一、中厚板轧制信息采集与操作指导系统（论文文献综述）
贺笛[1]（2021）在《深度学习在钢板表面缺陷与字符识别中的应用》文中研究说明钢铁生产技术是衡量一个国家工业发展水平的重要标准,相关产品如薄板、带钢、棒材被广泛应用于建筑、机械、船舶、汽车、军工、家电等制造行业。随着国民经济的发展,中国钢铁企业逐渐从扩产能向着智能化、精细化、高附加值的生产模式转变。钢板表面缺陷检测与字符识别系统作为保证钢材产品质量,实现智能化生产的重要技术手段,持续受到钢铁企业的重视和研究。目前,钢板表面缺陷检测系统主要应用于表面质量较好的冷轧带钢、镀锌板生产线,在中厚板、热轧带钢等表面相对复杂的生产线应用较少,主要原因是现有缺陷检测算法对于复杂缺陷图像的识别能力有限,识别结果易受图像背景影响,稳定性不足。字符识别系统在钢铁行业应用较晚,主要原因同样是字符识别算法鲁棒性不足,对于图像背景复杂、模式多样的钢板表面字符识别精度较低,无法满足企业要求。近年来,随着计算力的提升与大规模数据集的建立,深度学习方法以其较高的识别精度、良好的泛化能力受到了广泛的关注与研究。在训练样本充足的情况下,深度学习方法识别精度与鲁棒性均远超传统算法。因此,为了提升钢板表面缺陷检测系统与字符识别系统精度,本文主要对基于深度学习的钢板表面缺陷检测分类与字符识别算法进行研究。研究成果如下:（1）针对钢板表面缺陷图像类内差异性大、形态复杂等问题,提出了基于多尺度感受野、图像重构、特征降维的缺陷分类方法。该方法通过融合具有不同尺度感受野的特征图,实现了复杂钢板表面缺陷图像的表征。引入了图像重构误差,帮助预训练模型在目标域图像与源域图像存在明显特征差异的情况下,编码输入图像特征。引入了基于自编码器的特征降维结构,降低底层特征维数,提升网络的泛化能力。实验结果表明,本文所提方法在中厚板与热轧带钢表面缺陷图像分类中分别取得了 98.5%与95.7%的分类精度,相比于直接采用预训练模型进行训练分别提升2.2%与2.0%。（2）针对深度学习目标检测算法在钢板表面缺陷检测中召回率低、缺陷定位不准确、可解释性差等问题,提出了基于分类优先网络与分组卷积分类网络的缺陷检测算法。与传统先定位后分类的缺陷检测流程不同,分类优先网络首先采用分组卷积分类网络对缺陷图像进行分类,然后根据分类结果选择相应特征图组回归缺陷边界框。分组卷积分类网络采用互相独立的卷积层单独提取图像中每一类缺陷特征信息,实现了不同类别缺陷的特征分离。实验结果表明,分类优先网络特征图响应与原始图像中物体存在明显空间对应关系,更加有利于缺陷检测与定位。在中厚板、热轧板表面缺陷检测中取得了很好的识别效果。（3）针对钢板表面缺陷图像有标签样本少、无标签样本多的特点,提出了基于卷积自编码器与半监督对抗生成网络的缺陷分类方法CAE-SGAN。该方法首先在大量无标签缺陷图像中训练卷积自编码器,实现网络的无监督特征学习。然后保留卷积自编码器中的编码器作为对抗生成网络的判别器,修改判别器输出层,使其同时预测输入样本的真、假与类别信息,实现钢板表面缺陷图像的半监督学习。实验结果表明,CAE-SGAN能够充分的利用钢板表面无标签图像进行无监督特征学习,有效提升有标签缺陷样本的分类精度。特别是在有标签训练样本数据减少的情况下,CAE-SGAN方法相比于传统卷积神经网络具有更高的分类准确率。（4）针对钢铁企业对于高精度、低成本的钢板表面字符识别系统的要求,提出了基于MobileNet-v2的轻量化钢板表面字符识别网络。该网络采用MobileNet-v2作为骨干网络,提升网络计算速度、降低算法部署成本。提出了 Threshold Focal Loss（TFLs）损失函数,有针对性地降低简单样本损失函数,提升网络的鲁棒性与收敛速度。引入了字符随机排列、图像融合等多种数据增强方法,增加样本的复杂程度,提升网络对于复杂钢板表面字符图像的识别精度。引入了对抗攻击训练,有针对性的提升字符识别网络的鲁棒性。实验结果表明,本文所提的钢板表面字符识别算法,在方坯与圆棒端面字符识别中取得了 99.96%的图像整体识别率,很好的满足了企业对于高精度字符识别算法要求。
