一、用神经网络构建板坯缺陷预报系统（论文文献综述）
易成新[1]（2021）在《基于机器学习的热连轧板坯粗轧过程建模研究》文中研究说明目前,热连轧是主要的带钢生产方式,而粗轧是其中的关键环节。粗轧过程中,板坯的轧制过程涉及到了很多的过程控制参数,这些过程参数都会直接或间接影响所生产带钢的产品质量及轧制稳定性。其中,有两个参数对带钢质量起着至关重要的作用,分别是板坯粗轧出口温度和板坯翘扣头。板坯粗轧出口温度对后续的精轧、层冷等工序有重要作用,直接影响着带钢的力学性能、产品厚度指标及轧制稳定性;翘扣头是板坯经过粗轧机架轧制后头部发生不对称变形导致的上翘或下扣,严重影响带钢生产工况和带钢质量。因此,建立精确的板坯粗轧出口温度预测模型和翘扣头预测模型就极为重要。本文基于钢厂实际生产过程数据,分别建立了基于随机森林-长短期记忆神经网络（RF-LSTM）的板坯粗轧出口温度预测模型和基于stacking集成学习的热连轧板坯翘扣头预测模型。针对热连轧过程数据维度过高、难以准确预测板坯温度的问题,提出一种基于RF-LSTM的板坯粗轧出口温度预测模型。首先,采用改进随机森林算法对特征变量进行选择,通过分析板坯粗轧出口温度预测结果的变化衡量各特征变量的贡献度,挑选具有较大贡献的特征变量;其次,针对热连轧生产过程数据具有时间序列特性的特点,采用LSTM预测板坯粗轧出口温度。实验验证结果表明:特征选择前后钢坯的温度预测平均绝对误差、均方根误差分别下降了0.21℃、0.25℃,预测相对误差在±3.0%以内的精度达到了99.07%。针对热连轧粗轧板坯轧制过程中轧件头部弯曲问题,提出一种基于stacking集成学习的翘扣头预测模型,预报粗轧过程中板坯头部的翘曲程度。首先,对建模数据进行预处理,包括异常值和缺失值的处理、人工组合部分特征以弥补特征不足、利用皮尔森相关系数和最大信息系数结合人工经验进行特征筛选,以提高建模数据质量。其次,利用stacking集成学习方法对自适应增强学习Ada Boost、随机森林RF、梯度提升树GBDT、极端提升树XGBoost以及支持向量机回归SVR等五种机器学习算法进行集成,构建更高层次的翘扣头预测模型,并且给出了模型参数寻优的具体思路。通过实验验证和对比分析,相对于单个机器学习算法构建的翘扣头预测模型,吸收了各个算法优势的stacking集成学习模型的预测精度有了明显的提升,对比单个算法构建的翘扣头预测模型中精度最高的GBDT模型,板坯的翘扣头预测平均绝对误差、均方根误差分别下降了0.0358cm、0.0762cm,绝对误差绝对值在±2cm以内的样本在测试集的比例提升了1.81%,达到了88.50%。充分证明了所提出的基于stacking集成学习的翘扣头预测模型的有效性。
唐伟[2]（2020）在《冷轧2230产线宽板板形与稳定通板耦合机理研究》文中研究说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。
王威远[3]（2020）在《基于机器学习的铜合金工艺流程模型研究》文中研究指明在铜合金进行热轧轧制工序时,轧制力的准确预测影响着整个热轧轧制工序和热轧产品的性能。热轧轧制力设定的精度决定了铜合金板坯热轧轧制后的厚度,导电性,抗拉强度等产品质量的精度,并且可以通过对热轧轧制力的精确预报减少铜合金板坯轧制过程的长度。铜合金热轧轧制的过程中各种因素繁多,变量间的变化很难用公式进行表示,如果使用传统的轧制机理模型对轧制力进行建模预测,由于适用状况少,易产生较大误差,无法达到当今生产中对于多规格产品智能化精确化的生产需要。由对热轧轧制机理模型开始改进,使用机器学习方法构建热轧轧制力预测模型,从而提升热轧轧制力预测的准确度和泛化能力。为了提高轧制力预测模型的各项性能,本文进行了以下工作:第一,通过对目前现有的轧制力预报算法的分析和比较研究,对目前机理模型和机器学习算法在实际生产数据中应用进行深入分析,本文提出使用支持向量回归进行轧制力预测模型构建,并对支持向量机和支持向量回归基本理论进行论述。第二,对影响支持向量回归性能的机器学习算法参数进行分析和论述,本文提出使用粒子群优化算法优化支持向量回归算法的参数,增强了支持向量回归算法的全局寻优能力。之后在粒子群算法中加入邻域的划分,将全局最优值改为邻域中的最优值,增加了网络的收敛能力与局部搜索能力。实验结果表明,该模型在预测精度和模型推广能力上均优于遗传算法优化模型并能满足实际生产环境下的要求。第三,通过分析实际铜合金热轧轧制生产过程中产生的生产数据,本文提出在现有轧制训练样本集的特征中加入轧制时间和轧制道次两个特征,建立铜合金热轧工艺流程轧制力训练样本集。从而对板坯在热轧轧制过程中的整个工艺流程的热轧轧制力进行预测。第四,由于改进后的训练样本集增加了特征和更多的数据样本,仅使用支持向量回归模型难以对训练数据进行较好的拟合,本文提出一种基于深度信念网络的轧制力预测模型,将深度信念网络与支持向量回归相结合。使用深度信念网络分析训练样本集各个特征间的相互影响,为支持向量回归提供降维后的深层次特征,增加了支持向量回归的运算效率和准确度。实验结果表明相较于其他神经网络算法,使用深度信念网络支持向量回归构建的预测模型整体运算时间减少40%,预测精度也得到较大提升。
