的特点,分别开发了四邻域差分快速缺陷分割算法、Block-LBP快速缺陷特征提取算法、Threshold-ELM快速缺陷分类算法,并将上述算法集成应用于冷轧带钢表面缺陷在线检测系统。本文的主要研究内容与成果如下:（1）针对常用图像分割算法逻辑复杂、计算速度慢的问题,提出了四邻域差分快速缺陷分割算法。该算法借鉴了 SURF算法利用积分图像块代表局部区域特征的方法,首先将缺陷图像均分为子块,用子块区域灰度均值表示该子块的区域特征;然后在子块的四邻域范围内求差分表示区域差异;最后通过设定合适的高低阈值组合和区域增长范围,最终得到较准确的缺陷区域。实验结果表明:四邻域差分算法的缺陷检出率达到97.4%,满足缺陷在线检测的精度要求;算法平均运行耗时仅为5ms/幅,相比传统的SIFT、SURF算法有很大的优势,不仅满足在线检测速度要求,也为后续的特征提取和分类等步骤留出了充足的时间。（2）针对LBP及其各种改进模式仅对单个像素点采样,无法提取大范围纹理特征,易受噪音和无关细节特征影响的问题,在LBP特征提取算法的基础上提出了 Block-LBP快速缺陷特征提取算法。Block-LBP算法用包含多个像素的正方形区块的平均灰度代替单个像素点的灰度,从而在更大范围纹理特征和抑制噪音。实验结果表明:相比SIFT、SURF等常用特征提取方法,Block-LBP特征提取算法在运行耗时上有明显优势,达到10.9 ms/幅,满足在线缺陷检测的速度要求;同时,缺陷分类准确率有较大提高,达到了 95.94%,满足在线检测的精度要求。（3）针对ELM算法无法识别实际生产中出现的新增未知类型缺陷的问题,本文引入最大分类值阈值策略,在ELM算法的基础上提出了改进Threshold-ELM算法。最大分类值阈值策略用设定的阈值检测分类结果,只有当分类结果向量中的最大分类值大于此阈值时,才判定该样本属于此类,否则判定该样本属于未知类别。实验结果表明:相比BP、SVM等常用分类算法,Threshold-ELM算法在分类耗时和训练耗时上均有明显优势,满足在线缺陷检测的速度要求;当出现新增未知类型缺陷时,Threshold-ELM算法能将93.33%的新增缺陷归类为未知缺陷,因此可有效警报未知缺陷的产生;采用重新训练的分类模型后,Threshold-ELM算法的分类准确率可达92.67%,能有效分类新类型缺陷。（4）为了实现实际生产环境中的表面缺陷在线检测,本文将前面提出的四邻域差分缺陷分割算法,Block-LBP特征提取算法和Threshold-ELM缺陷分类算法集成到表面缺陷在线检测系统,并应用于实际生产线上。在线应用结果表明:该检测系统的平均识别准确率为95.38%,平均检测耗时为22.56 ms/幅,94.11%的新增缺陷能够被识别为未知缺陷,能够满足实际生产线环境中的在线检测需求。
何海楠[9]（2020）在《硅钢热轧轧辊磨损和断面精准控制研究》文中研究说明硅钢冷轧板带尺寸精度要求较为苛刻,硅钢冷轧同板差（横向厚差）要求通常在7μm以内,高端客户甚至要求至5μm。目前,国内常用1580mm热连轧进行硅钢的生产,而冷轧装备型号较多,硅钢板形控制已发展为由冷轧板形控制扩展到全流程的板形控制。本文依托马钢硅钢热轧及冷轧产线,以硅钢尺寸精度为目标,研究了轧辊磨损机理、边降控制工作辊辊形及窜辊策略以及硅钢同板差预测模型,取得主要成果如下:（1）建立了基于摩擦磨损理论的热轧轧辊磨损预报模型。通过带钢三维变形模型和辊系变形模型结合的轧辊轧件一体化快速计算模型,可计算不同的工况下辊间接触压力分布。针对热轧工作辊磨损特性,建立了基于球状微凸体模型和微凸体分布统计模型的热轧轧辊磨损模型,模型充分考虑不同时期轧辊受力特点和接触面特点。结合快速计算模型和轧辊磨损模型建立热轧轧辊磨损预测模型,可根据轧制工艺参数准确预测轧辊磨损辊形。（2）设计了一种热连轧下游机架使用的边部修形工作辊辊形,可用于轧制硅钢等高精度带钢,与工作辊自由窜辊配合使用,改善硅钢边部轮廓;采用粒子群算法对辊形曲线进行优化,保证对带钢凸度控制的稳定性,能更好的发挥工作辊自由窜辊的优势;通过Abaqus有限元分析了辊形对带钢的板形调控特性,结合工业现场试验证明曲线对硅钢断面尤其是边降改善效果显着。（3）针对热连轧下游自由窜辊的工作辊设计了适用于硅钢控制的窜辊策略,并采用三种群优化算法,分别对单个机架的工作辊窜辊策略和多个机架协同窜辊的策略进行优化,在保证工作辊磨损均匀性的同时保证热连轧出口凸度的稳定控制。（4）建立了结合热轧带钢断面计算模型和基于BP神经元网络的冷轧同板差预测模型的全流程同板差预测模型,并根据可靠区间法验证模型的预测精度,所建立的模型实现了硅钢板带轧制热轧与冷轧工序的贯通,可以对上游热轧工艺参数进行优化指导、评价热轧硅钢板带尺寸等级并根据成品要求灵活调整下游工序工艺。