刘晓明[2]（2020）在《多尺度几何变换在金属表面缺陷识别中的应用》文中认为表面缺陷是影响金属板带产品质量的重要因素之一,国内板带材产品用户质量异议事件很大一部分归因于表面缺陷。基于机器视觉的表面检测系统可以对表面缺陷进行在线检测和实时反馈,已成为现代钢铁企业主要的检测手段。目前基于机器视觉的表面检测系统面临的主要难题是缺陷识别率较低,如何在满足在线检测速度的前提下进一步提高缺陷的识别率是一个重要研究内容。特征提取的好坏直接影响表面检测系统的应用效果,因此寻求有效的特征提取方法是提高缺陷识别率的关键。金属表面缺陷在不同方向和不同尺度上具有不同的信息量,缺陷的整体轮廓和几何形状等信息主要表征在图像的粗尺度上,局部边缘和灰度突变点等细节信息则主要体现在图像细尺度上,因此提取表面缺陷的多尺度和多方向信息对于提高缺陷识别率非常重要。多尺度几何变换比小波变换具有更多的方向选择性且基函数满足各向异性的尺度关系,在描述高维信号时能以更少的系数、更优的逼近阶逼近信号奇异处。因此本文针对酸洗带钢、中厚板、铝板等4种金属表面缺陷检测的特点,开发了相应的基于多尺度几何变换的检测算法。本文主要研究内容与创新成果如下。（1）针对酸洗带钢生产线运行速度快、图像背景简单、缺陷种类少的特点,提出基于 Contourlet 变换和 KSR（Kernel Spectral Regression）降维的Contourlet-KSR特征提取方法。通过Contourlet变换对图像进行多尺度、多方向分解,并对分解得到的子带提取统计特征,采用KSR非线性降维算法去除冗余特征,将得到的低维特征输入分类器进行分类识别。与几种常用的特征提取算法进行了对比,Contourlet-KSR方法对酸洗带钢缺陷识别率达到了96.76%,比小波方法、局部二值模式方法、幅值谱方法分别提高了 3.05%、15.66%、5.14%。（2）针对Contourlet变换方法进行下采样操作导致的图像信息丢失问题,提出 了改进 Contourlet 变换方法 ICT（Improved Contourlet Transform）,在此基础上,提出ICT-KSR特征提取方法,并应用于中厚板表面缺陷识别。对Contourlet变换方法进行了如下改进:在多尺度分解时采用了非子采样的金字塔滤波器NSP（Non-Subsampled Pyramid）,用来消除了尺度分解带来的频率混叠和信息丢失,然后将图像输入到双通道方向滤波器组DFB（directional filter banks）中进行方向分解。ICT-KSR方法对于中厚板每类缺陷的识别率均达到了 97.62%以上,整体识别率达到了 99.21%。（3）针对铝板图像对比度低、缺陷细小、干扰因素多等难以识别的特点,提出基于NSST（non-subsampled shearlettransform）特征提取方法。对铝板样本图像进行对比度拉伸处理,再利用NSST对图像进行水平锥和垂直锥子带分解,对得到的各个子带系数提取均值和方差统计特征并组成NSST特征矩阵,再利用非线性降维算法去除提取的冗余特征,最后将低维特征矩阵和类别标签数据输入分类器中进行缺陷识别。该方法对铝板表面缺陷识别率达到了 97.92%。