隋筱玥[4]（2019）在《基于数据挖掘的钢铁产品性能预报与工艺设计方法研究》文中研究表明中国作为钢铁生产大国,钢铁产品的技术含量和质量仍落后于发达国家,亟须优化产品结构、提高产品质量。随着钢铁企业信息化建设的不断完善和计算机技术的不断发展,利用现代化信息技术手段实现生产加工流程的深度优化和质量控制过程已成为趋势。根据目前实际生产和研究中存在的问题,本文提出了一个由实际生产数据驱动的钢铁企业全流程产品质量数据存储及分析的研究体系,包括性能预测、成分体系设计、数据仓库模型设计等。论文的主要内容及创新点如下:（1）在传统机械性能预测模型的基础上,根据热轧生产流程多阶段的特点,提出了高维多输入层遗传神经网络预测模型。该模型对应热轧生产过程四个阶段,研究中将四个阶段的主要工艺参数分为四个输入层,构建多输入层神经网络模型,并采用遗传算法结合BP算法的两步训练方法获得高精度的网络连接权值,实现热轧产品成分、工艺参数和机械性能指标间的映射,具有较高的预测精度和通用性。（2）根据热轧生产过程工艺参数本身的属性和内在联系,提出了基于属性约简的ELM机械性能预测模型。该模型针对不同的钢种数据,采用信息熵结合Gram-Schmidt正交变换的属性约简方法,形成有效的属性特征集,降低了工艺参数维度,并建立了相应的ELM预测模型,与传统的ELM模型和其他方法相比,模型结构简单,预测精度更高。（3）针对目前生产面临的多品种、小批量、个性化的需求,在炼钢过程中采用钢种牌号管理存在的问题,提出了分组算法改进的DBSCAN聚类算法,对钢铁产品牌号及其化学成分进行聚类,实现由实际生产数据驱动的钢种归并从而设计适应性更广泛的炼钢成分体系,用于指导柔性化轧制和定制化生产,同时可改善钢种繁多造成的管理困难问题。（4）根据钢铁企业生产流程及数据特点,立足于质量分析,设计了面向钢铁企业全流程分析的数据存储模型及相应的OLAP分析方法。数据仓库模型纵观生产过程的整个生命周期,可实现对钢铁产品质量和遗传性的多粒度分析,以及信息预处理和多角度观察的需求。
王红涛,冯连强,刘颖,周士凯,赵静[5]（2018）在《铸坯质量判定系统的研究与应用》文中研究说明本文以铸坯质量判定为应用背景,针对连铸设备的铸坯质量缺陷重要性、判定方法局限性、工艺过程复杂性,研究铸坯生产工艺技术特点,建立智能化的在线质量判定模型。根据板坯连铸过程中连铸机装备的特点及工艺状况,对应不同的钢种,把连铸生产过程中影响铸坯质量因素抽象为数学模型,确定影响铸坯缺陷不同模型的相应判定方法及策略,设计、实现铸坯质量判定系统,期望达到国内领先水平;在实验和运行环境中通过对系统判定结果的不断分析与研究,实现对系统中的数学模型及各项参数的持续优化,达到高精度判定连铸板坯质量缺陷,并设计相应的人机交互界面,实现其在现实工程中的应用。
吴思炜[6]（2018）在《基于工业大数据的热轧带钢组织性能预测与优化技术研究》文中认为目前,钢铁企业生产的特点是大型化、连续化、集约化,用户需求的特点是个性化、多样化、优质化。钢铁企业生产技术和组织管理与用户需求产生了矛盾。为了解决这一矛盾,研究者们开发热轧工艺优化设计技术,即在考虑实际生产过程中复杂约束条件的前提下,针对用户个性化需求,结合组织性能预测技术和多目标优化算法快速计算出最优生产工艺。其中,合理的组织性能预测模型是热轧工艺优化设计技术的核心。在基于大数据建模技术的研究中,研究者们更多关注模型的预测精度,将研究重点放在模型的构建方法上,对于原始数据常常不加处理或者经过简单的标准化处理后直接用于建模。在模型应用过程中一旦涉及到模型的规律性研究,很容易产生偏离实际的预测结果。因此,合理的数据处理对于工业数据建模至关重要。针对大数据环境下组织性能预测与优化技术面临的模型实用性和合理性问题,本文从大数据的处理着手,改善数据质量、提高算法精度、开发高效智能算法、丰富模型预测功能,最终实现了组织性能预测与优化技术的工业应用。本论文的主要工作内容如下:（1）钢铁工业大数据挖掘技术开发:对热轧生产线采集的大量工业数据进行匹配、整理,建立数据库。结合数理统计和轧制工艺理论,针对C-Mn钢开发了填补空缺值、钢卷归并、相似工艺聚类和数据均衡化等数据处理方法,使处理后的数据呈现出合理的规律性。采用贝叶斯正则化神经网络建立了 C-Mn钢的化学成分-工艺参数-力学性能对应关系模型,并与未经过数据处理建立的模型相比较,分析化学成分和工艺参数对力学性能的影响规律。结果表明:当采用未经过数据处理建立的模型进行模型规律性分析时,模型在局部的预测值会偏离实测值;而采用经过数据处理建立的模型能够在保证一定预测精度的前提下,反映出合理的物理冶金学规律。（2）基于人工智能理论的力学性能预测研究:在热轧带钢力学性能预测中引入随机森林算法,针对Q345B钢种,采用重采样技术选择建模数据,构建大量分类回归树,实现了 Q3 4 5B钢的力学性能预测。与传统逐步回归模型进行对比,结果表明:随机森林模型具有良好的非线性拟合能力,鲁棒性较强,预测精度较高。其屈服强度预测值与实测值平均误差为-0.61 MPa,标准差为25.10 MPa;抗拉强度预测值与实测值平均误差为0.548 MPa,标准差为23.05 MPa;延伸率预测值与实测值平均误差为0.0088%,标准差为2.09%。（3）智能化热轧工艺优化设计研究:将正交试验设计理论和ε占优策略引入免疫克隆选择算法,加快了算法的收敛速度,开发了ε-ODICSA（ε-Orthogonal Design Immune Clone Selection Algorithm,ε-ODICSA）算法。将 ε-ODICSA 算法与传统多目标优化算法IBEA、NSGA2和SPEA2在ZDT系列测试函数上的优化效果进行对比,结果表明:ε-ODICSA算法在最优Pareto前沿的逼近性和均匀性等方面表现出显着的优越性。针对380CL钢中合金成本较高的问题,将ε-ODICSA算法与热轧板带化学成分-工艺参数-力学性能对应关系模型相结合,对380CL钢的热轧工艺进行了优化设计,通过将卷取温度由600℃降低至510℃,在保证符合380CL钢力学性能标准要求的前提下使Mn含量降低至约原来的50%,节约了生产成本。（4）基于大数据的智能化热轧工艺优化设计系统开发:基于工业大数据挖掘技术、高精度力学性能预测技术和高效的多目标优化算法,利用C++和C#语言开发了智能化热轧工艺优化设计系统。系统包含数据查询筛选模块、数据挖掘模块、高精度力学性能在线预测模块和智能化热轧工艺优化设计模块。针对2150ASP热轧生产线,利用该软件实现了典型钢种（500L-Z、L485M、SS400Cr、S275JR、SPHC、Q235B和Q345B）的力学性能高精度在线预测,其预测精度为:屈服强度预测值与实测值相对误差在±8%范围内,抗拉强度预测值与实测值相对误差在±6%范围内,延伸率预测值与实测值绝对误差在±6%范围内。利用该系统在工业上实现了 HP295钢性能稳定性控制,提高了产品质量。（5）大数据驱动的物理冶金学模型研究:基于2150ASP热轧生产线,建立了描述热连轧及连续冷却过程中轧件内部显微组织演变的模型,其中包括温度场模型、奥氏体再结晶模型、奥氏体晶粒长大模型、相变模型、析出模型以及最终力学性能预测模型。基于该模型框架,采用遗传算法对模型中的关键参数进行了优化,开发了大数据驱动的物理冶金学模型。分别针对Q235B钢种和X70钢种建立了组织性能预测模型,通过工业试轧对模型预测结果进行验证。与传统的物理冶金学模型对比,大数据驱动的物理冶金学模型取得了较高的预测精度。对于Q235B,其屈服强度预测值与实测值相对误差在±10%范围内,抗拉强度预测值与实测值相对误差在±6%范围内,延伸率预测值与实测值绝对误差在±6%范围内;对于X70,其屈服强度预测值与实测值相对误差在±10%范围内,抗拉强度预测值与实测值相对误差在±4%范围内,延伸率预测值与实测值绝对误差在±6%范围内。
