一、郑州二钢高精度冷轧带钢生产线介绍（论文文献综述）
潘银飞[1]（2021）在《视觉检测中特征提取的FPGA加速技术研究》文中研究说明近年来,随着市场对产品质量要求的提高,传感器、工业总线等技术不断进步,使得产品自动视觉检测所需处理的数据量越来越大,对视觉检测方法的处理速度要求也越来越高。视觉检测方法的研究通常涉及图像特征提取算法的开发,特征提取是实现目标检测、缺陷识别、形貌测量和三维重建等任务的关键预处理步骤,其作为视觉检测中最耗时的环节,极大地影响了系统的检测效率。本文针对视觉检测系统中限制检测速度的关键特征提取算法,研究FPGA加速处理技术,以解决现有加速方案中存在的并行程度不高、处理架构低效、以牺牲精度为代价和扩展性差等问题,从而实现视觉检测任务的高速处理。完成的主要工作及创新点如下:（1）从系统架构、软件、硬件三个层面系统调研了视觉检测加速处理技术的研究现状,并归纳总结了现有加速方案存在的问题;然后对FPGA加速处理技术中的基本设计方法进行了研究,为满足视觉检测特征提取的高吞吐率需求,提出了以数据流接口为主、片上存储器接口和外部存储器接口为辅的加速模块接口设计方案;并利用可视化编程工具,设计了加速算法实现和验证的一般性图像采集、存储和显示FPGA程序。（2）针对表面缺陷高速检测,提出了多层次并行的FPGA结构设计方法。对于周期性纹理特征滤除,为了解决传统一维傅里叶重建算法的边界效应问题,提出了基于亚像素周期和整周期截断的改进算法,可有效消除缺陷检测表面纹理。在此基础上,设计了任务并行和像素并行的FPGA加速整体结构、基于查找表的像素并行重采样结构和高低数据位分别处理与符号位扩展的一维傅里叶重建算法位宽连接结构。结合以上方法,将液晶面板的表面扫描检测速度提高了3倍以上,满足了系统在线处理需求,并显着提高了缺陷检测准确率。（3）针对FPGA硬件实现中数据定点位宽显着影响激光条纹中心提取精度的问题,提出了一种动静混合分析的数据位宽优化方法。在分析了当前Hessian矩阵计算FPGA结构中存在问题的基础上,设计了本文大模板尺寸的分离对称式、行列卷积复用结构,然后利用位宽约束条件和数据范围分析方法,并根据最大位置偏差、平均位置偏差和错点个数三个指标,对Steger算法各中间变量的数据位宽进行联合优化,获得了优于规整位宽设计和其他现有方法的定点精度,像素并行和全流水线设计也使其满足了千兆网相机的实时数据处理需求。（4）为了提高相移条纹投影测量系统中相位和点云计算效率,提出了FPGA和CPU的异构处理加速方案。对于包裹相位计算模块,设计了基于查找表的八分区间相位映射结构,可大幅提高相位计算的定点精度;对于相位解包裹模块,设计了基于迭代的帧级流水线结构,可有效减少延迟;对于多相机系统,给出了根据像素并行度调整的可扩展方案。结合以上方法,实现了较高的测量精度和架构效率,可支持两台相机50.86帧/秒的高速三维点云计算。
赵月[2]（2021）在《基于深度学习的螺纹钢表面缺陷检测关键技术研究》文中研究指明作为土建工程中必不可少的建筑材料,螺纹钢在国内的生产需求日益增高。其在轧制过程中会受本身材质问题、轧制器械损坏、表面落入杂物等多方面因素影响而产生种类不一的缺陷,严重的影响了钢铁企业的经济效益。目前,仍有部分企业采用人工目检和传统图像处理的方式对螺纹钢表面的缺陷进行识别和检测,但是由于人工目检存在主观误差等问题,而且采用传统的图像处理检测方式需要依赖于具体的任务和人为的设定特征,存在识别率低、检测效果不理想、局限性较大等问题,故本课题拟提出一个基于深度学习的螺纹钢检测方案,使生产企业可以减少人力输出、降低生产成本、提高经济效益,从而对钢铁生产行业的发展起到推动作用。本文的主要工作如下:1、首先对螺纹钢表面缺陷的种类以及产生原因进行简要分析,并列举出当前国内外对缺陷检测与识别的主流算法及框架,经过比对后选择Faster RCNN作为螺纹钢表面缺陷检测的基本框架。针对螺纹钢表面缺陷大小不一、且分布杂乱不均等问题,改进了RPN生成的anchor区域面积以及Io U的筛选比值,使其能够更好的适应本文所研究的螺纹钢表面缺陷目标的特点。2、由于深度学习所需要的训练样本数量庞大,而本文中所获取的螺纹钢表面缺陷数据样本较少,故选择用迁移学习的方法来解决数据样本较少的问题,以数量相对庞大的钢材数据库对缺陷检测模型进行预训练和微调,并保存该预训练权重作为螺纹钢数据集训练的初始权重,再将标注划分好的螺纹钢表面缺陷数据集输入到检测模型中进行训练,通过对学习率的调整以及参数的设定后对模型进行训练,实验结果表明,本文的检测算法满足迭代次数少且检测效率较高的要求。3、迁移学习虽然提高了检测系统的检测效率,但预训练的数据集与螺纹钢的表面缺陷仍存在部分差异,为能进一步提高缺陷检测系统的准确性,解决螺纹钢数据集样本分布不均的问题,本文分析了小样本数据增强的方法。考虑到实验过程中所获取的螺纹钢表面缺陷数据过少且部分缺陷特征不具有代表性的问题,本文介绍了当前应用较广的两种数据扩充算法,并分别将有监督数据增强和无监督数据增强生成的数据输入到网络中训练并对训练结果的准确率进行了对比。实验表明,采用无监督的数据增强方式对本文的数据集更为适用,原因是无监督的数据增强方式相较于传统的图像处理算法,其生成的缺陷形态和尺寸位置以及大小都具有较高的随机性,更为适用于深度学习网络的训练。最终选择以无监督数据增强中的深度卷积生成对抗学习DCGAN算法来达到平衡数据集,扩充螺纹钢缺陷样本的目的。4、在训练的过程中发现,形如结疤或小气泡类别的缺陷在整张图片中的占比较小,从而导致检测过程中部分缺陷的检测效果不理想。本文针对小面积目标的识别问题,采用FPN+Faster RCNN的训练方式来增加特征的多尺度语义信息从而提升算法的准确率。实验结果表明,加入池化金字塔（FPN）的检测模型对小目标的识别精度有很大的提升效果。
王帝[3]（2021）在《连退生产过程产品质量预测及操作优化》文中研究指明在钢铁生产中,钢生产过程是一个具有复杂工序、多种控制变量结合的大型工业流程。连续退火工艺作为带钢生产过程中的关键工艺,对带钢质量起到了决定性的作用。但是由于退火工艺自身的局限性,使得原有的带钢质量检测方法已经不能够满足日益增长的生产需要。此外企业为了进一步提高生产效率和生产质量,针对不同钢材的产品的操作优化也逐渐受到了关注。因此,有必要对连续退火工艺中的产品质量进行预测以及操作优化。本文针对这两个问题,做了以下几个方面研究。针对连续退火过程质量预测,依据对连续退火数据高维度、强耦合等特性的分析,本文将等距特征映射降维算法与集成思想相结合,利用集成模型的特点对不同样本的降维结果进行拟合,并选择支持向量机作为子学习机,提出了一种基于高维数据特性集成建模方法,该方法充分考虑不同样本的特性,使得建模更加精确。此外针对模型中设备、环境以及带钢特性变化带来的模型精度下降,本文在增量支持向量学习机的基础上,对基于降维过程的增量学习进行了研究,利用支持向量集与新增样本集合并降维,并通过基于距离的策略进行筛选,来完成模型的更新。该方法通过实验验证,适应于连续退火生产变化。