（4）针对连铸坯生产线运行速度慢、图像背景复杂、干扰因素多等特点,提出了 DNST（discrete non-separable shearlettransform）与 GLCM（gray level co-occurrence matrix）纹理特征融合的提取方法。对连铸坯样本进行DNST分解,提取各个子带的统计量,再对连铸坯样本计算灰度共生矩阵并提取能量、熵、惯性矩等5个纹理参数,对这5种纹理参数分别计算均值和方差统计量,将DNST与GLCM两者的统计特征进行连接组成特征融合矩阵,利用非线性降维算法得到用于分类的特征。该方法对连铸坯缺陷的整体识别率达到了96.37%,裂纹识别率达到了 95.50%。（5）利用复剪切波变换（complex shearlettransform,CST）具有相位信息的特点,提出了基于复剪切波变换的缺陷区域提取算法,在带钢表面夹渣和铝板表面划伤图像上进行了测试,该算法可以准确地提取带钢夹渣缺陷和铝板划伤缺陷区域。针对连铸坯表面缺陷识别的特点,提出了基于CST的特征融合方法,得到连铸坯缺陷的识别率为95.97%。
陈德敏[3]（2020）在《热轧区域钢坯（板）周期传热边界特征与温度场的协同机制》文中提出钢铁企业是高能耗、高污染行业,且产能过剩。企业为了生存发展,必须进行转型升级、开发高附加值、高性能产品。钢坯组织性能控制对产品质量有着重要影响,它与钢坯的温度分布、水平和梯度密切相关,而钢坯（板）传热边界又直接决定着温度的分布规律。因此,研究热轧区域钢坯（板）传热边界特征与温度场协同规律具有重要的意义。热轧区域包括加热炉、轧制和层流冷却三个单元。钢坯（板）从加热炉到层流冷却历经加热和多点冷却,是周期性的复杂传热过程,目前对这种复杂传热过程的规律尚不清楚。基于此,提出了采用实验测试、理论分析计算以及最小二乘有机结合得到表征边界函数的方法,发现了传热边界具有周期特征,并从正、反两方面研究了周期特征参数与温度场的协同性,获得了特征参数对传热效果的影响程度,分析了特征参数协同运行规律,为优化热工操作、合理安排加热（冷却）生产过程提供依据。具体结论如下:（1）各单元传热边界周期性显着,周期函数各不相同影响传热边界的因素为炉温和换热系数,它们都具有明显周期特征。研究发现加热炉炉温可以由三角函数和线性函数叠加而成,轧制单元换热系数主要为梯形波或者矩形波,层流冷却单元换热系数为以喷头为中心的半波正弦构成的分段函数。（2）传热边界特征参数振幅和周期对钢坯传热影响规律明显单一特征参数对钢坯（板）温度场虽有影响,但方式和效果并不相同。振幅反映了同一区域温度的涨、落,案例计算表明:加热炉炉温曲线振幅每增加1℃,钢坯表面温度最大增幅为1.22℃;层流冷却单元换热系数振幅每增加1W/（m2·K）,钢坯表面温度最大降幅为0.36℃。周期反映了沿钢坯（板）运行方向的温度分布或者冷却区域面积大小,案例计算表明:加热炉内周期越大,钢坯表面温度变化越平缓;层流冷却单元,周期越小,钢板冷却效果越差。（3）传热边界周期与振幅协同变化对温度目标的控制起着决定性的作用,对热轧区域的生产节奏调控有着重要影响正常生产条件下,加热炉内炉温曲线的振幅随着周期（加热时间）的增加而降低,二者呈指数函数关系。应用这一规律讨论加热炉燃耗发现,随着加热时间的逐渐延长,燃耗强度逐渐降低,但这种效果只是在某一个时间区间内有效,如案例加热炉在150min～206min效果明显。同时应用这一规律分析了加热时间分别为170min、190min和210min三种条件下的区域热效率,结果表明,加热时间越短,区域热效率越高,特别是在一加热段内的各区域热效率增加最明显。层流冷却换热系数的振幅随着周期（冷却时间）的增加而降低,二者呈线性关系。热轧区域生产节奏调控主要是各单元传热边界周期（加热时间、轧制时间、冷却时间）的协同,案例生产线可调控加热时间为4080s,与其相对应的能耗调控量为0.58GJ/t,可调控的冷却时间为10.76s。
