基于智能方法的冷轧板形信号分析及板形模式识别

论文摘要

板形模式识别是板形控制系统的重要组成部分，其关键技术包括板形基本模式选择、板形特征参数个数确定和模式识别算法。在国家“十一五”科技支撑计划课题和国家自然科学基金项目的资助下，以非接触式板形仪为基础，对非接触式板形仪信号的消噪处理进行了研究，接着板形模式识别采用人工神经网络技术，以及板形控制策略进行了研究，取得了一定成果。考虑到非接触式板形仪的板形信号为非直接信号，信号处理的技术要求高，本文采用小波消噪技术进行板形原始信号的预处理。板形模式识别结合轧机板形控制手段的多样化，板形基本模式选择使用1次、2次、3次和4次勒让德多项式，含有3次板形的新模式识别方法，从一定程度上提高了板形模式识别的精度。在板形模式识别算法研究方面，首次采用自适应混沌粒子群算法，通过优化BP网络结构及权值、阈值建立的新的板形模式识别模型，提高了板形识别的精度和速度。仿真结果表明新建网络的抗干扰能力和自学习适应能力强、精度高，为板形控制策略的制定提供了准确有效的板形信息。以HC轧机为例，基于自适应混沌粒子群BP网络的实测结果，制定了缺陷板形反馈控制策略。基于VC++软件构建了仿真平台，用户可通过可视化界面进行相关参数设置，系统将自动对缺陷板形进行识别，并给出缺陷板形的I值分布及相应的反馈控制策略，实验分析表明该系统的识别精度高，可用于在线板形闭环反馈控制。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第1章 绪论
• 1.1 课题研究目的和意义
• 1.2 板形模式识别技术现状
• 1.3 板形控制技术的研究现状
• 1.4 课题来源与本文的主要研究内容
• 1.4.1 课题来源
• 1.4.2 本文主要研究内容
• 第2章 基于小波理论的板形信号分析
• 2.1 引言
• 2.1.1 板形的基本概念
• 2.1.2 板形的良好条件
• 2.2 小波变换理论
• 2.2.1 傅里叶变换 FT
• 2.2.2 加窗 FT
• 2.2.3 连续小波变换
• 2.2.4 离散小波变换
• 2.3 板形检测信号小波消噪研究
• 2.3.1 板形检测原理及信号分析
• 2.3.2 小波阈值消噪原理
• 2.3.3 小波基的选择及评价准则
• 2.3.4 板形检测信号消噪的小波基选取试验
• 2.3.5 小波分解尺度的选择
• 2.3.6 小波消噪中阈值规则的选择及处理方法
• 2.3.7 小波消噪对比结果仿真
• 2.3.8 板形检测信号小波消噪实例
• 2.4 本章小结
• 第3章 基于自适应混沌粒子群优化的神经网络板形模式识别
• 3.1 板形基本模式的选择
• 3.2 自适应混沌粒子群算法
• 3.2.1 基本粒子群算法
• 3.2.2 混沌粒子群算法
• 3.2.3 自适应粒子群算法
• 3.2.4 自适应混沌粒子群算法
• 3.3 自适应混沌粒子群算法优化 BP 神经网络
• 3.3.1 BP 神经网络
• 3.3.2 自适应混沌粒子群算法优化 BP 神经网络
• 3.4 基于自适应混沌粒子群优化神经网络的板形模式识别
• 3.4.1 自适应混沌粒子群算法优化板形模式识别神经网络模型
• 3.4.2 板形模式识别方法的识别精度比较分析
• 3.5 本章小结
• 第4章 板形闭环反馈控制策略及仿真平台
• 4.1 VISUAL C++概述
• 4.2 板形控制手段
• 4.3 仿真平台
• 4.3.1 基于 HC 轧机的反馈控制策略
• 4.3.2 实测板形反馈控制及可视化界面
• 4.3.3 仿真实例与可视化界面
• 4.4 本章小结
• 结论
• 参考文献
• 致谢
• 作者简介