王恒[10]（2020）在《基于机器学习的钢铁冷轧轧制力预测模型研究》文中进行了进一步梳理带钢冷轧生产过程中,轧制力是一项至关重要的参数。其预测精度将直接影响最终产品的质量,并有效减小带材的头尾长度,提高原材料的利用率。此外,轧制力大小还决定着轧辊辊缝的预设定,对轧制过程的稳定性有直接影响。传统的机理模型结构简单且存在较多假设问题,适用面窄,无法满足要求。为了提高冷轧机组的轧制力预测精度,本文基于轧制基本理论,将机理模型同神经网络以及智能优化算法相结合来建立模型,利用现场采集的数据进行仿真。Bland-Ford-Hill公式是常用的轧制力机理模型。首先结合Bland-Ford-Hill公式,着重分析变形区参数,确定影响轧制力大小的变量,以此作为神经网络模型的输入,用神经网络来进行轧制力预测。相比于机理模型,神经网络减少了参数设置的困难,避免了繁琐的公式计算。极限学习机（Extreme Learning Machine,ELM）神经网络,因其结构简单,无法获取数据中的隐含的深层次特征。此外,对于轧制过程中产生的海量数据处理能力欠佳。为了提高对复杂目标函数的拟合能力,满足大数据集下的轧制力预测要求,建立深度神经网络（Deep Neural Network,DNN）模型来进行轧制力预测。为了解决深度网络难以训练的问题,采用批归一化（Batch Normalization,BN）算法稳定激活函数的梯度区间;采用Adam随机优化算法为参数提供自适应学习率。同时,为了提取数据中的有效信息,使用深度稀疏自编码器（Deep Sparse Auto-encoder,DSAE）完成模型的无监督训练。为了滤除现场采集数据中的噪声,进一步提高轧制力预测精度,建立引入去噪机制的深度信念网络（Deep Belief Network,DBN）。采用改进的对比散度（Contrastive Divergence,CD）算法对网络进行训练,修正参数更新过程中的梯度误差与方向误差,加快网络的收敛速度。选取Relu函数作为激活函数,避免常规激活函数如Sigmoid由于饱和非线性特性造成的梯度弥散现象。仿真结果表明,轧制力预测精度以及建模速度优于深度稀疏自编码网络。
二、冷轧过程设计优化的神经网络方法（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、冷轧过程设计优化的神经网络方法（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）基于机器学习的板带轧机大数据分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景和意义 |
| 1.3 工业大数据发展 |
| 1.3.1 工业大数据分析所能解决问题 |
| 1.3.2 大数据背景下的机器学习 |
| 1.3.3 工业大数据应用与挑战 |
| 1.4 模式识别方法概述 |
| 1.4.1 统计模式识别 |
| 1.4.2 智能模式识别 |
| 1.5 主要研究内容 |
| 第2章 基于卷积神经网络的轧机工况识别 |
| 2.1 二次冷轧机组基本情况 |
| 2.2 数据来源 |
| 2.2.1 生产过程数据 |
| 2.2.2 轧制规程数据 |
| 2.2.3 轧机报表数据 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络基本结构 |
| 2.3.2 损失函数与优化器 |
| 2.3.3 反向传播算法 |
| 2.4 轧机工况识别 |
| 2.4.1 卷积神经网络模型搭建 |
| 2.4.2 轧机数据处理 |
| 2.4.3 模型验证分析 |
| 2.5 本章小结 |
| 第3章 基于最大互信息系数的轧机信号相关性分析 |
| 3.1 工况信号时频可视化分析 |
| 3.1.1 加速工况信号分析 |
| 3.1.2 恒速工况信号分析 |
| 3.1.3 减速工况信号分析 |
| 3.2 轧机数据相关性分析 |
| 3.2.1 自相关函数与互相关函数 |
| 3.2.2 最大互信息系数 |
| 3.3 工况信号相关性分析 |
| 3.3.1 机架1信号相关分析 |
| 3.3.2 机架2信号相关分析 |
| 3.3.3 机架1与机架2信号相关分析 |
| 3.3.4 机架1信号与中间信号相关分析 |
| 3.3.5 机架2信号与中间信号相关分析 |