呼万哲[4]（2019）在《中厚板坯料设计及其热轧生产计划建模与优化算法研究》文中研究说明生产计划与调度是钢铁企业智能化管理中的一项核心内容,在钢铁行业实现智能制造的过程中扮演着重要角色。中厚板作为一种广泛应用于建筑、工程机械和国防等行业的重要材料,其市场订单通常呈现多规格、小批量的特点,给中厚板生产的计划编制带来较大的困难。这主要体现在如何将上述多规格小批量订单进行优化组合和排序,设计坯料和热轧生产单元,以匹配钢铁企业大规模、批量化生产模式。论文考虑中厚板订单和生产的特征,针对坯料设计问题、冷装工艺条件下的热轧生产计划问题、考虑热送热装工艺的热轧生产计划问题,开展建模和优化求解方法的研究,主要成果和结论如下:针对中厚板坯料设计问题,构建了混合整数规划模型,并设计了基于禁忌搜索和列生成技术的混合优化求解算法（TSCGHOA）。坯料设计是指依据用户需求的产品规格和数量对热轧坯料的规格数量等进行设计。中厚板坯料设计涉及子板组合、母板和板坯规格设计等内容,可将其归结为一种考虑同时对母板和板坯规格进行决策的下料问题。以最小化余材和热轧加工过程材料损失为目标,将母板和板坯规格的设计柔性转化为模型的约束条件,建立优化模型,并采用算法TSCGHOA进行求解。设计实验案例对TSCGHOA的性能进行测试,案例结果显示TSCGHOA算法可在多断面可选条件下获得坯料设计质量更好的解。针对冷装工艺条件下的中厚板热轧生产计划问题,分别采用约束规划方法和数学规划方法对问题进行建模和求解,并对两种方法的求解效率进行了比较。热轧生产计划是指从板坯集中选择板坯进行分组和排序形成一个或多个热轧单元。中厚板热轧生产计划需设计适用的方法,用于评价板坯组合排序对轧辊磨损的影响,以此为基础可将中厚板多个热轧单元的编制问题描述为一种团队定向越野比赛问题。考虑多种工艺约束,以最大化总标准轧制长度为目标分别建立了问题的约束满足优化模型和混合整数规划模型,两者分别通过软件CP Optimizer和Gurobi进行求解。设计实验案例对两种方法的求解性能进行测试,案例结果显示所采用约束规划方法的求解质量较采用的数学规划方法平均提升31.14%。针对考虑热送热装工艺的中厚板热轧生产计划问题,考虑热坯随时间变化的热量损失,构建问题的双目标混合整数规划模型,基于分解技术和迭代局部搜索设计了多目标进化求解算法（HMOEA/D）。与传统冷装工艺相比,热送热装工艺在节能降耗方面具有巨大的优势,考虑热送热装工艺的热轧生产计划编制需要同时考虑热轧机的生产效率和加热炉的能源节约。基于上一章提出的问题描述方法,可将中厚板单个热轧单元的编制问题描述为一种定向越野比赛问题。同时考虑冷坯和两种热坯,以最大化板坯潜在热量收集和总标准轧制长度为双目标建立问题的优化模型,设计算法HMOEA/D进行求解。设计实验案例对算法的求解性能进行测试,与非支配排序遗传算法和多目标蚁群算法进行比较,案例结果显示HMOEA/D算法在90%以上案例中获得了收敛性和分布性更好的帕累托前沿。以上述提出的模型和求解算法为基础,开发了中厚板坯料设计及其热轧生产计划编制辅助决策系统,根据系统需求主要分为坯料设计模块、冷装热轧计划模块和热装热轧计划模块。系统具有可通过鼠标点击按钮进行计划编制的人机交互界面,可对输入数据进行筛选和管理,可对计划编制过程参数进行设置,同时可对计算结果进行展示和调整。论文针对中厚板生产计划编制的难点问题,分别为坯料设计和两种工艺条件下的热轧生产计划问题建立了优化模型,并设计了优化求解方法,并以此为基础开发了中厚板坯料设计及其热轧生产计划编制辅助决策系统,为解决多目标多约束的钢铁生产计划相关问题提供了新的解决方案,为中厚板生产组织安排提供了辅助决策工具。