韩舟[7]（2017）在《基于神经元网络技术的铸坯质量分析算法研究》文中认为随着钢铁企业轧钢工艺控制的日益稳定,炼钢工艺的控制水平也逐步成为了最终产品质量水平的重要衡量标准,然而炼钢工艺的控制要比轧钢工艺控制更加困难,如何精确控制工序成分和温度,如何提高铸坯产品的质量,降低铸坯内部缺陷的发生率成为目前钢铁企业管理者急需解决的难题。本课题基于鞍钢股份有限公司炼钢5#线大数据分析项目软硬件平台进行研究,建立了基于神经网络算法的铸坯质量判定模型,用于预测铸坯缺陷,为后续轧钢工序作参考,降低最终成品废品率。本课题主要工作内容如下:（1）首先分析了铸坯质量问题的分类、成因及可能的影响因素,并再此基础上确定需要采集的数据范围。与各级自动化、信息化系统建立数据采集接口,采集炼钢各工序与铸坯质量相关的工艺数据。（2）利用相关分析技术进一步确定与铸坯质量相关的重要影响因素,确定关键输入变量（Key Input Value,简称KIV）。数据经过一定的预处理和标准化后,形成用于分析建模的样本。（3）选用神经网络BP算法作为系统的数学理论基础,利用IBM SPSS数据挖掘软件,开发建立了铸坯质量判定模型,对铸坯质量特别是内部质量做出预报。在充分落实冶金机理的基础上,依据BP神经网络模型特点和优势,建立起基于BP神经元网络算法的铸坯质量预报模型,并初步确定了BP网络的结构参数和学习算法,最后利用80%的测试集样本进行模型训练,用另外20%进行模型测试,实践证明模型预报准确率可达到90%以上。本系统中的样本数据从冶金机理角度,综合考量了从炼钢到连铸整个工艺过程中影响铸坯质量的各类因素,覆盖范围较为全面,其结论更具指导意义和实际作用。BP神经元网络算法是目前应用最为广泛的神经算法,本课题在标准BP算法的基础上提出了一些改进措施,采用了变步长的学习方法、加入了动量因子,以防止网络振荡,达到了加速网络的收敛效果,满足现场应用的要求。
李宁[8]（2018）在《国丰1450mm热轧带钢尺寸精度控制》文中认为随着物质需求的不断增加,人们对热轧钢板的质量也提出了更高的要求,其中满足钢板的外形几何尺寸是轧钢的首要目的,这其中就包含横向和纵向尺寸。由于板坯的厚度、宽度、温度的不均匀以及组织成分上的不稳定,因此轧机出口厚度、宽度与设定值常常有误差。要降低这种误差,就必须在轧钢机轧制期间对钢板的厚度和宽度进行调节。对于钢板的厚度而言,热轧厚度不均会影响冷轧厚度及板型,严重时可能轧废。对于钢板的宽度而言,宽度控制的好,不但能够增加总的成材率,还会降低下游用户的切边率,提高产量和效益,所以说对宽度的控制提升产品质量。现代热轧宽带轧机大都采用了自动化系统,其中包括厚度自动控制系统和宽度自动控制系统。本文以唐山国丰钢铁有限公司1450mm热连轧生产线为研究背景,基于过程控制对影响带钢宽度和厚度的因素进行分析研究,主要从板坯自身、设备以及二级控制等方面分别进行分析,并根据热轧工艺理论和轧制模型并结合现场生产经验给出了解决方案。影响厚度的主要原因有:粗轧中间坯尾部温度、热卷箱温降、规格切换跨度过大、化学成分超差、未换辊标定轧机、轧制新钢种等等。影响宽度的主要原因有:宽窄规格切换、板坯厚度变化、冷热板坯混轧、宽展小等等。从过程控制上来讲影响尺寸精度的原因主要包括两个方面:一是自学习系数偏差过大;二是物理模型的一些参数不能满足实际轧制的需求。
夏琼[9]（2018）在《加热炉生产过程操作优化建模及差分进化算法研究》文中研究指明加热炉生产过程的操作优化是通过优化设定加热炉的各段温度,使板坯温度符合轧制要求的同时,降低能源消耗并减少氧化烧损,以提高加热质量,降低生产成本。加热炉作为钢铁工业的重要设备,研究其生产过程操作优化不仅有利于丰富钢铁生产过程优化理论,对于提高钢铁企业的产品质量与节能水平也有重要实际意义。针对加热炉生产过程操作优化（Operation Optimization of Furnace Process,OOFP）问题,基于机理模型建立了以加热质量、能源消耗和氧化烧损为目标项的操作优化模型,提出了改进的差分进化（Differential Evolution,DE）算法求解OOFP问题;为进一步提高OOFP中传热机理模型的温度预测精度,研究了基于机理和数据解析的混合建模方法来重建传热模型,并提出了改进的差分进化算法求解基于混合建模的OOFP问题;针对加热炉预测控制和操作优化集成问题,应用滚动优化对炉温进行动态调节,以确保实现提高加热质量、降低能耗并减少氧化烧损的目标。本文主要工作概括如下:1)针对加热炉具有动态、非线性与时滞性的特点,基于机理模型,建立了以最小化板坯温度偏差、能源消耗和氧化烧损量为目标,加热炉各段的温度为决策变量的加热炉操作优化模型。针对传热机理模型中微分方程难于求解的问题,采用基于龙格-库塔的配置法对其进行差分离散,将加热炉生产过程的动态机理模型转化为静态非线性规划模型。基于实际生产数据对传热机理模型进行测试,结果表明所构建机理模型的精度符合实际操作优化的要求。2)针对加热炉生产过程操作优化问题的结构特征,结合差分进化算法全局搜索能力强、收敛速度快的特点,设计了改进的差分进化算法（DE for OOFP,O-DE）对问题进行求解。在O-DE中,通过搜索空间收缩机制,减小了算法的搜索域,加快了收敛速度;利用组合变异策略及自适应参数设定策略,改善了种群多样性并提高搜索效率。