基于矢量量化技术的钢水连铸下渣检测方法的研究

论文摘要

由于在钢水冶炼过程中添加了一些辅助材料,再加上矿石中本身就含有许多杂质,从而形成大量的非金属氧化物,由于比重小而浮于钢水的表面,形成厚厚的一层“钢渣”。因此,在钢水浇注后期,为了提高钢材质量,需要判断钢水浇铸是否下渣。 本文在对国内外现有的各种钢渣检测方法进行介绍的基础上,提出把矢量量化技术与钢水浇铸振动信号处理相结合来识别钢水浇注的状态,并详细阐述了矢量量化技术应用于下渣检测的基本原理,然后对该检测方法在应用过程中遇到的一些关键的问题进行全面的分析。全文共分六章: 第一章 详细介绍了国内外现有的下渣检测技术的研究和应用现状,对振动检测方法可行性进行分析;提出把模式识别技术应用于钢水浇注状态的识别。 第二章 对矢量量化技术基本理论进行简单介绍;阐述矢量量化技术应用于钢水浇注状态识别的基本原理以及需要解决的几个关键问题即:信号特征提取、码本训练、码字快速搜索。 第三章 应用常见的信号时域和频域分析方法对钢水浇铸振动信号进行分析,来寻找能够表征钢水浇注状态的特征参数,最后提出用小波包分析方法获取信号特征。 第四章 对常见的码本设计和码字快速搜索方法进行介绍,提出了钢水浇注码本训练方法和码字快速搜索算法,并给出部分程序代码。 第五章 介绍了码本训练和浇注状态识别的实验 第六章 总结本文目前所做工作及需要进一步改进的问题

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 引言
• 1.1 国内外下渣检测方法研究与应用现状
• 1.1.1 电磁检测方法
• 1.1.2 超声波检测方法
• 1.1.3 红外线检测方法
• 1.1.4 称重检测方法
• 1.2 基于振动的下渣检测方法
• 1.2.1 下渣振动检测原理
• 1.2.2 振动信号的主要影响因素
• 1.2.3 下渣振动检测关键技术
• 1.3 模式识别技术及应用
• 1.3.1 模式识别概述
• 1.3.1.1 模式识别的基本概念
• 1.3.1.2 模式空间、特征空间及类型空间
• 1.3.1.3 模式识别系统的构成
• 1.3.2 常见模式识别方法
• 1.3.2.1 递归神经网络（RNN）
• 1.3.2.2 动态时间规整法（DTW）
• 1.3.2.3 隐MARKOV模型
• 1.3.2.4 矢量量化技术（VQ）
• 1.4 本文研究的主要内容
• 第二章 矢量量化技术在下渣检测中的应用
• 2.1 矢量量化技术简介
• 2.1.1 矢量量化的概念和基本理论
• 2.1.2 矢量量化技术特点与性能评价
• 2.2 矢量量化技术在工程中的应用
• 2.3 矢量量化技术在下渣检测中的应用
• 2.3.1 基于VQ的钢水浇铸状态识别原理
• 2.3.2 关于提高识别精度的问题
• 2.3.3 矢量量化技术应用于下渣检测关键问题
• 2.4 本章小结
• 第三章 振动信号分析与特征矢量提取
• 3.1 信号采集与处理
• 3.1.1 信号采集与控制装置
• 3.1.2 数据预处理
• 3.2 振动信号一般分析
• 3.2.1 方差分析
• 3.2.2 能量分析
• 3.2.3 傅立叶分析
• 3.2.4 信号功率谱分析
• 3.3 小波分析
• 3.3.1 小波分析概述
• 3.3.2 小波变换原理
• 3.3.3 振动信号小波分解
• 3.4 小波包理论及振动信号特征矢量提取
• 3.4.1 小波包理论
• 3.4.2 基于小波包的特征矢量提取
• 3.4.3 实验数据分析
• 3.5 本章小结
• 第四章 钢水浇铸状态的码本训练及码字快速搜索
• 4.1 矢量量化器
• 4.1.1 穷尽搜索矢量量化器（FVQ）
• 4.1.2 预测矢量量化器（PVQ）
• 4.2 最优矢量量化
• 4.2.1 最优矢量量化的必要条件
• 4.2.2 矢量量化最优条件的充分性
• 4.3 常见的码本设计方法
• 4.3.1 GLA算法
• 4.3.2 基于神经网络的码本设计算法
• 4.3.3 随机松弛码书设计算法
• 4.4 钢水浇铸码本设计
• 4.4.1 初始码本的设计及程序实现
• 4.4.2 码本优化
• 4.5 码字快速搜索
• 4.5.1 常见码字快速搜索方法
• 4.5.2 钢水浇铸码字快速搜索
• 4.5.3 快速搜索算法的程序实现
• 4.6 本章小结
• 第五章 码本训练及浇注状态识别实验
• 5.1 码本训练及浇注状态识别实验
• 5.2 结论
• 第六章 结论及展望
• 6.1 本文所作的研究工作
• 6.2 结论
• 6.3 未来工作展望
• 参考文献
• 硕士期间论文发表
• 致谢