在质量预测的基础上,本文通过对冷轧连续退火生产工艺和生产过程操作优化的研究,建立了以最小化带钢硬度偏差、最小化机组能源消耗、最大化机组产能为目标的连退生产过程多目标操作优化模型,同时为了能够使算法能够更早的寻找到最优解,需要使初始种群具有较高的质量,设计了一种基于正态分布的启发式来生成初始种群。最后利用差分进化算法DE（Differential Evolution）对模型进行了求解,取得了较原始生产数据更好的效果,能够对生产过程起到指导作用。由于连续退火优化操作变量多、优化复杂,连续退火多目标操作优化模型的求解具有较高难度,为了提高优化算法的寻优能力,本文提出了一种改进变异混合多目标优化算法。通过引入跳基因突变算子来增强NSGA-Ⅱ（Non-dominated sorting genetic algorithm-Ⅱ）的全局搜索能力,利用改进的变异算子来增强DE算法的局部细化搜索能力。并在两种算法集成后,通过贪婪算法对混合解集进行筛选,以及在最优解附近进行混沌搜索,最终得到最优解集。经过测试函数验证,改进后的算法具有良好的寻优效率。最后将该算法应用于连续退火多目标优化模型,求解结果较DE算法有了较大的提高,在保证预测精度的同时,提高生产效率和减少能源消耗。
柯虎城[4]（2020）在《鬼像原理在高反光金属翅片蒸发器卡槽缺陷检测中的应用》文中认为高反光金属表面精度高,反光特性强,导致表面各类特征淹没在强光之中,造成高亮金属的表面缺陷检测难度高。现有的机器视觉表面缺陷检测技术不能有效的对强光污染下的金属表面进行缺陷检测、特征提取等操作。本文探索一种强噪声影响下微弱图像信号获取的新方法:通过增强输入光强实现对光学系统的噪声进行增强,使得像面上非目标成像的辐射能量（鬼像）也得到增强,提取高信噪比的鬼像代替主像,从而消除图像上因金属表面高反射特性带来的强光污染。然后将此方法用于翅片蒸发器脊面卡槽缺、漏、错问题的检测,结合数字图像处理算法,搭建了缺陷检测系统。通过实验,验证了该方法的准确性和可靠性,能够有效消除蒸发器表面强光噪声的影响,实现对蒸发器脊面卡槽特征的识别。论文首先对杂散光和鬼像成像原理做了相应的分析,并对低阶鬼像形成的位置进行了计算,分析了入射角度、光学介质和曲率半径对鬼像的影响。仿真分析部分主要针对传统的工业CCD摄像头获取鬼像不够清晰的弊端,利用Zemax软件,从镜头结构、入射角度、曲率半径、镜面材质等方面对摄像头镜头进行优化,并计算出优化后的照度图、能量图等,便于直观的分析优化结果。其次系统的搭建,本系统分为软件部分和硬件部分,硬件部分根据检测系统的需求以及性能指标要求,设计硬件功能结构,选定系统所需硬件及其型号。软件系统是基于Microsoft Visual Studio 2017平台的Qt插件开发的,开发语言为C++。最后,针对鬼像像质特性,选取简洁高效的算法,主要包括图像增强和特征识别算法。利用基于局部特征的Retinex图像增强算法,对预处理后的图像进行像质增强,降低图像噪声、提高后续处理流程的速度和准确度。特征识别部分,首先利用图像分割算法分离出特征区域,然后利用像素值来对缺陷区域面积进行定量化,针对完好、缺陷特征的像素值的区别,利用概率统计的方法设定划分阈值,便于机器识别和决策,识别缺陷产品。并通过实验证明本文算法可有效实现高亮金属翅片蒸发器脊面缺陷的在线检测。图[55]表[5]参[81]
李俊男[5]（2020）在《机器视觉在软包动力锂电池极耳焊接缺陷检测中的应用》文中指出近年来,我国新能源汽车行业发展迅速,软包动力锂电池作为新兴动力电池,拥有广阔的市场需求和良好的发展前景。在软包动力锂电池生产过程中,其极耳焊缝焊接缺陷检测尤为重要,关系到动力电池成品质量和性能。但是目前对于软包动力锂电池极耳焊缝焊接缺陷检测研究甚少,为此文章将机器视觉（Machine vision）应用到软包动力锂电池极耳焊接缺陷检测中,提供一种可行性研究思路。检测的重难点在于如何在高反光、低对比度、多噪声的极耳焊缝图像中准确提取出焊缝,以及选取合适的特征进行分类识别。文章具体的主要内容包括以下四个方面:首先,介绍了动力电池的种类,详细分析了软包电池组成结构及其能量密度高、安全性能好、设计灵活等优点。系统阐述了公司现有软包动力电池极耳焊缝的缺陷类型,以及极耳焊缝缺陷的生成机理,为实验研究分析打下基础。其次,研究了关于极耳焊缝图像的处理方法,包括图像去噪、增强以及图像分割方法。实验分析比较了均值迭代分割、最大熵分割、基于粒子群算法的分割、Adaptive-threshold以及OTSU分割方法。针对极耳焊缝高反光、低对比度的特点,提出一种基于形态学重建与OTSU的极耳焊缝图像分割方法。通过改进多尺度结构元素进行形态学重建,结合OTSU完成极耳焊缝图像分割任务。研究结果表明:该方法适合于极耳焊缝图像分割,在保证焊缝准确提取的前提下速度也有所提高。然后,研究了极耳焊缝的特征提取与分类识别方法。主要对形状、几何特征进行特征参数提取。采用基于决策树方法和基于模板匹配算法进行极耳焊缝分类识别的研究,并结合先验特征阈值采用模板匹配法对极耳焊缝缺陷进行分类。实现极耳焊缝熔焊、焊洞、焊偏、断焊、短焊的检测识别。研究结果表明:存在缺陷重叠的极耳焊缝对决策树方法有影响,采用基于特征的模板匹配法识别精度好于前者,识别率为94%。最后,设计了极耳焊缝缺陷检测方案,完成了检测平台搭建。主要包括硬件平台和软件平台。根据极耳焊缝高反光、低对比度的特点,通过选择合适的环形光源,BASLER相机、Kowa Lens LM35HC镜头等,搭建焊缝硬件检测平台。设计软件检测平台,采用MATLAB与Lab VIEW相协调的方式实现检测任务。
齐浩[6]（2020）在《极片轧机多闭环反馈控制系统研究》文中进行了进一步梳理今时今日,锂电产业也成为了我国经济发展的重要支柱。极片轧机作为锂电池生产的重要设备之一,其运行过程中涉及到了纠偏和张力等多个闭环反馈环节,现有的轧机闭环控制系统和策略较为传统,难以解决极片轧机闭环结构中的非线性、多变量耦合和可能存在的干扰等问题。论文从硬件结构和软件算法两个方面出发,对极片轧机的闭环反馈控制系统进行了研究,旨在提高闭环控制的精度和抗干扰能力。论文主要从以下几个方面进行研究。1.系统总体方案设计。对极片轧机闭环反馈控制系统的现状进行了调查研究,分析了现有技术的不足。在此基础上研究了极片轧机收放卷纠偏及张力等闭环结构的主要影响因素与控制方法,结合实际现场轧机结构构建了相应的闭环控制数学模型。根据得到的数学模型,针对现有技术的不足搭建极片轧机硬件控制系统,同时将多种算法相结合,提出经过遗传算法优化的积分分离式模糊PID控制策略,从硬件结构和软件算法两方面明确主要研究内容和总体研究方案。2.硬件控制平台搭建。结合纠偏及张力闭环控制的功能需求和技术指标,从信息采集、主控系统和人机交互三方面完成硬件平台的搭建。其中对信息采集部分进行了重点分析,以EP4CE6F17C8型号的FPGA芯片为主芯片,设计了以AD7606为核心的模拟电压采集电路,以及降压滤波电路和信息存储电路。3.闭环控制算法研究。为了提高极片纠偏及张力闭环控制的自适应和抗干扰能力,论文采用模糊算法和积分分离PID方法相结合的形式,利用模糊规则对PID参数进行改进。在此基础上引入遗传算法,通过遗传迭代对模糊规则和PID参数进行了优化处理。结合纠偏及张力的闭环数学模型对控制算法进行仿真验证,仿真结果证明了算法能够有效提高闭环控制的精度和抗干扰能力。论文对轧机闭环控制系统进行了现场应用调试,通过对信息采集模块的采样精度和效率以及板间通信进行测试验证,确保了硬件采集电路性能;对比分析了不同算法下收放卷部分纠偏及张力的变化曲线和传感数据,证明了极片轧机在本文算法的控制下,极片带的纠偏及张力控制更加稳定、抗干扰能力更强。通过现场调试,证明了极片轧机闭环控制系统可以应用于现场环境中。