基于标准测试数据和实际生产数据的实验结果表明,O-DE算法能够有效求解一般非线性规划问题以及OOFP问题,且O-DE算法性能优于参加比较的同类算法性能。3)针对加热炉的热传导过程难以用机理模型精确刻画的情况,为进一步提升传热机理模型的预测精度,建立了基于机理和数据解析的混合模型。采用了基于DE算法优化参数的最小二乘支持向量机（LS-SVM）,对加热炉传热机理模型输出的板坯温度偏差进行动态补偿。基于实际生产数据对加热炉混合传热模型进行测试,结果表明混合模型比单一机理模型在板坯温度的预测精度上有显着的提高。4)针对基于混合建模的OOFP问题的结构特征,设计了改进的差分进化算法（Improved O-DE,IO-DE）。在IO-DE中,利用可行域动态调整机制,加快算法的收敛速度;采用种群规模渐进缩减策略,提高算法的深度搜索能力以获得更优质的解。基于标准测试数据和实际生产数据的实验结果表明,IO-DE算法能够高效求解一般非线性规划问题以及基于混合传热模型的OOFP问题,且其性能优于参与比较的同类算法性能。5)针对加热炉生产过程中的预测控制和操作优化两阶段的特点,研究了集成优化问题,将操作优化得到的炉温设定值作为预测控制的期望值,将板坯温度偏差作为反馈值,通过调节加热炉燃料控制系统的输入参数,对加热炉生产过程进行滚动优化,以确保在实际动态环境下实现提高板坯加热质量、降低能源消耗和减少氧化烧损的目标。基于实际生产数据的实验结果证明,集成优化能够有效、准确地对加热炉生产过程进行优化。
张本国[10]（2012）在《薄板坯连铸神经网络漏钢预报系统研究》文中提出随着连铸技术的不断发展，高效连铸技术已成为连铸技术领域的主要研究方向，受到世界各大钢铁企业、工程公司及设备制造商的高度重视。高效连铸技术是以高质量、无缺陷的铸坯生产为目的，实现高连浇率、高作业率的连铸系统技术。高拉速是高效连铸技术的核心，而随着拉坯速度的提高，漏钢的风险性也随之增加。连铸过程中的漏钢成为制约拉速提高的关键因素，开发实时有效的漏钢预报系统，对可能发生漏钢的特征进行识别、预警是防止漏钢事故发生的主要手段。目前，我国对漏钢预报技术的研究还处在初期阶段，对漏钢的形成机理及其过程缺乏系统的研究；现有的漏钢预报系统在连铸生产过程中都存在一定的漏报率和误报率，导致漏钢事故时有发生，造成生产的停滞和设备的损坏。因此，本文针对这一课题，以邯钢CSP薄板坯连铸机为研究对象，对连铸过程中的漏钢预报进行了深入的研究。主要工作如下：分析总结了连铸过程中的主要漏钢形式及其形成原因；结合结晶器内钢液弯月面行为，对粘结漏钢的形成原因进行重点分析与探讨；并针对漏钢的诱发因素，提出了相应的预防措施。将小波分析理论引入到漏钢预报系统中，对热电偶所采集的温度信号进行降噪处理。通过选用适当的小波函数对温度信号进行多尺度的小波分解，然后采用Birge-Massart阈值对小波分解系数进行处理并重建温度信号，从而去除了存在于温度信号中的噪声。降噪后的温度能够更好地反映出结晶器铜板上热电偶所采集温度的变化趋势。从而为漏钢温度特征的识别提供了更为准确的数据。针对BP神经网络在训练过程中存在局部最优解及收敛速度慢的缺陷，将粒子群优化算法、遗传算法及LM算法引入到BP神经网络的训练过程，分别建立了GA-LM-BP神经网络漏钢预报模型和PSO-LM-BP神经网络漏钢预报模型，并用连铸生产现场采集的数据对所建模型进行了训练和测试。测试结果表明，经过遗传算法和LM算法优化的GA-LM-BP神经网络漏钢预报模型对连铸过程漏钢温度特征的识别具有更高的准确率。最后，为了验证神经网络漏钢预报模型的有效性并达到实际应用的目的，利用Visual C++及ANSYS软件开发了以GA-LM-BP神经网络为核心算法的薄板坯连铸可视化漏钢预报系统，并通过了实验室测试。测试结果表明，本系统在结晶器内发生粘结时能够及时做出准确判断并给出报警，程序界面可以动态显示热电偶的温度和温度变化曲线，以及实时显示结晶器铜板热面温度云图对漏钢温度特征进行辅助判断。
二、用神经网络构建板坯缺陷预报系统（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、用神经网络构建板坯缺陷预报系统（论文提纲范文）
（1）基于机器学习的热连轧板坯粗轧过程建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 温度预测研究现状 |
| 1.2.2 翘扣头研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构 |
| 第2章 机器学习算法介绍 |
| 2.1 集成学习概述 |
| 2.1.1 集成学习基本思想 |
| 2.1.2 集成学习之boosting |
| 2.1.3 集成学习之bagging |
| 2.1.4 集成学习之结合策略 |
| 2.2 随机森林算法原理 |
| 2.3 自适应增强学习Ada Boost算法原理 |
| 2.4 梯度提升树GBDT算法原理 |
| 2.5 极端梯度提升XGBoost算法原理 |
| 2.6 支持向量机算法原理 |
| 2.6.1 支持向量分类机 |
| 2.6.2 支持向量回归机 |
| 2.6.3 核函数 |
| 2.7 本章小结 |
| 第3章 基于RF_LSTM的板坯粗轧出口温度预报 |
| 3.1 基于误差加权的改进随机森林算法 |
| 3.2 长短期记忆神经网络 |
| 3.3 RF-LSTM温度预测模型 |
| 3.3.1 数据样本获取 |
| 3.3.2 数据归一化及数据集划分 |
| 3.3.3 RF-LSTM模型算法流程 |
| 3.4 数据建模实验及结果分析 |
| 3.4.1 历史粗轧机架出口温度变量的确定 |
| 3.4.2 改进随机森林算法筛选变量 |
| 3.4.3 LSTM网络结构优化 |
| 3.4.4 RF_LSTM模型预测结果及分析 |
| 3.5 本章小结 |
| 第4章 基于stacking集成学习的粗轧板坯翘扣头预测 |
| 4.1 数据预处理 |
| 4.1.1 数据清洗 |
| 4.1.2 特征构建 |
| 4.1.3 特征选择 |
