学位论文 > 优秀研究生学位论文题录展示

基于智能方法的板形识别与控制

作　者: 张雪伟
导　师: 王焱
学　校: 济南大学
专　业: 模式识别与智能系统
关键词: 板形识别多类支持向量机双隐层BP神经网络 Sigmoid函数板形控制
分类号: TG335.5
类　型: 硕士论文
年　份: 2010年
下　载: 77次
引　用: 0次
阅　读: 论文下载

内容摘要

在工业现代化的进程中,钢铁一直处于基础产业的地位,而冷轧带钢的生产又是钢铁工业发展中的重要课题之一。通过冷轧技术生产出的高品质冷轧带钢已成为国防工业、汽车制造以及高精密仪器加工所必须的高精度高性能的板带材。板形是板带材的重要质量指标之一,随着全世界对优质冷轧薄板带材的需求日益提高,板形的控制问题已成为世界性课题。解决板带材的板形问题主要涉及三方面的技术:一是板形平直度的在线检测;二是板形数据的处理与缺陷识别;三是应用控制理论、控制手段以及相应的控制系统对板形实现实时控制。本文着重从板形数据的模式识别处理方面论述国内外研究与应用现状及存在的主要问题,进而指出该领域的研究动态与发展趋势,针对不同类别的板形缺陷分别设计分类器进行板形缺陷的分类与识别,并利用瑞典ABB公司的分段辊式板形检测仪在带钢冷连轧机生产线上在线监测的数据实现仿真,最后应用设计好的模糊控制器调控识别出的被控制量,完成了板形控制的整个环节。文中指出在进行板形识别过程中传统的基于最小二乘法的多项式回归分解法和在此基础上改进的正交多项式回归法抗干扰能力差,无法确定逼近n阶的大小和逼近精度有限,难以满足高精度的板形实时控制要求。因此,针对热轧板带产品愈来愈薄、热轧板形检测技术迅速发展以及冷轧板带的板形精度要求较高的特点,智能识别方法应运而生,使板形模式识别方法向高精度、高速度、数字化方向发展。对于单一板形缺陷,本文提出一种基于多类支持向量机理论的板形识别分类器,通过对冷轧工序中板形仪测得的数据进行预处理,获取所需样本数据。采用“一对多”有导师训练方法训练多类支持向量机分类器,最后用测试样本对训练出的分类器进行性能测试。仿真结果表明该方法在处理小样本数据时识别率非常高,泛化能力更强,为板形识别提供了新的研究方法。对于复杂板形缺陷,本文提出一种改进的BP神经网络处理板形缺陷数据的方法,建立了双隐层BP神经网络模型,并对sigmoid激活函数的形状进行调节。将其应用到冷轧的板形缺陷识别中,与利用Levenberg-Marquardt规则训练的BP神经网络预测结果作对比,表明该方法不仅有效地减少双隐层BP网络的学习时间,同时改善了网络的泛化能力,有利于板形缺陷在线识别。结合上述两种识别方法将得到的被控制量应用模糊控制器进行控制,使用Matlab软件编写程序实现仿真。结果表明,该控制系统从识别环节到控制环节均能够较精确、高效的完成板形的控制,为冷轧薄板带材板形的在线调节提供了理论依据以及可行方法。本文选择既有理论研究意义又有工程实际应用价值的冷带轧机板形模式识别与控制为研究课题,所提出的方法和技术,对板形控制理论的发展以及板形模式识别智能技术的应用与推广,具有十分重要的参考价值。

全文目录

摘要  7-9
ABSTRACT  9-12
第一章绪论  12-18
  1.1 课题研究背景及意义  12-13
  1.2 板形控制的研究现状  13-15
    1.2.1 板形识别技术国内外研究现状  13-14
    1.2.2 板形控制技术国内外研究现状  14-15
  1.3 板形模式识别与控制技术存在的问题及发展趋势  15-16
  1.4 论文的研究内容和创新之处  16-18
第二章冷连轧板形控制理论概述  18-28
  2.1 带钢板形控制系统  18
  2.2 板形模式识别  18-22
    2.2.1 板形的概念  18-19
    2.2.2 板形的定量描述方法  19
    2.2.3 板形缺陷的分类及数学表达式  19-21
    2.2.4 板形模式识别的任务  21-22
  2.3 板形的控制方式  22-24
  2.4 板形设定模型  24-25
  2.5 本章小结  25-28
第三章模式识别方法在板形识别中的应用研究  28-38
  3.1 传统的板形模式识别方法  28-31
    3.1.1 最小二乘法的板形模式识别  28
    3.1.2 改进的基于勒让德多项式的最小二乘法模式识别方法  28-31
  3.2 板形智能识别方法  31-36
    3.2.1 模糊分类识别方法  31-33
    3.2.2 神经网络识别方法  33-34
    3.2.3 基于智能集成优化算法的板形识别方法  34-36
    3.2.4 混沌优化识别方法  36
  3.3 本章小结  36-38
第四章基于多类支持向量机的板形识别与仿真  38-46
  4.1 支持向量机非线性分类理论  38-40
    4.1.1 核函数  38-39
    4.1.2 松弛变量  39-40
  4.2 多类支持向量机理论  40-41
    4.2.1 “一对多”方法  40-41
    4.2.2 “一对一”方法  41
  4.3 系统实现  41-44
    4.3.1 板形信号提取  41-42
    4.3.2 标准板形缺陷模式  42
    4.3.3 训练数据预处理  42
    4.3.4 分类器设计  42-43
    4.3.5 性能测试与结果分析  43-44
  4.4 本章小节  44-46
第五章基于改进的BP 神经网络的板形预测与仿真  46-58
  5.1 BP 算法的基本原理  46-48
  5.2 BP 算法的性能  48-50
    5.2.1 神经网络输入样本规整化  48
    5.2.2 权值和阈值初始化  48
    5.2.3 学习率和动量项  48-49
    5.2.4 激活函数  49-50
    5.2.5 神经网络的拓扑结构  50
  5.3 改进的双隐层BP 神经网络模型  50-52
    5.3.1 双隐层BP 神经网络  50-51
    5.3.2 Sigmoid 函数的改进  51
    5.3.3 改进的双隐层BP 神经网络算法设计  51-52
  5.4 基于BP 网络和Levenberg -Marquardt(L-M)算法的模型  52-53
  5.5 仿真与分析  53-56
  5.6 本章小结  56-58
第六章基于模糊逻辑的板形控制系统  58-70
  6.1 模糊逻辑控制系统  58-61
    6.1.1 模糊控制系统的组成及基本结构  58
    6.1.2 模糊数据库  58-60
    6.1.3 模糊规则库  60
    6.1.4 反模糊化  60-61
  6.2 液压弯辊系统  61-62
  6.3 液压弯辊模糊控制器的设计  62-67
    6.3.1 熟练操作者的经验  62-63
    6.3.2 液压弯辊模糊控制系统  63
    6.3.3 模糊控制器的输入和输出  63-66
    6.3.4 模糊控制规则的建立  66-67
  6.4 液压弯辊模糊控制系统仿真与实现  67-68
  6.5 本章小节  68-70
第七章结论  70-72
参考文献  72-76
致谢  76-78
附录（攻读学位期间发表的学术论文及参加的科研项目）  78

基于智能方法的板形识别与控制

内容摘要

全文目录

相似论文