杜晨琛[7]（2020）在《基于电磁参数的特征优化与机械性能参数估计方法研究》文中指出机械性能参数是铁磁性材料生产过程中必须要考虑的重要指标之一,也是对铁磁性材料进行质量评价的标准。传统意义上铁磁性材料屈服强度、抗拉强度等机械性能参数是通过离线拉伸的有损方式获得的,本文基于四种无损检测方法,对电磁参数进行了特征优化和铁磁性材料的屈服强度、抗拉强度、延伸率的估计方法展开研究。主要内容如下所述:（1）介绍了巴克豪森噪声法、多频涡流法、增量磁导率法、切向磁场谐波分析法四种无损检测方法的基本原理和电磁信号的电磁参数特征。分析了电磁参数特征之间的相关性,结果表明电磁参数间存在冗余,说明有必要在估计机械性能参数前进行电磁参数的特征选择。（2）针对BP神经网络估计速度较慢、实时性差这一问题,提出了顺序后向选择与最小二乘法相结合的算法。该算法考虑了电磁参数特征子集与机械性能参数间的关系,不仅去除了冗余且不重要的电磁参数特征,而且在保证估计精度的同时,使得模型的估计时间大大减少。（3）针对四种传感器提取到的电磁参数中存在冗余等问题,提出了一种基于随机森林的算法模型。分析对比了所该算法与传统的神经网络等模型的估计效果,实验表明,该算法具有良好的通用性,对每个钢种的三个机械性能参数的估计可以同时取得较高的估计精度。（4）传统的特征工程需要人工经验提取和选择特征,本文设计了一种基于深度稀疏自编码的特征提取及建模算法。实验结果表明,与其它特征提取方法提取的特征相比,深度学习的方法能够自动地提取巴克豪森原始信号更本质、更具有代表性的特征。实验结果表明:电磁参数的特征选择和最小二乘法相结合的算法对模型的估计速度有了很大的提升。基于随机森林的机械性能参数估计模型提高了估计精度。深度学习在电磁信号特征提取方面具有有效性。
王刘奎[8]（2020）在《基于机器视觉的门板尺寸及缺陷检测系统研究》文中进行了进一步梳理随着计算机视觉检测技术的不断研究发展,工业自动化生产水平的日益提高,基于机器视觉并结合工业生产线的产品检测技术,具有检测精度高、检测速度快、识别率高、安全性高、数据易保存查询等优点,逐步代替了人工使用辅助设备检测识别的传统产品质量检测方式,本文通过研究基于机器视觉的在线质量检测技术及图像处理算法,设计了门板尺寸测量及锈迹腐蚀背景下的表面细微划痕检测方案,并通过程序编程研发了针对该检测项目的视觉软件,结果证明视觉检测具有尺寸测量精度高、缺陷提取准确等优点。而本文的主要研究内容以及创新点如下。本文首先通过分析钢制材料的防盗门板的尺寸测量参数以及锈迹纹理下划痕检测要求,设计双相机并排采集的测量方案,再经过满足测量精度要求的计算,设计合理的实验测试平台,选出拍摄稳定、畸变小的相机。分析了常用的光源优缺点以及打光方式对图像识别的影响,最后根据门板锈迹纹理下划痕灰度分布情况,合理的选择光源类别,设计了最能抑制锈迹纹理突出划痕的打光方式。通过分析不同的边缘检测算子的优缺点以及在锈迹纹理干扰下实际的边缘提取效果,并仔细研究目前工业测量应用最好的基于最小二乘法的线与圆的拟合算法的原理,最终采取了 Canny算子边缘检测结合最小二乘法曲线拟合的方式,得到门板边线和圆的亚像素检测的精度;对比分析了双相机标定测量方案和分别对单相机进行局部分区域标定测量方案的精度差别,提出的单相机局部分区域标定的方式可以有效提高测量精度、减少成本;考虑到实际的流水线生产模式,分析了多种模板匹配方法的优缺点,选择匹配度最高的基于形状的模板匹配算法,实现了门板移动时的尺寸跟踪检测。通过对锈迹纹理下划痕信息分析得知,锈迹纹理下的划痕具有深度浅、分布无规律、受背景干扰严重等特点,仔细研究发现划痕与锈迹纹理相互嵌套,即使最前沿的自适应局部邻域的检测算法也无法在锈迹纹理下提取出划痕。本文通过傅里叶正反变换,创新性的在频域上设计了针对锈迹纹理下划痕检测的自适应滤波器,不仅滤除了锈迹干扰且适应于门板不同方向放置,不同划痕出现位置的情况,实现了门板移动划痕缺陷实时跟踪检测;针对傅里叶变换后,不同光照下划痕二值化阀值选取不同需手动设置的问题,创新性提出的动态阀值分割算法,适用于门板不同拍摄区域光照强度不均匀、以及光照强度变化的情况下,划痕自适应二值化检测。
侯孟伟[9]（2019）在《1580热连轧F2轧机轧辊振动及带钢变形研究》文中提出随着生产力的提高和工业技术的进步,机械制造等行业对轧制带钢的产量和质量要求不断提高。在带钢的轧制过程中,轧制工艺参数的不同对带钢轧制的质量和轧制过程中的轧机振动的影响不同,其中,在轧制薄带钢时轧机的异常振动频繁发生,对轧制带钢的质量和轧机设备的寿命造成了很大的影响。本文以某钢厂1580热连轧机组F2轧机为研究对象,通过现场测试、仿真计算、有限元分析等方法,进行轧机的轧辊及带钢轧制过程研究,分析带钢表面振纹和不同轧制工艺参数对带钢轧制过程的影响,进而总结出轧制工艺参数的变化对带钢轧制过程的影响。本文的主要内容如下:（1）考虑轧机垂直方向的振动诱发轧制力动态变化,建立较为准确的带钢轧制过程的动态轧制力公式,并对比所建模型的数值结果与实际现场实验时监测的轧制力参数,验证所建动态轧制力模型的合理性。然后通过分析变形温度、变形速度和变形程度等工艺参数对变形抗力的影响,研究以上工艺参数对轧制力的影响。（2）为了分析轧辊在受力状态下的变化,对该轧机的辊系进行有限元静力学分析,研究轧辊在受力时的等效应力、应变和位移矢量,进而分析轧辊的受力、变形和振动位移最大的薄弱位置;再对工作辊和支撑辊进行模态分析,分析其前十阶的振型和对轧辊的振动影响最大的固有特征。（3）在ANSYS/LS-DYNA中对轧辊轧制带钢的过程进行模拟。研究带钢表面有无振纹时在轧制过程中的等效应力、应变分布及大小,分析带钢在轧制过程中的轧制力变化。通过改变主要轧制工艺参数,例如轧制速度、摩擦系数、前后张力和轧制压下量,分析其对带钢轧制变形的影响,结果表明改变摩擦系数和轧制压下量对带钢轧制变形的影响最为明显。