| 4.1.4 数据归一化及数据集划分 |
| 4.1.5 模型度量 |
| 4.2 基于stacking集成学习的粗轧板坯翘扣头预测 |
| 4.2.1 stacking集成学习方法 |
| 4.2.2 基于stacking集成学习的翘扣头预测模型 |
| 4.3 预测实验及结果分析 |
| 4.3.1 基模型的训练及参数优化 |
| 4.3.2 元学习器的选择与训练 |
| 4.3.3 stacking集成模型预测结果及分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（2）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 |
（3）基于机器学习的铜合金工艺流程模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器学习方法 |
| 1.2.2 智能优化算法 |
| 1.2.3 热轧轧制力预测 |
| 1.2.4 深度学习的应用 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 轧制力预测机理与支持向量机模型预测原理 |
| 2.1 传统轧制力模型 |
| 2.1.1 轧制力机理模型 |
| 2.1.2 自学习模型 |
| 2.2 支持向量机理论背景 |
| 2.3 支持向量机基本原理 |
| 2.4 支持向量回归模型预测原理 |
| 2.5 支持向量回归核函数 |
| 2.6 支持向量回归参数分析 |
| 2.7 本章小结 |
| 第3章 基于局部粒子群的支持向量回归轧制力预测模型 |
| 3.1 支持向量回归参数优化算法 |
| 3.1.1 遗传算法 |
| 3.1.2 粒子群优化算法 |
| 3.1.3 粒子群算法参数分析 |
| 3.1.4 粒子群优化支持向量回归算法的基本流程 |
| 3.2 局部粒子群优化算法的基本流程 |
| 3.3 数据采集 |
| 3.3.1 特征的选择与提取 |
| 3.3.2 数据的预处理 |
| 3.4 基于局部粒子群的支持向量回归轧制力预测模型仿真 |
| 3.4.1 交叉验证法 |
| 3.4.2 LPSO-SVR轧制力模型仿真 |
| 3.5 本章小结 |
| 第4章 基于深度信念网络的支持向量回归轧制力预测模型 |
| 4.1 深度学习概述 |
| 4.1.1 深度学习的理念 |
| 4.1.2 浅层学习与深度学习 |
| 4.2 深度信念网络模型 |
| 4.3 基于深度信念网络的支持向量回归轧制力预测模型基本流程 |
| 4.4 基于深度信念网络的支持向量回归轧制力预测模型仿真 |
| 4.4.1 输入特征的确定 |
| 4.4.2 模型参数确定 |
| 4.4.3 实验仿真与结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（4）基于数据挖掘的钢铁产品性能预报与工艺设计方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 2 文献综述 |
| 2.1 钢铁产品制造流程及工艺特点 |
| 2.2 数据挖掘技术简介 |
| 2.3 基于数据挖掘技术的钢铁产品质量控制研究现状 |
| 2.3.1 钢铁产品组织性能预测 |
| 2.3.2 炼钢产品成分体系设计 |
| 2.4 数据仓库模型技术 |
| 2.5 目前研究及应用存在的不足 |
| 2.6 本文研究内容及论文结构 |
| 2.7 本章小结 |
| 3 基于高维多输入层遗传神经网络的性能预测模型 |
| 3.1 问题描述 |
| 3.2 传统的高维多输入层神经网络模型与算法 |
| 3.3 高维多输入层遗传神经网络预测模型 |
| 3.3.1 遗传算法和BP算法相结合的两步训练算法 |
| 3.3.2 网络输入参数选择 |
| 3.3.3 网络拓扑结构 |
| 3.4 实验结果及分析 |
| 3.4.1 实验数据预处理 |
| 3.4.2 实验结果 |
| 3.4.3 预测精度对比 |
| 3.5 本章小结 |
| 4 基于属性约简的ELM性能预测模型 |
| 4.1 问题描述 |
| 4.2 基于特征选择的高维数据集的属性约简方法 |
| 4.2.1 基于信息熵理论的特征选择 |
| 4.2.2 基于Gram-Schmidt正交变换方法的属性约简 |
| 4.3 极限学习机ELM |
| 4.4 基于属性约简的ELM预测模型 |
| 4.4.1 基于属性约简的ELM建模方法 |
| 4.4.2 两种不同工艺质量数据集模型对比分析 |
| 4.4.3 ELM预测模型隐含层节点个数选择 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 5 基于密度聚类的炼钢成分体系设计 |
| 5.1 问题描述 |
| 5.2 DBSCAN算法 |
| 5.3 基于分组的快速DBSCAN算法 |
| 5.3.1 分组算法 |
| 5.3.2 基于分组的DBSCAN算法模型 |
| 5.4 实验结果及分析 |
| 5.4.1 实验数据与处理 |
| 5.4.2 实验结果 |
| 5.5 本章小结 |
| 6 面向钢铁企业的全流程分析的数据存储模型及应用 |
| 6.1 面向钢铁企业的数据仓库模型需求分析 |
| 6.2 数据仓库与OLAP概述 |
| 6.2.1 数据仓库 |
| 6.2.2 OLAP |
| 6.3 支持质量遗传性分析的多粒度数据仓库模型设计 |
| 6.3.1 数据仓库模型设计 |
| 6.3.2 数据ETL方法设计 |
| 6.4 OLAP方法设计 |
| 6.5 应用案例 |
| 6.6 本章小结 |
| 7 结论 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（5）铸坯质量判定系统的研究与应用（论文提纲范文）
| 0前言 |
| 1 铸坯质量判定方法概况 |
| 2 铸坯质量判定方法分析 |
| 2.1 图像处理 |
| 2.2 传统数学模型建模的判定 |