| 3.4 轧制力逐步回归分析 |
| 3.4.1 逐步回归算法 |
| 3.4.2 轧制力回归 |
| 3.5 本章小结 |
| 第4章 基于前馈神经网络的变形抗力预测 |
| 4.1 摩擦系数分析 |
| 4.1.1 摩擦系数计算方法 |
| 4.1.2 摩擦系数理论计算 |
| 4.2 变形抗力分析 |
| 4.2.1 变形抗力的影响因素 |
| 4.2.2 冷轧轧制力 |
| 4.2.3 变形抗力计算 |
| 4.3 前馈神经网络 |
| 4.3.1 前馈神经网络结构 |
| 4.3.2 激活函数 |
| 4.3.3 前馈神经网络反向传播 |
| 4.4 神经网络拟合变形抗力 |
| 4.5 带钢质量模糊评价 |
| 4.5.1 模糊评价矩阵计算 |
| 4.5.2 权值计算 |
| 4.5.3 应用实例 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间承担的科研任务与主要成果 |
| 致谢 |
（4）冷轧2230产线宽板板形与稳定通板耦合机理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 带钢板形控制技术 |
| 1.2.1 板形控制技术综述 |
| 1.2.2 国外先进技术及其控制原理与特点 |
| 1.2.3 国内先进技术及其控制原理与特点 |
| 1.3 冷轧带钢轧机研究现状 |
| 1.4 连续退火稳定通板技术的研究现状 |
| 1.4.1 连退稳定通板国内研究现状 |
| 1.4.2 连退稳定通板国外研究现状 |
| 1.5 课题研究意义及内容 |
| 第2章 超宽轧机有限元建模及板形控制技术研究 |
| 2.1 带钢板形类型及成因分析 |
| 2.1.1 带钢板形的基本介绍 |
| 2.1.2 浪形的生成过程和影响板形的主要因素 |
| 2.2 某冷轧厂2230酸轧生产线概述 |
| 2.2.1 连续酸轧生产线介绍 |
| 2.2.2 酸轧机组非对称工作辊的优点 |
| 2.2.3 酸轧机组边部变凸度工作辊的优点 |
| 2.3 某冷轧厂2230超宽轧机辊系有限元建模 |
| 2.3.1 超宽轧机基本参数 |
| 2.3.2 有限元模型的建立过程 |
| 2.3.3 边界条件处理 |
| 2.3.4 辊型构建模块 |
| 2.4 超宽轧机板形调控能力分析 |
| 2.4.1 轧制力对板形调节能力的影响 |
| 2.4.2 CVC辊零窜下弯辊力对板形调控能力的影响 |
| 2.4.3 CVC辊正窜下弯辊力对板形调控能力的影响 |
| 2.4.4 窜辊位置对板形调节能力的影响 |
| 2.4.5 传统轧机板形调控机理与超宽轧机板形调控机理的关联与不同 |
| 2.5 冷连轧机轧制模型研究 |
| 2.5.1 某厂2230mm冷连轧机数学模型 |
| 2.5.2 基于神经网络与数学模型结合的轧制模型的建立 |
| 2.5.3 变形抗力修正预测方法 |
| 2.5.4 两种模型计算结果与实际值比较 |
| 2.6 本章小结 |
| 第3章 宽带钢连续退火跑偏机理分析及影响因素 |
| 3.1 连续退火过程中带钢跑偏机理分析 |
| 3.2 带钢初始板形参数化有限元模型开发 |
| 3.2.1 带钢初始板形提取模块开发 |
| 3.2.2 带钢壳单元本构方程 |
| 3.2.3 带钢参数化初始板形模型 |
| 3.2.4 带钢炉辊耦合模型建模 |
| 3.3 带钢连退跑偏敏感特性分析 |
| 3.3.1 带钢张应力的跑偏敏感性分析 |
| 3.3.2 初始浪长的跑偏敏感性分析 |
| 3.3.3 初始浪高的跑偏敏感性分析 |
| 3.3.4 板宽的跑偏敏感性分析 |
| 3.4 连退炉辊对中能力分析 |
| 3.5 本章小结 |
| 第4章 宽带钢连退跑偏与初始板形的耦合特性分析 |
| 4.1 连退炉内带钢跑偏原因的工业验证 |
| 4.2 带钢初始板形的模式分解 |
| 4.2.1 带钢横向初始板形模式分解 |
| 4.2.2 带钢板形缺陷稳定性分析 |
| 4.3 带钢初始板形与连退跑偏影响关系 |
| 4.3.1 多规格带钢跑偏规律 |
| 4.3.2 初始非对称板形与带钢跑偏的相关性研究 |
| 4.3.3 超宽规格带钢连退生产工艺 |
| 4.4 板形模式识别及连退预报系统开发 |
| 4.4.1 系统设计 |
| 4.4.2 不同型号钢卷板形模式识别 |
| 4.5 本章小结 |
| 第5章 宽带钢连续退火跑偏控制工业实验 |
| 5.1 酸轧基板板形目标曲线动态调整 |