程慧杰[10]（2019）在《基于离散根轨迹的轧机板厚滞后系统的研究》文中研究表明近年来,轧机的板带厚度自动控制技术日臻完善,以及在轧机上安装使用各类高精度测量仪器,特别是不断提高的计算机技术与轧机的结合,让板厚精度得到不断的提高。但是许多现代化工业对板厚精度的要求也越来越高,故板厚精度还有待提高。在轧机的板带厚度自动控制系统中,为避免测厚仪受到损坏,测厚仪的安装位置需要与轧机的辊缝有一定的安全距离。这个安全距离会使得测厚点与轧制点不是同一点而会使板带的出口厚度测量产生一定的滞后,从而降低板厚精度。故在出口厚度测量存在滞后的情况下,需要对轧机的板带厚度自动控制参数进行分析与优化。本文分析了轧机的板带厚度自动控制系统中存在滞后的原因,对相对调节周期进行了探讨,找到了相对调节周期的规律来解决存在的滞后问题,从而提高了板厚精度。主要研究了以下内容:（1）依据轧机的板带厚度自动控制系统建立了数学模型,由于纯滞后对系统性能影响程度最大,故将其简化为纯滞后模型。（2）对纯滞后模型中的超越函数进行近似处理和对纯滞后模型中的连续部分进行离散化处理,得到了纯滞后模型的传递函数。（3）利用MATLAB作出传递函数的离散根轨迹图。经过从离散根轨迹图上取点并进行数据分析,发现了轧机的板带厚度自动控制参数随相对调节周期的变化规律。（4）搭建了xPC仿真平台对纯滞后模型进行仿真;在某1150mm单机架可逆冷轧机组上进行了实验。经过仿真与实验验证,本文得出的相对调节周期规律能够有效解决轧机的板带厚度自动控制系统中存在滞后时的控制系统设计问题,从而提高了板厚精度。
二、郑州二钢高精度冷轧带钢生产线介绍（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、郑州二钢高精度冷轧带钢生产线介绍（论文提纲范文）
（1）视觉检测中特征提取的FPGA加速技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和课题来源 |
| 1.2 视觉检测和特征提取技术概述 |
| 1.2.1 二维检测技术 |
| 1.2.2 三维检测技术 |
| 1.2.3 特征提取 |
| 1.3 视觉检测加速技术研究现状 |
| 1.3.1 基于系统架构级的加速技术 |
| 1.3.2 基于软件层面的加速技术 |
| 1.3.3 基于专用硬件的加速技术 |
| 1.4 加速处理技术中存在问题分析 |
| 1.5 主要研究内容和论文结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 论文章节安排 |
| 第二章 视觉检测的加速处理方法 |
| 2.1 引言 |
| 2.2 FPGA加速方法和加速模块接口 |
| 2.2.1 常用的FPGA加速设计方法 |
| 2.2.2 FPGA加速模块接口设计 |
| 2.3 FPGA加速算法实现方案 |
| 2.3.1 基于Visual Applets的可视化编程 |
| 2.3.2 图像采集、存储和显示FPGA程序设计 |
| 2.4 CPU、GPU和 FPGA加速方法比较 |
| 2.4.1 CPU、GPU和 FPGA加速特点 |
| 2.4.2 CPU、GPU和 FPGA加速程序的计时 |
| 2.5 本章小结 |
| 第三章 FPGA任务并行与像素并行加速技术 |
| 3.1 引言 |
| 3.2 FPGA并行加速方法 |
| 3.2.1 FPGA任务并行加速方法 |
| 3.2.2 FPGA像素并行加速方法 |
| 3.2.3 加速性能评估方法与加速性能极限 |
| 3.3 并行加速方法在周期纹理特征滤除中的实现 |
| 3.3.1 应用背景概述 |
| 3.3.2 周期背景纹理滤除方法 |
| 3.3.3 多任务并行的整体结构 |
| 3.3.4 一维傅里叶重建算法的像素并行加速实现 |
| 3.4 性能提升和算法改进 |
| 3.4.1 边界效应问题 |
| 3.4.2 亚像素周期问题 |
| 3.4.3 整周期截断 |
| 3.4.4 改进措施的FPGA实现 |
| 3.5 实验与验证 |
| 3.5.1 缺陷检测结果可视化及定量指标评价 |
| 3.5.2 速度评估 |
| 3.5.3 定点精度和资源消耗 |
| 3.6 本章小结 |
| 第四章 FPGA位宽优化高精度加速技术 |
| 4.1 引言 |
| 4.2 FPGA数据位宽设计和精度分析 |
| 4.2.1 位宽设计 |
| 4.2.2 精度分析 |
| 4.3 FPGA实现的条纹中心线提取高精度加速方法 |
| 4.3.1 激光条纹中心提取算法概述 |
| 4.3.2 FPGA硬件实现中存在的精度下降问题 |
| 4.3.3 高精度的Steger算法FPGA实现 |
| 4.4 Steger算法FPGA结构的数据位宽和定点精度优化 |
| 4.4.1 位宽优化技术 |
| 4.4.2 初始数据位宽确定 |
| 4.4.3 Hessian矩阵计算模块的位宽和精度优化 |
| 4.4.4 特征值和亚像素偏移计算模块的位宽和精度优化 |
| 4.5 实验与验证 |
| 4.5.1 检测精度评价 |
| 4.5.2 不同平台的计算精度和运行速度对比 |
| 4.5.3 FPGA硬件资源优化 |
| 4.6 本章小结 |
| 第五章 FPGA异构处理加速技术 |
| 5.1 引言 |
| 5.2 异构加速架构与方法 |
| 5.2.1 异构加速基本方法 |
| 5.2.2 CPU和 FPGA的异构加速架构与方法 |
| 5.3 异构处理方式在相移条纹投影测量中的分析 |
| 5.3.1 多频相移法原理 |
| 5.3.2 基于多项式拟合的点云计算 |
| 5.3.3 相位和点云的计算资源效率分析 |
| 5.4 异构处理加速方案的实现 |
| 5.4.1 包裹相位和解包裹相位的FPGA加速计算方法 |
| 5.4.2 点云计算的CPU多核处理实现方法 |
| 5.4.3 可扩展的多相机并行处理实现方案 |
| 5.5 实验评估 |
| 5.5.1 测量系统的搭建 |
| 5.5.2 定点精度评估 |
| 5.5.3 标准球测量实验和多相机融合实验 |
| 5.5.4 异构处理速度和资源效率分析 |
| 5.6 本章小结 |
| 第六章 总结和展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（2）基于深度学习的螺纹钢表面缺陷检测关键技术研究（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 螺纹钢表面缺陷检测技术综述 |
| 1.2.1 传统表面缺陷检测方法 |
| 1.2.2 基于深度学习的表面缺陷检测 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 螺纹钢表面缺陷检测系统总体方案设计 |
| 2.1 螺纹钢表面缺陷分类及成因 |
| 2.2 螺纹钢表面缺陷检测系统总体方案 |
| 2.2.1 检测系统结构组成 |
| 2.2.2 检测系统工作流程 |
| 2.3 螺纹钢缺陷检测系统架构 |
| 2.3.1 系统硬件构成 |
| 2.3.2 系统软件组成 |
| 2.3.3 检测系统界面展示 |
| 2.4 算法流程 |
| 2.4.1 基于深度学习的螺纹钢缺陷检测算法 |
| 2.4.2 基于DCGAN的螺纹钢表面缺陷检测算法 |
| 2.4.3 基于小目标缺陷检测的优化算法 |
| 2.5 小结 |