| 2.3 人工智能判定 |
| 3 铸坯质量判定系统需求分析 |
| 4 铸坯质量判定系统的实现与应用效果分析 |
| 5 结束语 |
（6）基于工业大数据的热轧带钢组织性能预测与优化技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 背景和意义 |
| 1.2 工业大数据挖掘技术 |
| 1.3 高精度组织性能预测模型 |
| 1.3.1 基于物理冶金学原理的组织性能预测模型 |
| 1.3.2 基于人工智能理论的组织性能预测模型 |
| 1.3.3 组织性能预测系统的开发及应用 |
| 1.4 智能化热轧工艺优化设计理论 |
| 1.5 基于工业大数据的组织性能预测与优化技术存在的问题 |
| 1.6 本文研究的主要内容 |
| 第2章 工业大数据挖掘技术开发 |
| 2.1 数据采集及整理 |
| 2.1.1 数据采集 |
| 2.1.2 化学成分、工艺参数和力学性能数据关联 |
| 2.2 工业数据在建模中存在的问题 |
| 2.2.1 数据冗余问题 |
| 2.2.2 异常值问题 |
| 2.2.3 数据分布均衡性问题 |
| 2.2.4 建模过拟合问题 |
| 2.3 工业大数据挖掘方法 |
| 2.3.1 凝聚分层聚类 |
| 2.3.2 异常值的剔除 |
| 2.3.3 数据分布均衡化 |
| 2.3.4 贝叶斯正则化神经网络 |
| 2.4 化学成分-工艺参数-力学性能对应关系模型 |
| 2.4.1 数据处理 |
| 2.4.2 模型建立 |
| 2.4.3 分析与讨论 |
| 2.5 小结 |
| 第3章 基于人工智能理论的力学性能预测 |
| 3.1 数据驱动模型 |
| 3.1.1 逐步线性回归 |
| 3.1.2 随机森林回归 |
| 3.2 基于Q345B钢力学性能高精度预测模型 |
| 3.2.1 数据选择 |
| 3.2.2 力学性能预测模型 |
| 3.2.3 分析与讨论 |
| 3.3 小结 |
| 第4章 智能化热轧工艺优化设计研究 |
| 4.1 高效ε-ODICSA算法研究 |
| 4.1.1 多目标优化算法基本概念 |
| 4.1.2 ε-ODICSA算法相关概念 |
| 4.1.3 ε-ODICSA算法流程 |
| 4.1.4 ε-ODICSA算法性能评价 |
| 4.2 智能化热轧工艺优化设计 |
| 4.3 小结 |
| 第5章 基于大数据的智能化热轧工艺优化设计系统开发 |
| 5.1 系统介绍 |
| 5.2 智能化热轧工艺优化设计系统工业应用 |
| 5.2.1 力学性能高精度在线预测 |
| 5.2.2 HP295钢性能稳定性控制 |
| 5.3 小结 |
| 第6章 大数据驱动的物理冶金学模型研究 |
| 6.1 物理冶金学模型描述 |
| 6.1.1 温度场模型 |
| 6.1.2 轧制应变和应变速率模型 |
| 6.1.3 奥氏体晶粒长大模型 |
| 6.1.4 奥氏体再结晶模型 |
| 6.1.5 相变模型 |
| 6.1.6 析出模型 |
| 6.1.7 组织性能对应关系模型 |
| 6.2 大数据驱动的物理冶金学模型 |
| 6.2.1 遗传算法简介 |
| 6.2.2 遗传算法优化物理冶金学模型参数 |
| 6.2.3 基于大数据的并行计算 |
| 6.3 模型预测结果讨论 |
| 6.3.1 实验材料及工艺 |
| 6.3.2 温度场模型预测结果 |
| 6.3.3 再结晶模型预测结果 |
| 6.3.4 相变模型预测结果 |
| 6.3.5 力学性能模型预测结果 |
| 6.4 小结 |
| 第7章 结论 |
| 参考文献 |
| 攻读博士学位期间取得的主要成果 |
| 一、攻读博士学位期间发表的学术论文 |
| 二、专利 |
| 三、参与项目 |
| 四、获得的荣誉 |
| 致谢 |
| 作者简介 |
（7）基于神经元网络技术的铸坯质量分析算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景 |
| 1.2 铸坯质量控制与发展 |
| 1.2.1 国外铸坯质量控制发展情况 |
| 1.2.2 国内铸坯质量控制发展情况 |
| 1.3 神经网络技术发展及应用概述 |
| 1.4 神经网络技术在钢铁企业的实际应用 |
| 1.5 课题研究的意义及主要内容 |
| 1.5.1 课题研究的意义 |
| 1.5.2 课题研究主要内容 |
| 1.6 本章小结 |
| 2 铸坯质量缺陷的机理分析 |
| 2.1 炼钢—连铸工艺流程分析 |
| 2.2 铸坯缺陷分类 |
| 2.2.1 铸坯纯净度缺陷 |
| 2.2.2 铸坯外观形状缺陷 |
| 2.2.3 铸坯表面质量缺陷 |
| 2.2.4 铸坯内部质量缺陷 |
| 2.3 铸坯缺陷形成机理 |
| 2.3.1 形成纯净度缺陷机理及影响因素 |
| 2.3.2 形成外观形状缺陷机理及影响因素 |
| 2.3.3 形成表面质量缺陷机理及影响因素 |
| 2.3.4 形成内部质量缺陷机理及影响因素 |
| 2.4 本章小结 |
| 3 BP神经网络改进算法的研究 |
| 3.1 人工神经网络的形成 |
| 3.2 BP神经网络结构 |
| 3.3 BP神经网络学习算法 |
| 3.4 BP网络神经元的激励函数 |
| 3.5 BP网络算法的不足 |
| 3.6 BP网络算法的改进 |
| 3.7 神经网络的学习过程 |
| 3.8 本章小结 |
| 4 铸坯质量判定模型设计 |
| 4.1 神经元网络技术应用原理 |
| 4.2 模型设计流程 |
| 4.3 硬件及网络架构 |
| 4.4 软件平台 |
| 4.5 模型设计 |
| 4.5.1 梳理铸坯质量相关影响因素 |
| 4.5.2 落实数据来源 |
| 4.5.3 落实数据质量 |
| 4.5.4 数据采集整体方案设计 |
| 4.5.5 ERP数据采集 |
| 4.5.6 MES数据采集 |
| 4.5.7 PLC数据采集 |
| 4.5.8 数据清洗 |
| 4.5.9 数据标准化、归一化 |