| 5.2 带钢非稳态工况下的板形控制 |
| 5.2.1 弯辊力前馈和反馈功能优化研究 |
| 5.2.2 控制功能逻辑结构存在的问题 |
| 5.2.3 弯辊力前馈限幅和调整系数优化 |
| 5.2.4 同规格带头弯辊力继承优化 |
| 5.2.5 带钢头尾弯辊和倾斜控制研究 |
| 5.2.6 2230酸轧大盘旋转倾斜投入 |
| 5.3 连退最大跑偏预控系统软件开发 |
| 5.3.1 神经网络技术 |
| 5.3.2 连退生产预报系统的实现 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（5）深度学习在钢板表面缺陷与字符识别中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 钢板表面缺陷检测系统研究现状 |
| 1.2.1 人工检测 |
| 1.2.2 涡流检测 |
| 1.2.3 漏磁检测 |
| 1.2.4 红外检测 |
| 1.2.5 机器视觉检测 |
| 1.3 钢板表面字符识别系统研究现状 |
| 1.4 钢板表面缺陷检测算法 |
| 1.5 钢板表面字符识别算法 |
| 1.6 深度学习 |
| 1.6.1 图像分类 |
| 1.6.2 目标检测 |
| 1.6.3 对抗生成网络 |
| 1.6.4 深度学习在钢板表面缺陷与字符识别中的应用 |
| 1.7 现有检测方法存在的问题 |
| 1.8 课题研究内容及论文结构 |
| 2 基于多尺度感受野与图像重构的缺陷分类网络 |
| 2.1 卷积神经网络 |
| 2.1.1 基本结构 |
| 2.1.2 训练方法 |
| 2.1.3 VGG |
| 2.1.4 GoogleNet |
| 2.1.5 DenseNet |
| 2.2 自编码器 |
| 2.3 迁移学习 |
| 2.4 多尺度感受野与特征重构网络 |
| 2.4.1 网络结构 |
| 2.4.2 训练方法与损失函数 |
| 2.5 实验数据 |
| 2.6 实验及结论 |
| 2.7 本章小结 |
| 3 基于分类优先网络的缺陷检测方法 |
| 3.1 YOLOv3目标检测网络 |
| 3.2 分组卷积分类网络 |
| 3.3 边界框回归网络 |
| 3.4 分类优先网络训练过程 |
| 3.5 实验数据 |
| 3.6 实验及结论 |
| 3.7 本章小结 |
| 4 基于自编码器与对抗生成网络的半监督学习方法 |
| 4.1 卷积自编码器 |
| 4.1.1 基本结构 |
| 4.1.2 数据增强方法 |
| 4.2 半监督对抗生成网络 |
| 4.3 CAE-SGAN |
| 4.4 实验数据 |
| 4.5 实验及结论 |
| 4.6 本章小结 |
| 5 深度学习方法在钢材表面字符识别中的应用 |
| 5.1 MobileNet |
| 5.2 TFLs损失函数 |
| 5.3 数据增强算法 |
| 5.4 对抗样本训练 |
| 5.5 实验数据 |
| 5.6 实验及结论 |
| 5.7 本章小结 |
| 6 总结 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（6）钛合金板材电涡流无损检测与定量化评估研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 钛合金板材的生产制造及质量标准 |
| 1.2.1 钛合金板材的发展与应用 |
| 1.2.2 钛合金板材轧制工艺 |
| 1.2.3 钛合金板材质量标准 |
| 1.2.4 钛合金板材无损检测方法 |
| 1.3 电涡流无损检测技术概述及其研究现状 |
| 1.3.1 电涡流检测技术发展概述 |
| 1.3.2 电涡流检测信号预处理研究现状 |
| 1.3.3 电涡流测厚方法研究现状 |
| 1.3.4 电涡流检测缺陷分类识别研究现状 |
| 1.3.5 电涡流缺陷定量化评估研究现状 |
| 1.4 钛合金板材电涡流无损检测研究现状及存在的问题 |
| 1.4.1 钛合金板材电涡流无损检测研究现状 |
| 1.4.2 研究热点 |
| 1.4.3 存在的问题 |
| 1.5 本文的主要研究内容及创新 |
| 1.5.1 论文的主要研究内容 |
| 1.5.2 论文的创新点 |
| 1.6 本章小结 |
| 第二章 钛合金板材电涡流检测信号预处理 |
| 2.1 引言 |
| 2.2 钛合金板材电涡流检测信号特性 |
| 2.2.1 探头线圈阻抗模型 |
| 2.2.2 探头线圈电压变化 |