| 第3章 基于Faster RCNN的螺纹钢缺陷检测模型搭建 |
| 3.1 深度神经网络构成 |
| 3.2 目标检测相关算法 |
| 3.2.1 传统目标检测方法 |
| 3.2.2 RCNN |
| 3.2.3 Fast RCNN |
| 3.2.4 Faster RCNN |
| 3.2.5 对比与分析 |
| 3.3 基于Faster RCNN的螺纹钢表面缺陷检测方案 |
| 3.3.1 搭建特征提取网络 |
| 3.3.2 RPN结构设计 |
| 3.3.3 交并比Io U的设定 |
| 3.3.4 非极大值抑制 |
| 3.3.5 ROI Pooling层 |
| 3.3.6 激活函数 |
| 3.4 基于迁移学习的螺纹钢表面缺陷检测 |
| 3.4.1 迁移学习与表面缺陷检测 |
| 3.4.2 预训练环境搭建 |
| 3.4.3 螺纹钢数据集的划分与标注 |
| 3.4.4 基于权重的迁移学习训练 |
| 3.4.5 模型损失函数 |
| 3.5 训练结果分析 |
| 3.6 小结 |
| 第4章 基于生成对抗模型的螺纹钢缺陷检测方法 |
| 4.1 缺陷类别不平衡问题的相关方法研究 |
| 4.1.1 根据数据增强位置的划分 |
| 4.1.2 根据数据增强是否有监督的划分 |
| 4.2 生成对抗网络模型 |
| 4.2.1 GAN |
| 4.2.2 DCGAN |
| 4.3 DCGAN模型设计 |
| 4.3.1 判别器结构 |
| 4.3.2 生成器结构 |
| 4.3.3 基于DCGAN的模型训练 |
| 4.4 实验分析 |
| 4.4.1 实验环境及数据集 |
| 4.4.2 参数设定及生成样本效果 |
| 4.4.3 生成样本分析 |
| 4.5 训练结果与分析 |
| 4.6 小结 |
| 第5章 面向小目标缺陷检测的优化改进算法 |
| 5.1 螺纹钢表面缺陷检测数据集分析 |
| 5.2 常见卷积与FPN分类方式对比 |
| 5.3 基于FPN优化的缺陷检测模型设计 |
| 5.3.1 FPN模型 |
| 5.3.2 FPN-RPN构架设计 |
| 5.3.3 FPN+Faster RCNN构架 |
| 5.4 基于FPN+Faster RCNN的检测过程 |
| 5.4.1 训练阶段 |
| 5.4.2 模型参数选择 |
| 5.5 训练结果与对比实验 |
| 5.6 小结 |
| 第6章 总结与展望 |
| 6.1 论文主要研究内容总结 |
| 6.2 展望 |
| 参考文献 |
| 后记 |
| 攻读硕士学位期间论文发表情况 |
（3）连退生产过程产品质量预测及操作优化（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 连续退火工艺流程 |
| 1.3 生产中存在的问题 |
| 1.4 研究现状 |
| 1.4.1 带钢硬度检测方法 |
| 1.4.2 操作优化方法 |
| 1.5 本文研究内容 |
| 第二章 基于HDFI-SVR模型的连续退火产品质量预测 |
| 2.1 算法基础 |
| 2.1.1 等距特征映射降维算法 |
| 2.1.2 支持向量机回归 |
| 2.2 基于高维数据特性集成的带钢硬度预测建模 |
| 2.2.1 HDFI-SVR算法结构 |
| 2.2.2 HDFI-SVR算法流程 |
| 2.3 HDFI-SVR模型验证 |
| 2.3.1 基于不同数据集的模型对比 |
| 2.3.2 基于连退数据的模型对比 |
| 2.4 本章小结 |
| 第三章 基于ISOMAP-ISVR模型的增量预测 |
| 3.1 增量学习概述 |
| 3.2 基于ISOMAP的SVR增量学习算法研究 |
| 3.3 增量学习模型实验 |
| 3.3.1 真实数据集 |
| 3.3.2 连续退火数据集 |
| 3.4 本章小结 |
| 第四章 连退生产过程多目标操作优化建模 |
| 4.1 模型建立基础 |
| 4.1.1 模型建立思路 |
| 4.1.2 影响带钢质量因素分析 |
| 4.2 连退生产过程多目标操作优化建模 |
| 4.2.1 多目标优化问题 |
| 4.2.2 建模分析 |
| 4.3 基于差分进化算法的模型求解 |
| 4.3.1 多目标优化问题求解 |
| 4.3.2 差分进化算法基本原理 |
| 4.3.3 模型初始解设计 |
| 4.3.4 模型求解结果 |
| 4.4 本章小结 |
| 第五章 基于改进优化算法的连续退火多目标优化模型求解 |
| 5.1 NSGA-Ⅱ算法基本原理 |
| 5.2 一种改进变异混合多目标优化算法 |
| 5.2.1 跳变基因 |
| 5.2.2 改进DE变异算子 |
| 5.2.3 基于贪婪策略的种群合并 |
| 5.2.4 基于混沌的最优解搜索 |
| 5.3 算法性能分析 |
| 5.3.1 测试函数 |
| 5.3.2 评价指标 |
| 5.3.3 参数设置 |
| 5.3.4 实验结果分析 |
| 5.4 连退生产过程多目标操作优化模型求解 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（4）鬼像原理在高反光金属翅片蒸发器卡槽缺陷检测中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 题研究背景 |
| 1.2 鬼像及高亮金属表面检测研究现状及发展 |
| 1.2.1 高亮金属表面检测研究现状 |
| 1.2.2 国内外鬼像研究现状 |
| 1.3 课题的提出 |
| 1.4 本文主要内容 |
| 2 鬼像原理 |
| 2.1 杂散光分析 |
| 2.1.1 杂散光种类 |
| 2.1.2 杂散光传播路径分析 |
| 2.2 鬼像形成原理 |
| 2.3 鬼像计算 |
| 2.4 鬼像像质影响因素 |
| 2.4.1 鬼像与曲率的关系 |
| 2.4.2 入射角度对鬼像的影响 |
| 2.4.3 光学介质对鬼像的影响 |
| 2.5 本章小结 |
| 3 基于Zemax的鬼像分析 |
| 3.1 Zemax简介及优势 |
| 3.2 镜头初始结构确定 |
| 3.3 镜头的鬼像分析 |
| 3.3.1 序列模式下鬼像分析 |
| 3.3.2 非序列模式下鬼像分析 |
| 3.4 基于Zemax的光学系统优化 |
| 3.4.1 镜头结构优化 |
| 3.4.2 镜头优化后分析 |
| 3.4.3 入射角仿真分析 |
| 3.5 本章小结 |
| 4 基于鬼像原理的机器视觉检测系统设计 |
| 4.1 视觉检测系统设计 |
| 4.1.1 系统总体结构设计 |
| 4.1.2 硬件系统 |
| 4.1.3 软件系统 |
| 4.1.4 鬼像采集结果分析 |
| 4.2 蒸发器脊面卡槽特征提取与识别 |
| 4.2.1 数字图像处理概述 |
| 4.2.2 图像的预处理 |
| 4.2.3 图像增强 |
| 4.2.4 图像的分割 |
| 4.2.5 基于像素值的特征识别 |
| 4.3 实验与分析 |
| 4.3.1 对比实验 |