| 4.5.10 影响铸坯质量因素的相关性分析 |
| 4.5.11 构建模型 |
| 4.5.12 初始权值和阈值的设置 |
| 4.5.13 学习速率和动量因子的选取 |
| 4.5.14 网络训练误差的选取 |
| 4.5.15 BP网络模型的结构 |
| 4.5.16 BP网络模型的训练 |
| 4.5.17 传统算法与改进算法实际对比 |
| 4.5.18 BP网络模型变量重要性分析 |
| 4.5.19 BP网络模型的预测结果分析 |
| 4.6 铸坯质量预测模型的应用展望 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（8）国丰1450mm热轧带钢尺寸精度控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外现状与发展 |
| 1.2.1 热连轧数学模型简介 |
| 1.2.2 厚度自动控制技术 |
| 1.2.3 宽度自动控制技术 |
| 1.3 厚度与宽度控制的基本分析方法 |
| 1.3.1 厚度自动控制 |
| 1.3.2 宽度自动控制 |
| 1.4 国丰钢铁1450mm热连轧介绍 |
| 1.5 论文的主要研究内容 |
| 第2章 热连轧过程控制 |
| 2.1 过程控制的原理 |
| 2.2 过程控制的功能 |
| 2.3 神经网络与数据库 |
| 2.3.1 神经网络 |
| 2.3.2 数据库的应用 |
| 2.4 模型的自学习 |
| 2.4.1 模型自学习的方法 |
| 2.4.2 精轧模型的自学习 |
| 2.5 本章小结 |
| 第3章 厚度控制原理与设定计算 |
| 3.1 厚度设定计算流程与时序 |
| 3.2 厚度设定计算模型 |
| 3.2.1 厚度分配计算 |
| 3.2.2 穿带速度计算 |
| 3.2.3 轧制力计算 |
| 3.2.4 辊缝计算 |
| 3.3 本章小结 |
| 第4章 宽度控制原理与计算 |
| 4.1 宽展的分类和组成 |
| 4.2 影响宽展的因素 |
| 4.3 宽展计算公式 |
| 4.3.1 采利柯夫公式 |
| 4.3.2 爱克伦德公式 |
| 4.3.3 巴氏公式 |
| 4.3.4 古布金式 |
| 4.4 宽度模型和控制 |
| 4.4.1 粗轧区设备介绍 |
| 4.4.2 宽度设定计算 |
| 4.4.3 宽展自学习和短行程 |
| 4.5 本章小结 |
| 第5章 尺寸精度问题的分析和解决 |
| 5.1 尺寸精度问题的分类 |
| 5.2 材料自身对尺寸精度影响的分析 |
| 5.2.1 中间坯尾部温度 |
| 5.2.2 通条温度偏差 |
| 5.2.3 化学成分对轧制力的影响 |
| 5.2.4 板坯几何尺寸 |
| 5.2.5 冷热坯料混轧 |
| 5.3 二级模型对尺寸精度影响的分析 |
| 5.3.1 继承模型简介 |
| 5.3.2 监控自学习系数 |
| 5.3.3 开卷保持时的温降计算过大 |
| 5.3.4 精轧短继承权重值的评估 |
| 5.3.5 精轧短继承参数修改 |
| 5.3.6 精轧辊缝自学习参数的修改 |
| 5.4 设备对尺寸精度影响的分析 |
| 5.4.1 厚度仪误差 |
| 5.4.2 轧机未换辊标定 |
| 5.4.3 立辊轧机标定误差 |
| 5.5 其它原因分析 |
| 5.5.1 开轧首根钢的厚度控制 |
| 5.5.2 轧制计划和轧制节奏的编排 |
| 5.6 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 致谢 |
（9）加热炉生产过程操作优化建模及差分进化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 问题的研究背景及意义 |
| 1.2 加热炉过程的工艺背景与操作优化问题的提出 |
| 1.2.1 加热炉的生产工艺背景 |
| 1.2.2 加热炉生产过程操作优化问题 |
| 1.3 生产操作优化与研究现状 |
| 1.3.1 生产过程操作优化 |
| 1.3.2 操作优化的研究现状 |
| 1.3.3 加热炉生产过程操作优化的研究现状 |
| 1.4 本文的主要工作与研究路线 |
| 第2章 加热炉操作优化的机理建模研究 |
| 2.1 引言 |
| 2.2 加热炉传热机理模型 |
| 2.3 加热炉能耗机理模型 |
| 2.4 板坯氧化烧损机理模型 |
| 2.5 模型性能验证数值实验 |
| 2.6 小结 |
| 第3章 基于机理建模的加热炉操作优化问题求解 |
| 3.1 引言 |
| 3.2 OOFP问题优化模型 |
| 3.3 改进的差分进化算法(O-DE) |
| 3.3.1 差分进化算法框架 |
| 3.3.2 可行域空间收缩(SC)机制 |
| 3.3.3 组合变异(CRRB)策略 |
| 3.3.4 自适应参数设定(SAPS)策略 |
| 3.4 基于Benchmark问题的O-DE算法数值实验 |
| 3.5 基于OOFP问题的O-DE算法数值实验 |
| 3.5.1 O-DE算法的改进策略有效性分析 |
| 3.5.2 O-DE算法与其他算法的求解性能比较 |
| 3.5.3 O-DE算法计算时间复杂度分析 |
| 3.5.4 关于OOFP问题与O-DE算法的深入分析 |
| 3.6 小结 |
| 第4章 加热炉操作优化的混合建模研究 |
| 4.1 引言 |
| 4.2 基于机理和数据解析的OOFP问题混合建模 |
| 4.2.1 OOFP混合建模方法原理与框架 |
| 4.2.2 基于LS-SVM的机理模型偏差预测 |
| 4.3 基于差分进化算法的LS-SVM模型参数优化 |
| 4.3.1 LS-SVM参数选取方法综述 |
| 4.3.2 基于DE的LS-SVM参数优化 |
| 4.4 混合模型精度数值实验 |
| 4.5 小结 |
| 第5章 基于混合建模的加热炉操作优化问题求解 |
| 5.1 引言 |
| 5.2 改进的差分进化算法(IO-DE) |
| 5.2.1 可行域动态调整(FRDA)机制 |