| 2.2.3 钛合金板材电涡流检测信号 |
| 2.3 数字相敏检波算法与电涡流成像原理 |
| 2.3.1 数字相敏检波 |
| 2.3.2 电涡流扫描成像原理 |
| 2.4 钛合金板电涡流检测图像PCA-LLE联合降噪方法 |
| 2.4.1 主元分析(PCA)降噪 |
| 2.4.2 局部线性嵌入(LLE)图像重构 |
| 2.4.3 基于PCA-LLE的电涡流检测图像降噪 |
| 2.4.4 降噪预处理实验 |
| 2.5 本章小结 |
| 第三章 钛合金板材电涡流解析模型与厚度测量研究 |
| 3.1 引言 |
| 3.2 钛合金板材电涡流解析模型建立 |
| 3.2.1 电涡流探头与测量原理 |
| 3.2.2 Dodd-Deeds解析模型 |
| 3.2.3 钛合金板材电涡流解析模型 |
| 3.3 钛合金板材电涡流解析模型的分析与改进 |
| 3.3.1 钛合金板材解析模型相位分离 |
| 3.3.2 钛合金板材电涡流解析模型的改进 |
| 3.4 基于改进解析模型的钛合金板材电涡流测厚方法 |
| 3.5 钛合金板电涡流厚度测量实验 |
| 3.5.1 测量设备及实验设置 |
| 3.5.2 厚度测量结果与分析 |
| 3.6 本章小结 |
| 第四章 基于SSDAE深度神经网络的钛合金板材缺陷电涡流检测图像分类方法 |
| 4.1 引言 |
| 4.2 降噪自编码器原理及训练方式 |
| 4.2.1 自编码器原理 |
| 4.2.2 降噪自编码器原理 |
| 4.2.3 降噪自编码器训练方式 |
| 4.3 稀疏性限制引入与深度神经网络构建 |
| 4.3.1 稀疏性限制 |
| 4.3.2 栈式稀疏降噪自编码(SSDAE)深度神经网络构建 |
| 4.4 基于SSDAE深度神经网络的钛板缺陷电涡流图像分类方法 |
| 4.5 钛合金板缺陷电涡流检测与分类实验 |
| 4.5.1 检测装置 |
| 4.5.2 检测材料与试验设置 |
| 4.5.3 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 基于DBN与LSSVM的钛合金板材缺陷电涡流检测图像定量化评估方法 |
| 5.1 引言 |
| 5.2 基于DBN的钛合金板缺陷特征提取 |
| 5.2.1 限制玻尔兹曼机原理 |
| 5.2.2 深度置信网络构建与特征提取 |
| 5.3 基于LSSVM的钛合金板缺陷参数回归 |
| 5.4 基于DBN和LSSVM的钛合金板缺陷定量化评估方法 |
| 5.5 钛合金板缺陷定量化评估实验 |
| 5.5.1 参数影响分析 |
| 5.5.2 评估结果与讨论 |
| 5.6 本章小结 |
| 第六章 钛合金板材电涡流无损检测系统设计与实现 |
| 6.1 引言 |
| 6.2 钛合金板材电涡流无损检测系统总体架构 |
| 6.2.1 电涡流检测系统总体硬件架构 |
| 6.2.2 电涡流检测系统总体软件工作流程 |
| 6.2.3 电涡流检测系统功能模块划分 |
| 6.3 电涡流无损检测系统软硬件模块化实现 |
| 6.3.1 电涡流探头设计 |
| 6.3.2 电涡流检测系统硬件实现 |
| 6.3.3 电涡流检测系统软件实现 |
| 6.4 智能检测分析功能集成 |
| 6.4.1 钛合金板测厚功能 |
| 6.4.2 钛合金板缺陷分类与评估功能 |
| 6.5 钛合金板材电涡流无损检测应用实例 |
| 6.5.1 钛合金板材缺陷检测 |
| 6.5.2 钛合金板材厚度测量 |
| 6.5.3 钛合金板材缺陷分类与评估 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读博士学位期间取得的主要研究成果 |
| 附录B 攻读博士期间参与的科研项目 |
（7）冷带轧机板形模式识别及板形自适应控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 冷轧板形的概念及调控手段 |
| 1.2.1 冷带轧机板形的概念以及板形I和张应力的关系 |
| 1.2.2 冷带轧机板形常用的调控手段 |
| 1.3 冷带轧机液压伺服系统控制研究现状 |
| 1.4 冷带轧机板形板厚解耦控制研究现状 |
| 1.5 冷带轧机板形模式识别及控制研究现状 |
| 1.5.1 冷带轧机板形模式识别研究现状 |
| 1.5.2 冷带轧机板形控制研究现状 |
| 1.6 本文的主要研究内容 |
| 第2章 冷带轧机板形控制系统总体结构及主要子系统建模 |
| 2.1 引言 |