| 4.3.2 平台检测精度和速率验证 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 研究总结 |
| 5.2 课题的不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（5）机器视觉在软包动力锂电池极耳焊接缺陷检测中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 机器视觉理论研究现状 |
| 1.3 机器视觉在工业中的应用现状 |
| 1.4 论文主要内容与结构 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文结构 |
| 第二章 软包动力锂电池的特性与焊缝缺陷类型分析 |
| 2.1 软包动力电池的特性 |
| 2.1.1 软包动力锂电池的优点 |
| 2.1.2 软包动力电池的结构 |
| 2.2 极耳焊缝缺陷的生成机理与缺陷类型 |
| 2.2.1 极耳焊缝缺陷的生成机理 |
| 2.2.2 极耳焊缝的缺陷类型 |
| 2.3 本章小结 |
| 第三章 基于形态学重建与OTSU的极耳焊缝图像分割方法 |
| 3.1 引言 |
| 3.2 图像分割方法概述 |
| 3.2.1 焊接图像分割方法 |
| 3.2.2 极耳焊缝图像分割方法分析 |
| 3.3 极耳焊缝图像预处理 |
| 3.3.1 灰度变换 |
| 3.3.2 图像去噪 |
| 3.3.3 极耳焊缝图像增强 |
| 3.4 形态学开闭混合重建 |
| 3.5 极耳焊缝图像分割 |
| 3.5.1 OTSU阈值分割 |
| 3.5.2 基于粒子群算法的图像分割 |
| 3.5.3 基于最大熵算法的图像分割 |
| 3.5.4 均值迭代分割 |
| 3.6 实验分析 |
| 3.6.1 极耳焊缝增强实验结果与分析 |
| 3.6.2 分割实验结果与分析 |
| 3.7 本章小结 |
| 第四章 极耳焊缝缺陷的特征提取与分类识别 |
| 4.1 引言 |
| 4.2 常用的特征提取方法 |
| 4.3 极耳焊缝缺陷的特征参数计算 |
| 4.3.1 极耳焊缝缺陷的形状特征 |
| 4.3.2 极耳焊缝缺陷的几何特征 |
| 4.4 极耳焊缝缺陷特征的选择 |
| 4.5 极耳焊缝缺陷的分类 |
| 4.5.1 基于决策树的极耳焊缝识别算法 |
| 4.5.2 基于特征值的模板匹配法 |
| 4.6 实验分析 |
| 4.6.1 基于决策树分类实验 |
| 4.6.2 基于特征值的模板匹配分类实验 |
| 4.7 本章小结 |
| 第五章 极耳焊缝缺陷检测平台总体设计 |
| 5.1 系统方案设计 |
| 5.2 硬件平台 |
| 5.2.1 相机的选择 |
| 5.2.2 镜头的选择 |
| 5.2.3 光源的选择 |
| 5.2.4 运动控制平台 |
| 5.3 软件平台 |
| 5.3.1 软件平台设计 |
| 5.3.2 开发环境 |
| 5.3.3 开发工具 |
| 5.4 系统界面设计与测试 |
| 5.4.1 界面设计 |
| 5.4.2 系统测试与分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 本文总结 |
| 研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（6）极片轧机多闭环反馈控制系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 极片轧机控制系统的研究现状 |
| 1.2.2 极片轧机辊缝调节系统研究现状 |
| 1.2.3 极片轧机极片带纠偏系统研究现状 |
| 1.2.4 极片轧机张力控制系统的研究现状 |
| 1.3 课题研究的目的与意义 |
| 1.4 课题研究的主要内容 |
| 第二章 极片轧机闭环反馈结构模型研究 |
| 2.1 极片轧机运作机理与轧制流程分析 |
| 2.2 极片带纠偏控制系统分析与研究 |
| 2.2.1 极片带跑偏原因分析 |
| 2.2.2 纠偏系统的结构和工作原理 |
| 2.2.3 纠偏系统模型建立 |
| 2.3 收放卷张力控制系统分析与研究 |
| 2.3.1 张力的产生原因分析 |
| 2.3.2 张力控制方法 |
| 2.3.3 张力控制系统分析与模型建立 |
| 2.4 纠偏及张力的相互影响分析 |
| 2.4.1 极片带张力对纠偏控制的影响 |
| 2.4.2 极片带偏移对张力控制的影响 |
| 2.5 本章小结 |
| 第三章 轧机闭环反馈控制系统硬件研究 |
| 3.1 轧机多闭环反馈控制系统设计要求 |
| 3.1.1 功能需求分析 |
| 3.1.2 主要技术指标 |
| 3.2 信息采集模块研究 |
| 3.2.1 传感器选型 |
| 3.2.2 信息采集模块设计 |
| 3.3 控制系统研究 |
| 3.3.1 硬件控制方案研究 |
| 3.3.2 电机驱动模块研究 |
| 3.4 人机交互界面设计 |
| 3.5 本章小结 |
| 第四章 极片轧机闭环反馈控制方法研究 |
| 4.1 积分分离模糊PID控制器研究 |
| 4.1.1 PID控制原理 |
| 4.1.2 积分分离PID控制器研究 |
| 4.1.3 模糊理论研究 |
| 4.1.4 闭环反馈控制方法研究 |
| 4.2 极片带纠偏控制方法研究 |
| 4.2.1 纠偏模糊控制隶属函数的研究 |
| 4.2.2 纠偏模糊控制规则研究 |
| 4.2.3 纠偏控制积分分离模糊PID仿真模型的搭建 |
| 4.3 极片带放卷张力控制方法研究 |
| 4.3.1 放卷张力模糊控制隶属函数的研究 |
| 4.3.2 放卷张力模糊控制规则研究 |
| 4.3.3 放卷张力积分分离模糊PID仿真模型的搭建 |
| 4.4 极片带收卷张力控制方法研究 |
| 4.4.1 收卷张力模糊控制隶属函数和模糊规则的研究 |
| 4.4.2 收卷张力积分分离模糊PID仿真模型的搭建 |
| 4.5 各算法仿真分析与对比研究 |
| 4.5.1 纠偏控制仿真研究与对比分析 |
| 4.5.2 放卷张力仿真研究与对比分析 |
| 4.5.3 收卷张力仿真研究与对比分析 |
| 4.6 本章小结 |
| 第五章 基于遗传算法的模糊PID参数优化 |
| 5.1 遗传算法应用研究 |
| 5.2 遗传算法优化PID控制参数 |
| 5.2.1 PID初始参数优化方法研究 |
| 5.2.2 遗传算法优化纠偏PID初始参数 |
| 5.2.3 遗传算法优化放卷张力PID初始参数 |
| 5.2.4 遗传算法优化收卷张力PID初始参数 |
| 5.3 遗传算法优化模糊规则 |
| 5.3.1 模糊规则优化方法研究 |
| 5.3.2 遗传算法优化纠偏控制模糊规则 |
| 5.3.3 遗传算法优化放卷张力控制模糊规则 |
| 5.3.4 遗传算法优化收卷张力控制模糊规则 |