| 5.2.2 种群规模渐进缩减(PSGS)策略 |
| 5.3 基于Benchmark问题的IO-DE算法数值实验 |
| 5.4 针对OOFP问题的IO-DE算法求解性能结果 |
| 5.4.1 IO-DE算法策略有效性分析 |
| 5.4.2 IO-DE与其他算法的求解性能比较 |
| 5.4.3 IO-DE算法计算时间复杂度分析 |
| 5.5 小结 |
| 第6章 加热炉生产过程集成优化问题与方法 |
| 6.1 引言 |
| 6.2 加热炉生产过程的集成优化问题 |
| 6.2.1 加热炉生产过程预测控制问题 |
| 6.2.2 加热炉生产过程集成优化问题 |
| 6.3 加热炉生产过程的集成优化方法 |
| 6.3.1 加热炉生产过程的炉温预测控制 |
| 6.3.2 加热炉生产过程集成优化方法 |
| 6.4 集成优化性能数值实验 |
| 6.4.1 加热炉集成优化的预测控制结果分析 |
| 6.4.2 加热炉生产过程的集成优化效果分析 |
| 6.5 小结 |
| 第7章 结束语 |
| 参考文献 |
| 致谢 |
| 作者博士期间发表和录用的论文 |
| 作者博士期间参与的科研项目 |
（10）薄板坯连铸神经网络漏钢预报系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 连铸技术的发展和现状 |
| 1.2 漏钢预报的研究意义 |
| 1.3 漏钢预报的产生与发展 |
| 1.4 漏钢预报的主要方法 |
| 1.5 本文的主要研究内容 |
| 第2章 连铸过程粘结漏钢分析 |
| 2.1 连铸过程漏钢的主要形式 |
| 2.2 粘结漏钢的形成过程 |
| 2.3 粘结漏钢的冶金原理分析 |
| 2.3.1 钢水弯月面形成 |
| 2.3.2 弯月面渣圈影响 |
| 2.4 诱发粘结漏钢的因素及其预防措施 |
| 2.5 本章小结 |
| 第3章 温度数据的降噪处理 |
| 3.1 温度信号的采集 |
| 3.2 数据前处理 |
| 3.3 常用降噪方法的应用 |
| 3.3.1 五点均滑法 |
| 3.3.2 多项式拟合降噪 |
| 3.3.3 傅里叶变换降噪 |
| 3.4 小波分析降噪原理 |
| 3.4.1 小波变换信号分解 |
| 3.4.2 多分辨分析 |
| 3.4.3 正交小波变换 |
| 3.5 小波分析在漏钢预报中的应用 |
| 3.5.1 温度数据的降噪过程分析 |
| 3.5.2 温度数据的小波分解 |
| 3.5.3 小波分解系数阈值的确定 |
| 3.6 温度数据降噪结果分析 |
| 3.7 本章小结 |
| 第4章 漏钢预报模型的建立 |
| 4.1 漏钢预报数学模型的建立 |
| 4.1.1 单偶时序网络模型 |
| 4.1.2 组偶空间网络模型 |
| 4.1.3 训练和测试样本的选择 |
| 4.1.4 样本归一化处理 |
| 4.2 LM-BP 漏钢预报模型的建立 |
| 4.2.1 BP 神经网络 |
| 4.2.2 LM-BP 漏钢预报模型的结构及参数 |
| 4.2.3 LM-BP 漏钢预报模型的算法流程 |
| 4.2.4 LM-BP 漏钢预报模型的训练 |
| 4.3 GA-LM-BP 漏钢预报模型的建立 |
| 4.3.1 遗传算法流程 |
| 4.3.2 GA 对 LM-BP 漏钢预报模型的优化 |
| 4.3.3 GA-LM-BP 漏钢预报模型训练与测试 |
| 4.4 PSO-LM-BP 漏钢预报模型的建立 |
| 4.4.1 粒子群算法原理 |
| 4.4.2 PSO 对 LM-BP 漏钢预报模型的优化 |
| 4.4.3 PSO-LM-BP 漏钢预报模型的训练与测试 |
| 4.5 神经网络漏钢预报模型的比较 |
| 4.6 空间网络模型的训练和测试 |
| 4.7 本章小结 |
| 第5章 薄板坯连铸漏钢预报系统的开发及测试 |
| 5.1 薄板坯连铸漏钢预报系统的功能及结构 |
| 5.1.1 薄板坯连铸漏钢预报系统的功能 |
| 5.1.2 薄板坯连铸漏钢预报系统的结构 |
| 5.2 薄板坯连铸漏钢预报系统神经网络模块的开发 |
| 5.2.1 神经网络模块的训练及应用 |
| 5.2.2 神经网络模块的程序设计 |
| 5.3 薄板坯连铸漏钢预报系统结晶器热像图的显示 |
| 5.3.1 结晶器铜板稳态温度场模型的建立 |
| 5.3.2 结晶器热面实时热像图的实现 |
| 5.4 薄板坯连铸漏钢预报系统其他模块的开发 |
| 5.4.1 温度及温度变化曲线动态显示模块 |
| 5.4.2 文件的读取与调用模块 |
| 5.5 性能测试结果 |
| 5.6 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 |
| 作者简介 |
四、用神经网络构建板坯缺陷预报系统（论文参考文献）
- [1]基于机器学习的热连轧板坯粗轧过程建模研究[D]. 易成新. 武汉科技大学, 2021(01)
- [2]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)
- [3]基于机器学习的铜合金工艺流程模型研究[D]. 王威远. 河南科技大学, 2020(06)
- [4]基于数据挖掘的钢铁产品性能预报与工艺设计方法研究[D]. 隋筱玥. 北京科技大学, 2019(02)
- [5]铸坯质量判定系统的研究与应用[J]. 王红涛,冯连强,刘颖,周士凯,赵静. 重型机械, 2018(03)
- [6]基于工业大数据的热轧带钢组织性能预测与优化技术研究[D]. 吴思炜. 东北大学, 2018(12)
- [7]基于神经元网络技术的铸坯质量分析算法研究[D]. 韩舟. 大连理工大学, 2017(10)
- [8]国丰1450mm热轧带钢尺寸精度控制[D]. 李宁. 东北大学, 2018(02)
- [9]加热炉生产过程操作优化建模及差分进化算法研究[D]. 夏琼. 东北大学, 2018(01)
- [10]薄板坯连铸神经网络漏钢预报系统研究[D]. 张本国. 燕山大学, 2012(05)