| 2.2 板形控制系统总体组成 |
| 2.3 冷带轧机液压伺服位置系统模型 |
| 2.3.1 轧机液压伺服位置系统动态特性 |
| 2.3.2 轧机液压伺服位置系统的状态空间模型 |
| 2.4 板形板厚耦合系统的数学模型 |
| 2.5 基于板形模式识别的板形控制模型 |
| 2.5.1 板形模式识别模型 |
| 2.5.2 板形影响矩阵模型 |
| 2.6 本章小结 |
| 第3章 冷带轧机液压伺服位置系统非奇异终端滑模控制 |
| 3.1 引言 |
| 3.2 基于改进扩张状态观测器的非奇异终端滑模控器设计 |
| 3.2.1 扩张状态观测器的设计 |
| 3.2.2 轧机液压伺服位置系统控制器设计 |
| 3.2.3 液压伺服位置跟踪控制系统仿真研究 |
| 3.3 基于模糊自适应观测器的非奇异快速终端滑模控器设计 |
| 3.3.1 非奇异终端快速滑模控制器设计 |
| 3.3.2 模糊自适应观测器设计 |
| 3.3.3 液压伺服位置跟踪控制系统仿真研究 |
| 3.4 本章小结 |
| 第4章 基于卷积神经网络的冷带轧机板形板厚解耦预测控制研究 |
| 4.1 引言 |
| 4.2 基于卷积神经网络的板形板厚解耦器设计 |
| 4.2.1 动态过程卷积神经网络算法 |
| 4.2.2 基于卷积神经网络的板形板厚解耦器设计 |
| 4.3 冷带轧机板形板厚预测控制器设计 |
| 4.4 基于卷积神经网络的板形板厚解耦及预测控制系统仿真实验 |
| 4.4.1 板形板厚卷积神经网络训练及解耦测试 |
| 4.4.2 板形板厚CNN解耦控制效果与RBF解耦控制效果的比较 |
| 4.4.3 板形板厚解耦预测控制与传统PID控制的比较 |
| 4.5 本章小结 |
| 第5章 基于核极限学习机的冷带轧机板形模式识别研究 |
| 5.1 引言 |
| 5.2 板形的标准模式 |
| 5.3 基于粒子群优化算法的核极限学习机板形模式识别研究 |
| 5.3.1 基于极限学习机的板形模式识别研究 |
| 5.3.2 基于核极限学习机的板形模式识别研究 |
| 5.3.3 粒子群优化算法优化核极限学习机策略 |
| 5.4 基于PSO-KELM的仿真研究及基于工程实际数据的测试 |
| 5.4.1 基于测试函数的仿真研究 |
| 5.4.2 基于板形仪实测数据的测试 |
| 5.5 本章小结 |
| 第6章 冷带轧机板形闭环自适应控制器设计及仿真实验研究 |
| 6.1 引言 |
| 6.2 基于板形模式识别的板形闭环自适应控制器设计 |
| 6.2.1 系统总体结构及板形系统影响矩阵一次完成最小二乘辨识 |
| 6.2.2 基于板形模式识别的影响矩阵在线辨识及板形自适应控制器设计 |
| 6.3 基于现场数据的板形闭环控制系统离线仿真研究 |
| 6.3.1 基于CNN网络的冷带轧机实际板形系统仿真模型建立及验证 |
| 6.3.2 基于现场数据的板形闭环自适应控制系统离线仿真验证 |
| 6.4 基于CNN板形模型的板形自适应控制仿真平台建立及在线仿真实验 |
| 6.4.1 板形自适应控制在线仿真平台建立 |
| 6.4.2 基于CNN模型的板形自适应控制在线仿真及与现场控制效果比较 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（8）冷轧带钢表面缺陷在线检测算法的研究与应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 表面缺陷检测方法综述 |
| 1.2.1 人工检测 |
| 1.2.2 涡流检测 |
| 1.2.3 红外检测 |
| 1.2.4 漏磁检测 |
| 1.2.5 激光扫描检测 |
| 1.2.6 机器视觉检测 |
| 1.3 机器视觉表面缺陷检测算法综述 |
| 1.3.1 图像预处理算法 |
| 1.3.2 图像分割算法 |
| 1.3.3 特征提取算法 |
| 1.3.4 缺陷分类算法 |
| 1.4 研究内容和论文结构 |
| 2 冷轧带钢表面缺陷类型与检测流程 |
| 2.1 冷轧带钢表面主要缺陷类型 |
| 2.1.1 疤痕 |
| 2.1.2 白斑 |
| 2.1.3 孔洞 |
| 2.1.4 划伤 |
| 2.1.5 夹层 |
| 2.1.6 夹渣 |
| 2.1.7 脱皮 |
| 2.2 冷轧带钢表面缺陷检测系统介绍 |
| 2.3 冷轧带钢表面缺陷检测流程介绍 |
| 3 四邻域差分缺陷分割算法 |
| 3.1 SIFT缺陷分割算法 |
| 3.2 SURF缺陷分割算法 |