| 5.4 参数优化后的算法仿真分析与对比研究 |
| 5.4.1 纠偏控制仿真研究与对比分析 |
| 5.4.2 张力控制仿真研究与对比分析 |
| 5.5 本章小结 |
| 第六章 轧机闭环控制测试与实验 |
| 6.1 轧机闭环控制测试平台 |
| 6.2 信息采集与主控系统通信测试 |
| 6.2.1 信息采集测试 |
| 6.2.2 通信测试 |
| 6.3 张力控制测试 |
| 6.3.1 放卷张力控制测试 |
| 6.3.2 收卷张力控制测试 |
| 6.4 纠偏控制测试 |
| 6.4.1 放卷纠偏控制测试 |
| 6.4.2 收卷纠偏控制测试 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的相关科研成果 |
| 致谢 |
（7）基于电磁参数的特征优化与机械性能参数估计方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 机械性能的传统检测方法 |
| 1.2.2 机械性能无损检测方法的国内外研究现状 |
| 1.2.3 电磁无损评估的国内外现状及发展 |
| 1.2.4 机器学习算法在电磁无损检测领域的应用 |
| 1.3 基于特征优化的无损检测算法模型的关键问题和解决思路 |
| 1.4 论文的主要研究工作和章节内容安排 |
| 1.4.1 论文的主要研究工作 |
| 1.4.2 论文章节内容安排 |
| 第二章 电磁无损检测技术的基本原理及机械性能参数介绍 |
| 2.1 磁畴与磁化理论 |
| 2.2 四种无损检测方法及它们提取到的常用特征值 |
| 2.2.1 巴克豪森噪声信号及常用特征值 |
| 2.2.2 多频涡流信号及常用特征值 |
| 2.2.3 增量磁导率信号及常用特征值 |
| 2.2.4 切向磁场强度谐波分析信号及常用特征值 |
| 2.3 铁磁性材料机械性能参数介绍 |
| 2.4 电磁参数与铁磁性材料机械性能参数间的相关性分析 |
| 2.5 第二章小结 |
| 第三章 基于SBS与最小二乘法相结合的机械性能参数估计方法 |
| 3.1 电磁信号数据来源介绍 |
| 3.1.1 电磁信号检测系统介绍 |
| 3.1.2 数据介绍与数据预处理 |
| 3.2 基于SBS与最小二乘法相结合的方法 |
| 3.2.1 算法的提出 |
| 3.2.2 基于SBS与最小二乘法相结合的算法流程图 |
| 3.3 基于SBS与最小二乘法相结合的算法模型 |
| 3.3.1 评估指标 |
| 3.3.2 基于SBS与最小二乘法相结合的机械性能参数估计结果 |
| 3.4 不同方法的对比 |
| 3.5 第三章小结 |
| 第四章 基于随机森林的机械性能参数估计方法 |
| 4.1 随机森林理论介绍 |
| 4.1.1 决策树与回归树 |
| 4.1.2 随机森林回归算法 |
| 4.2 基于随机森林的机械性能参数估计算法模型 |
| 4.2.1 基于验证集的随机森林参数选取分析 |
| 4.2.2 基于随机森林的机械性能参数估计结果 |
| 4.3 随机森林建模实验结果总结 |
| 4.4 第四章小结 |
| 第五章 基于深度稀疏自编码的铁磁性材料机械性能参数估计 |
| 5.1 自动编码器的基本原理概述 |
| 5.1.1 自动编码器 |
| 5.1.2 深度自动编码器 |
| 5.1.3 稀疏自动编码器 |
| 5.1.4 深度自动编码器的学习算法 |
| 5.2 基于深度SAE的机械性能参数估计网络 |
| 5.2.1 巴克豪森原始信号预处理 |
| 5.2.2 基于深度SAE的机械性能参数估计网络 |
| 5.3 基于深度SAE的机械性能参数估计结果 |
| 5.3.1 基于深度SAE的无监督预训练后的机械性能参数估计结果 |
| 5.3.2 基于深度SAE的有监督微调后的机械性能参数估计结果 |
| 5.3.3 深度SAE网络参数选取分析 |
| 5.4 不同方法的机械性能参数估计结果对比 |
| 5.5 第五章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来研究的展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（8）基于机器视觉的门板尺寸及缺陷检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.2.1 国外研究概况 |
| 1.2.2 国内研究现况 |
| 1.2.3 视觉检测算法研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 本章小结 |
| 第二章 门板尺寸及缺陷检测系统的整体设计 |
| 2.1 门板的尺寸测量指标以及表面缺陷分析 |
| 2.1.1 门板尺寸测量指标分析及检测方案设计 |
| 2.1.2 门板表面划痕缺陷分析及检测方案设计 |
| 2.2 检测系统的总体框架制定 |
| 2.3 工业相机的选择 |
| 2.4 光学镜头的选择 |
| 2.5 光源系统的设计 |
| 2.5.1 光源系统的基本特性分析 |
| 2.5.2 视觉检测系统中的常用光源 |
| 2.5.3 打光方式的介绍 |
| 2.5.4 照明系统的确定 |
| 2.6 软件编程语言的选择 |
| 2.7 本章小结 |
| 第三章 门板尺寸检测技术研究 |
| 3.1 三通道彩色图转灰度图 |
| 3.2 边缘检测基本的原理 |
| 3.3 经典的边缘检测算法 |
| 3.3.1 一阶微分算子 |
| 3.3.2 二阶微分算子 |
| 3.4 设置边缘提取区域及检测算子的选择 |
| 3.5 亚像素边缘检测 |
| 3.5.1 亚像素算法基本原理 |
| 3.5.2 基于最小二乘法的直线拟合法 |
| 3.5.3 基于最小二乘法的圆拟合法 |
| 3.6 本章小结 |
| 第四章 相机标定以及模板匹配算法研究 |
| 4.1 单相机标定 |
| 4.1.1 单相机标定原理分析 |
| 4.1.2 单相机局部分区域标定方法 |
| 4.2 双相机标定 |
| 4.3 基于形状的模板匹配研究 |
| 4.3.1 基于形状模板匹配的基本原理 |
| 4.3.2 匹配实验 |
| 4.4 本章小结 |
| 第五章 门板划痕缺陷分析及检测方案设计 |
| 5.1 传统方法检测结果分析 |
| 5.2 快速傅里叶变换在图像频域滤波的应用 |
| 5.2.1 傅里叶变换理论知识 |
| 5.2.2 图像频谱图的特性分析 |
| 5.2.3 图像频谱图特性及自适应滤波器的设计 |
| 5.2.4 动态阀值分割 |
| 5.2.5 高斯平滑滤波 |
| 5.2.6 基于灰度波动的非均匀光照图像二值化 |
| 5.2.7 形态学处理分析 |
| 5.3 本章小结 |
| 第六章 检测误差分析及视觉软件的开发 |
| 6.1 门板尺寸检测的试验与分析 |
| 6.1.1 双相机标定分析 |
| 6.1.2 单相机标定 |
| 6.1.3 模板匹配及尺寸测量结果分析 |
