基于激光测量的板材矫直机智能控制系统的研究

论文摘要

金属板材的平直度是衡量一个国家工业化水平的标志之一,而矫直机是提高金属板材平直度的主要设备。在板材矫直的过程中,多种工艺参数的选择是决定矫直后板材平直度的关键因素。目前,工艺参数选择方法的研究热点集中在利用智能化方法实现自动化参数选择上。随着原料板材平直度要求的提高和矫直机控制系统的不断自动化,需要一种更加精确、自动化程度更高的工艺参数选择方法来替代传统的手工参数选择法。在国家攻关重点科技新产品试产计划的资助下,本文对基于激光测量的板材矫直机智能控制系统的方法及其相关技术进行了系统研究。本研究的主要内容包括以下几个部分。1)对比分析国内外现有板材表面平直度的多种测量方法,研究了板材表面平直度信息和多种数字图像处理技术,选择基于结构光检测技术的光学板材平直度作为基础方案。2)针对板材矫直过程的特点,研究抽象出从矫直过程样本中提取经验知识的三大特性——增量性、批量性及在线性的特点,比较插值法、人工神经网络、支持向量机回归方法,优化样本学习算法过程。3)研究利用经验知识选择矫直机工艺参数的技术,将工艺参数选择问题抽象成多维状态空间中的搜索最优向量问题；利用遗传算法良好的全局寻优能力寻找最佳的工艺参数,对专家系统、神经网络、增量式SVR（Incremental Support Vector Machine Regression）、批量式SVR（Batch Support Vector Machine Regression）和SVR-GA（Support Vector Machine Regression-Genetic Algorithm）五种智能型工艺参数进行性能比较研究。4)构建激光检测设备的理论模型。对由机械式遮光、可控光学成像采集、宽电源稳压电源、显示控制等四部分组成的装置具有指导意义。5)研究开发基于激光测量的板材矫直机智能控制系统。该系统由两套板形检测设备系统和工艺参数选择系统组成。开发出入口的板形检测系统对于优化工艺参数具有重要意义,为矫直机工艺参数的选择奠定应用基础。通过上述研究工作,获取的主要结论包括：1)根据多光源结构光理论,改进了激光三角法板形测量方案,通过多条激光内部的关系得出延伸率。由此提出了一种新的适用于自动化生产的钢材板形获取方法,该方法解决了板材震动和弹跳所带来的一定误差,为系统的进一步设计与开发提供基础和依据。2)系统中的图像主要包含红色和灰色,为了更好地提取出红色的激光条,根据数字图像处理技术,论文提出了一种基于灰度的图像边缘检测算法,该算法是对Canny算法中边缘的阈值确定和边缘细化方法进行的改进,为延伸率计算提供了精确的边缘检测结果。3)基于支持向量机的理论,通过求解二次规划,构建了一个新的样本学习数学模型,提出了一种新的BIO-SVR （Batch Incremental Online-Support Vector Machine Regression）算法,该算法统筹解决了样本学习过程中的增量性,批量性与在线性三大特性的问题,提高了板材矫直生产效率和自动化程度。4)根据BIO-SVR算法,构建了一种新参数选择的核心算法模型即,S：（入口平直度ρin,工艺参数Ptec）→出口平直度ρout。提出了基于SVR-GA混合算法的工艺参数选择系统。该模型以大量样本训练好的BIO-SVR算法学习机作为SVR-GA遗传算法的适应度评价函数,发挥了遗传算法的全局优化能力,寻找出了最优的工艺参数。论文设计完成了板形检测系统的硬件和与之配套的软件系统,并已申请了专利保护。此系统应用于唐山钢铁厂重卷线的矫直机自动化控制项目中,验证了该系统具有良好的精确性、实用性及可扩展性,具有较高的理论意义和实用价值。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 国内外研究现状及存在的问题
• 1.1.1 矫直机工业控制现状
• 1.1.2 板形检测研究现状
• 1.1.3 支持向量机算法改进