| 3.3 基于四邻域差分的快速缺陷分割算法 |
| 3.3.1 用积分图表示区域特征 |
| 3.3.2 计算每个区域的四邻域差分 |
| 3.3.3 设定阈值划分缺陷区域 |
| 3.3.4 通过区域增长合并缺陷区域 |
| 3.4 实验和结果分析 |
| 3.4.1 实验总体设计 |
| 3.4.2 SIFT缺陷分割算法实验结果 |
| 3.4.3 SURF缺陷分割算法实验结果 |
| 3.4.4 四邻域差分缺陷分割算法实验结果 |
| 3.4.5 四邻域差分与其他分割算法的实验对比 |
| 3.5 本章小结 |
| 4 Block-LBP缺陷特征提取算法 |
| 4.1 LBP特征提取算法 |
| 4.1.1 LBP基本模式 |
| 4.1.2 LBP改进模式 |
| 4.1.3 LBP等价模式 |
| 4.1.4 LBP旋转不变模式 |
| 4.2 分块Block-LBP算法 |
| 4.3 实验和结果分析 |
| 4.3.1 实验总体设计 |
| 4.3.2 Block-LBP与其他特征提取算法的实验对比 |
| 4.4 本章小结 |
| 5 Threshold-ELM缺陷分类算法 |
| 5.1 ELM分类算法 |
| 5.1.1 单隐层前馈神经网络 |
| 5.1.2 ELM分类算法 |
| 5.2 Threshold-ELM算法 |
| 5.3 实验结果和分析 |
| 5.3.1 实验总体设计 |
| 5.3.2 Threshold-ELM与其他分类算法实验对比 |
| 5.3.3 出现未知类型缺陷时算法实验结果分析 |
| 5.4 本章小结 |
| 6 算法的集成与在线应用 |
| 6.1 系统硬件集成 |
| 6.1.1 图像采集系统 |
| 6.1.2 现场总线 |
| 6.1.3 服务器 |
| 6.1.4 算法工作站 |
| 6.2 系统软件流程 |
| 6.2.1 服务器端软件流程 |
| 6.2.2 算法工作站端软件流程 |
| 6.3 冷轧带钢表面在线检测需求分析 |
| 6.3.1 冷轧带钢生产线 |
| 6.3.2 在线检测需求分析 |
| 6.4 实验和结果分析 |
| 6.4.1 实验总体设计 |
| 6.4.2 实验结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 主要成果和结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（9）硅钢热轧轧辊磨损和断面精准控制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写和符号清单 |
| 1 引言 |
| 2 文献综述 |
| 2.1 研究背景及意义 |
| 2.2 带钢板形控制文献综述 |
| 2.3 硅钢板形控制技术研究现状 |
| 2.4 热轧工作辊磨损研究现状 |
| 2.5 轧制过程数值建模及数据统计模型综述 |
| 2.6 研究内容 |
| 3 热轧轧辊磨损预测模型 |
| 3.1 热连轧四辊轧机轧辊轧件一体化快速计算模型 |
| 3.1.1 基于有限体积法的轧件三维变形模型 |
| 3.1.2 热轧四辊轧机辊系变形模型 |
| 3.1.3 轧辊-轧件一体化快速计算模型的建立与应用 |
| 3.2 热轧轧辊辊磨损原理分析 |
| 3.3 轧辊表面基本单元磨损模型的建立 |
| 3.3.1 基本磨损方程 |
| 3.3.2 弹性接触情况下的磨损计算 |
| 3.3.3 基于摩擦磨损理论的磨损模型参数计算 |
| 3.3.4 热轧工作辊磨损模型 |
| 3.3.5 热轧支承辊磨损模型 |
| 3.4 轧辊磨损预测模型建立及应用 |
| 3.4.1 轧辊磨损预测模型建立 |
| 3.4.2 轧辊磨损预测模型应用 |
| 3.5 本章小结 |
| 4 边部修形工作辊辊形设计及优化 |
| 4.1 工作辊辊形设计 |
| 4.1.1 工作辊曲线设计思想 |
| 4.1.2 曲线的方程 |
| 4.1.3 辊形的设计步骤 |
| 4.1.4 工作辊辊形曲线特性分析 |
| 4.2 基于粒子群算法的ESO工作辊的辊形优化 |
| 4.2.1 粒子群算法概述 |
| 4.2.2 优化目标的建立 |
| 4.2.3 优化的约束条件 |
| 4.2.4 工作辊辊形曲线优化结果 |
| 4.3 边部修形工作辊对板形的调控功效分析 |
| 4.3.1 仿真模型的建立及模型参数 |
| 4.3.2 工作辊对板形调控功效计算 |
| 4.4 边部修形工作辊的工业应用 |
| 4.5 本章小结 |