| 6.2 迹纹理干扰下划痕的识别及实验分析 |
| 6.3 软件开发设计 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（9）1580热连轧F2轧机轧辊振动及带钢变形研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究的背景、目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 发展趋势 |
| 1.3 本课题的主要研究内容 |
| 1.4 本章小结 |
| 第二章 1580热连轧机现场测试 |
| 2.1 1580热连轧机简介 |
| 2.2 F2轧机的测试布置 |
| 2.3 带钢表面振纹测定 |
| 2.4 测试信号分析 |
| 2.5 本章小结 |
| 第三章 F2轧机轧制力模型及工艺参数影响研究 |
| 3.1 动态轧制力公式的建立 |
| 3.2 动态轧制力公式求解 |
| 3.2.1 动态轧制力公式显式化 |
| 3.2.2 动态轧制力公式显式化后的泰勒展开式 |
| 3.3 动态轧制力模型的计算分析 |
| 3.4 工艺参数对轧制力的影响分析 |
| 3.4.1 金属塑性变形 |
| 3.4.2 变形抗力模型的建立 |
| 3.4.3 变形温度对变形抗力的影响 |
| 3.4.4 变形速度对变形抗力的影响 |
| 3.4.5 变形程度对变形抗力的影响 |
| 3.5 本章小结 |
| 第四章 F2轧机轧辊有限元分析 |
| 4.1 工作辊和支撑辊的结构参数 |
| 4.2 轧辊的受力分析 |
| 4.3 有限元分析方法及有限元软件ANSYS |
| 4.3.1 有限元分析方法的介绍 |
| 4.3.2 有限元软件ANSYS |
| 4.4 工作辊有限元分析 |
| 4.4.1 工作辊静强度分析 |
| 4.4.2 工作辊模态分析 |
| 4.5 支撑辊有限元分析 |
| 4.5.1 支撑辊静强度分析 |
| 4.5.2 支撑辊模态分析 |
| 4.6 本章小结 |
| 第五章 带钢轧制过程的有限元模拟 |
| 5.1 有限元软件的选择 |
| 5.1.1 ANSYS/LS-DYNA模块介绍 |
| 5.1.2 ANSYS/LS-DYNA的分析过程 |
| 5.2 轧辊轧制带钢模型的创建 |
| 5.2.1 模型建立的策略 |
| 5.2.2 模型建立的过程 |
| 5.3 带钢板形不同时轧制结果的分析 |
| 5.3.1 带钢轧制过程中应力与应变分布 |
| 5.3.2 轧制过程中轧制力变化 |
| 5.4 轧制工艺参数对带钢轧制变形的影响分析 |
| 5.4.1 轧制速度对带钢轧制变形的影响分析 |
| 5.4.2 摩擦系数对带钢轧制变形的影响分析 |
| 5.4.3 前后张力对带钢轧制变形的影响分析 |
| 5.4.4 轧制压下量对带钢轧制变形的影响分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 硕士期间参与项目 |
| 致谢 |
（10）基于离散根轨迹的轧机板厚滞后系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究概述 |
| 1.2.1 轧机的板带厚控方式的发展历程 |
| 1.2.2 轧机的板带厚控系统的研究现状 |
| 1.3 课题的来源、研究意义与研究内容 |
| 1.3.1 课题的来源与研究意义 |
| 1.3.2 课题的研究内容 |
| 第2章 轧机的板带厚控原理 |
| 2.1 板带厚控基础 |
| 2.1.1 弹跳方程 |
| 2.1.2 塑性方程 |
| 2.1.3 P-h图 |
| 2.2 板带厚度波动的原因及调节方式 |
| 2.2.1 厚度波动的原因 |
| 2.2.2 厚度的调节方式 |
| 2.3 板带的厚控方式 |
| 2.3.1 测厚仪式厚度自动控制 |
| 2.3.2 厚度计式厚度自动控制 |
| 2.3.3 前馈式厚度自动控制 |
| 2.3.4 流量式厚度自动控制 |
| 2.4 本章小结 |
| 第3章 轧机的板带厚控系统的滞后模型 |
| 3.1 厚控系统的滞后时间 |
| 3.1.1 测厚仪滞后时间 |
| 3.1.2 液压伺服系统的响应时间 |
| 3.2 厚控系统的滞后时间分析 |
| 3.3 厚控系统的滞后模型 |
| 3.3.1 滞后模型的建立 |
| 3.3.2 滞后模型的简化 |
| 3.4 厚控系统的滞后模型离散化 |
| 3.4.1 采样控制 |
| 3.4.2 滞后模型的离散化处理 |
| 3.4.3 滞后模型的离散化验证 |
| 3.5 本章小结 |
| 第4章 滞后模型的离散根轨迹分析 |
| 4.1 连续时间控制系统的根轨迹 |
| 4.2 离散时间控制系统的根轨迹 |
| 4.2.1 s平面到z平面的映射 |
| 4.2.2 恒定阻尼比轨迹 |
| 4.2.3 z平面内闭环系统的稳定性 |
| 4.3 离散化根轨迹分析 |
| 4.3.1 离散根轨迹 |
| 4.3.2 离散根轨迹的绘制 |
| 4.3.3 数据分析 |
| 4.4 本章小结 |
| 第5章 滞后模型的仿真与实验验证 |
| 5.1 仿真平台的介绍 |
| 5.1.1 xPC实时系统 |
| 5.1.2 仿真平台的搭建 |
| 5.2 仿真分析 |
| 5.3 实验平台的介绍 |
| 5.3.1 冷轧机组 |
| 5.3.2 过程控制系统及其组成 |
| 5.3.3 冷轧机组的控制程序 |
| 5.4 实验研究 |
| 5.4.1 实验方案 |
| 5.4.2 实验分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
四、郑州二钢高精度冷轧带钢生产线介绍（论文参考文献）
- [1]视觉检测中特征提取的FPGA加速技术研究[D]. 潘银飞. 合肥工业大学, 2021
- [2]基于深度学习的螺纹钢表面缺陷检测关键技术研究[D]. 赵月. 山东建筑大学, 2021
- [3]连退生产过程产品质量预测及操作优化[D]. 王帝. 天津工业大学, 2021(01)
- [4]鬼像原理在高反光金属翅片蒸发器卡槽缺陷检测中的应用[D]. 柯虎城. 安徽理工大学, 2020(07)
- [5]机器视觉在软包动力锂电池极耳焊接缺陷检测中的应用[D]. 李俊男. 福建工程学院, 2020(02)
- [6]极片轧机多闭环反馈控制系统研究[D]. 齐浩. 河北工业大学, 2020
- [7]基于电磁参数的特征优化与机械性能参数估计方法研究[D]. 杜晨琛. 南京航空航天大学, 2020(07)
- [8]基于机器视觉的门板尺寸及缺陷检测系统研究[D]. 王刘奎. 浙江理工大学, 2020(04)
- [9]1580热连轧F2轧机轧辊振动及带钢变形研究[D]. 侯孟伟. 安徽工业大学, 2019(02)
- [10]基于离散根轨迹的轧机板厚滞后系统的研究[D]. 程慧杰. 燕山大学, 2019(03)