• 1.1.4 目前研究中存在的问题
• 1.2 论文的主要工作
• 1.3 论文的组织结构
• 2 矫直机智能控制系统的研究
• 2.1 拉伸弯曲矫直机的原理
• 2.1.1 拉伸弯曲矫直机的矫直原理
• 2.1.2 拉伸弯曲矫直机的组成结构
• 2.2 板形及检测技术
• 2.2.1 板形的描述方法
• 2.3 矫直机的自动化控制系统需求
• 2.4 矫直机的自动化控制系统设计
• 2.5 本章小结
• 3 基于激光测量的板形样本获取方法研究
• 3.1 参数选择系统对板形数据的要求
• 3.2 板形样本获取方法的研究
• 3.2.1 基于结构光的板形检测技术
• 3.2.2 板形信息检测
• 3.2.3 几种主要板形检测方法比较
• 3.2.4 板形样本的特征模式
• 3.3 板形样本获取方案
• 3.3.1 板形样本获取系统组成
• 3.3.2 板形样本获取系统的处理流程
• 3.4 本章小节
• 4 基于激光测量的板形样本获取系统的设计与实现
• 4.1 板形样本获取系统详细设计
• 4.1.1 图像采集模块设计
• 4.1.2 图像处理模块设计
• 4.1.3 延伸率及三维数据计算模块设计
• 4.1.4 系统控制模块设计
• 4.2 板形样本获取系统的实现
• 4.2.1 图像处理模块的实现
• 4.2.2 数据分析模块的实现
• 4.3 板形样本获取系统的仿真实验
• 4.4 本章小结
• 5 矫直过程知识提取的样本学习算法研究
• 5.1 样本学习
• 5.1.1 样本的来源
• 5.1.2 样本的形式化描述
• 5.1.3 样本学习的特征
• 5.2 样本学习问题的背景及目标
• 5.2.1 样本学习算法的主要功能
• 5.2.2 样本学习问题的基础解决方案的选择
• 5.2.3 样本学习问题的基础解决方案的分析研究
• 5.3 基于SVR的样本学习算法的分析与研究
• 5.3.1 基于SVR的增量式样本学习算法的研究
• 5.3.2 基于SVR的批量样本的增量式学习算法的研究
• 5.3.3 基于SVR的批量样本的在线增量式学习算法的研究
• 5.4 算法的实现和效果分析
• 5.5 本章小节
• 6 矫直机工艺参数选择系统的研究与实现
• 6.1 基于SVR-GA混合算法的总体框架
• 6.2 基于SVR-GA混合算法的分析与研究
• 6.2.1 染色体编码与解码
• 6.2.2 初始群体的生成
• 6.2.3 个体适应度的评估检测
• 6.2.4 遗传运算
• 6.3 基于SVR-GA混合算法的工艺参数选择系统
• 6.3.1 工艺参数选择系统的功能
• 6.3.2 工艺参数选择系统的需求
• 6.4 工艺参数选择系统的总体描述
• 6.4.1 工艺参数选择系统的静态组成描述
• 6.4.2 工艺参数选择系统的动态流程描述
• 6.5 工艺参数选择系统的分析与设计
• 6.5.1 工艺参数选择系统的状态分析与设计
• 6.5.2 工艺参数选择系统的的数据流分析与设计
• 6.6 工艺参数选择系统原型系统的设计与实现
• 6.6.1 原型系统的实现环境及分层架构的实现
• 6.6.2 公共数据结构的设计与实现
• 6.6.3 样本库及样本库管理模块的设计与实现
• 6.6.4 知识库及知识库管理模块的设计与实现
• 6.6.5 样本学习模块的设计与实现
• 6.6.6 参数选择模块的设计与实现
• 6.6.7 信息查询模块的设计与实现
• 6.6.8 人机交互界面模块的设计与实现
• 6.7 本章小结
• 7 矫直机智能控制系统的应用
• 7.1 控制系统的应用环境
• 7.2 板形检测系统应用效果分析
• 7.3 工艺参数选择系统的应用效果及性能分析
• 7.3.1 工艺参数选择系统应用效果
• 7.3.2 SVR-GA混合算法的性能结果分析
• 7.4 矫直机控制系统的验证
• 7.5 本章小结
• 8 总结与展望
• 8.1 论文总结
• 8.2 工作展望
• 致谢
• 参考文献
• 攻读学位期间取得的研究成果