| 5 下游多机架工作辊窜辊策略优化 |
| 5.1 工作辊窜辊参数的定义 |
| 5.2 工作辊窜辊策略的设计原则 |
| 5.2.1 窜辊位置均匀度定义 |
| 5.2.2 已有窜辊策略分析 |
| 5.3 轧辊弯窜辊对轧辊受力分布的影响 |
| 5.3.1 工作辊轮廓曲线的变化 |
| 5.3.2 工作辊窜辊的影响 |
| 5.3.3 工作辊弯辊的影响 |
| 5.4 单机架窜辊策略优化 |
| 5.4.1 窜辊策略优化的意义 |
| 5.4.2 三种群粒子群优化算法 |
| 5.4.3 优化目标函数的建立和约束条件 |
| 5.4.4 基于三种群粒子群差分进化算法的窜辊策略优化 |
| 5.5 多机架协同窜辊策略优化 |
| 5.5.1 精轧机组出口凸度模型 |
| 5.5.2 多机架窜辊优化目标和约束条件的建立 |
| 5.5.3 多机架窜辊优化结果 |
| 5.6 窜辊策略的工业现场应用 |
| 5.7 本章小结 |
| 6 全流程硅钢同板差预测模型 |
| 6.1 热轧硅钢断面数学模型 |
| 6.2 基于BP神经元网络的冷轧硅钢同板差预测模型 |
| 6.2.1 BP神经网络模型参数 |
| 6.2.2 BP神经网络训练及分析 |
| 6.3 冷轧硅钢带钢同板差影响因素 |
| 6.4 冷轧硅钢带钢同板差模型预测结果 |
| 6.5 全流程硅钢带钢同板差预测模型应用 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（10）基于机器学习的钢铁冷轧轧制力预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 带钢冷轧轧制力研究现状 |
| 1.3 人工智能方法在回归预测中的应用 |
| 1.3.1 神经网络模型在轧制力预测中的应用 |
| 1.3.2 深度学习的发展及其在回归预测问题中的应用 |
| 1.4 论文研究内容及结构安排 |
| 第2章 基于极限学习机网络模型的轧制力预测 |
| 2.1 引言 |
| 2.2 极限学习机网络模型分析 |
| 2.3 结构增长型极限学习机模型 |
| 2.4 轧制机理模型分析 |
| 2.4.1 塑性变形区参数分析 |
| 2.4.2 变形抗力回归计算 |
| 2.5 仿真结果及分析 |
| 2.6 本章小结 |
| 第3章 基于深度稀疏自编码极限学习机轧制力预测 |
| 3.1 引言 |
| 3.2 深度网络模型建立 |
| 3.2.1 无监督自动编码器网络 |
| 3.2.2 引入稀疏限制因素的自编码器 |
| 3.3 网络训练算法 |
| 3.3.1 批归一化算法 |
| 3.3.2 逐层贪婪训练算法与Adam优化算法 |
| 3.4 深度网络下的轧制力预测 |
| 3.4.1 深度网络模型参数确定 |
| 3.4.2 仿真结果及分析 |
| 3.5 本章小结 |
| 第4章 基于改进深度信念网络的轧制力预测 |
| 4.1 引言 |
| 4.2 深度信念网络模型 |
| 4.2.1 受限波尔兹曼机 |
| 4.2.2 引入去噪机制的深度信念网络 |
| 4.3 网络训练算法 |
| 4.3.1 对比散度算法 |
| 4.3.2 改进对比散度算法 |
| 4.4 改进深度信念网络下的轧制力预测 |
| 4.4.1 模型准备阶段 |
| 4.4.2 仿真结果及分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
四、冷轧过程设计优化的神经网络方法（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]基于机器学习的板带轧机大数据分析[D]. 马季. 燕山大学, 2021(01)
- [4]冷轧2230产线宽板板形与稳定通板耦合机理研究[D]. 唐伟. 燕山大学, 2020(07)
- [5]深度学习在钢板表面缺陷与字符识别中的应用[D]. 贺笛. 北京科技大学, 2021(02)
- [6]钛合金板材电涡流无损检测与定量化评估研究[D]. 包俊. 昆明理工大学, 2020
- [7]冷带轧机板形模式识别及板形自适应控制研究[D]. 李晓刚. 燕山大学, 2020
- [8]冷轧带钢表面缺陷在线检测算法的研究与应用[D]. 刘洋. 北京科技大学, 2020(03)
- [9]硅钢热轧轧辊磨损和断面精准控制研究[D]. 何海楠. 北京科技大学, 2020(01)
- [10]基于机器学习的钢铁冷轧轧制力预测模型研究[D]. 王恒. 燕山大学, 2020(01)