王永周[5]（2019）在《热轧中厚板组板及板坯设计的智能优化方法和系统》文中提出中厚板是一种广泛应用于基础设施建设、工程机械、造船等下游产业的重要钢铁产品。下游产业的多样化使得中厚板的市场订单具有多规格、多品种、小批量等特点,不利于发挥钢铁企业低成本规模化制造的优势。通过将大量小批量订单组合到若干轧制母板上,并为母板选择合适的二切坯规格,从而形成可大规模批量化生产的中厚板坯,以充分发挥钢铁企业大型设备的生产能力,减小无订单委托余材的产生,达到快速订单响应,提高客户满意度和企业竞争力的目的。论文面向中厚板组板及板坯设计问题,主要研究以下内容:（1）研究了中厚板存钢组板问题。论文考虑子板组合约束、库存板坯规格约束等,建立了以最小化匹配余材为目标的混合整数规划模型,将模型求解分为订单和库存板坯预处理、订单子板组合优化两个阶段,提出了一种基于专家经验的启发式算法。测试结果表明,相比人工设计方法,论文所提出算法的匹配余材率平均降低1.67%。（2）研究了中厚板炼钢组板及板坯设计问题。论文考虑非定尺订单子板规格和母板规格柔性以及母板多断面选择不确定性,以母板上余材最小化为目标建立了混合整数规划模型,将模型分为订单预处理、母板设计和板坯设计三个阶段进行求解。在母板设计阶段,将订单子板组合问题归结为多背包问题,提出了一种基于专家经验和背包问题的启发式算法,并设计解改进策略以提升母板设计质量。测试结果表明,相比人工设计方法,论文所提出算法的设计成材率平均提高0.37%,设计余材率平均降低0.92%。（3）针对国内某一中型钢铁企业中厚板组板及板坯设计问题的实际需求,嵌入论文提出的模型和算法,设计并开发了“自动组板及板坯设计系统”。系统不仅能够快速提供优化的设计结果,而且可以根据生产需要快速对设计结果进行调整。系统目前已与该钢铁企业现有生产管理系统实现完全信息对接,并且已投入在线运行,运行效果达到了预期目标。论文提出的模型和算法的测试以及系统的在线应用表明:论文提出的算法能够有效降低组板及板坯设计的余材率,提高产品成材率,自动组板及板坯设计系统能够为钢铁企业实现大规模定制化生产提供技术支持,也对其他工序的决策支持系统的设计和开发具有借鉴作用。
刘思彤[6]（2019）在《基于深度学习的钢板表层缺陷自动识别模型及其在钢板表层质量管理中的应用》文中研究指明钢铁业作为工业脊梁,是国家强盛之本,民族复兴之魂,工业发展之基。近几年在相关政策扶持和钢材市场回暖的正向拉动下,我国钢铁制造领域得到了较快发展,但仍存在大而不优、大而不强的现象,具体表现为我国钢板产量高,但质量与欧美国家相比存在明显差距,而反映钢板质量的最直接、首要的因素是钢板表面质量,因此提高钢板表层质量管理水平成为钢企亟待解决的问题。鉴于此,本文针对钢板表层质量管理开展以下研究。首先根据质量和质量管理理论界定钢板表层质量管理的相关概念,并明确钢板表层质量管理方法、目标和原则,从管理现状出发分析目前钢板表层质量管理方法存在的问题并阐释了本文的研究意义;其次以提高钢板表层质量管理水平为目的构建钢板表层缺陷自动识别模型,并选用基于深度学习的Fasterrcnn目标检测算法作为钢板表层缺陷自动识别模型的基础算法;再对算法的部分功能、整体结构进行优化并做模型算法对比实验,验证钢板表层缺陷自动识别模型算法与相关目标检测算法在钢板表层缺陷检测中精度和速度上的优势;然后设计可用于钢板表层质量监控、判定的自动报警功能和用于钢板表层质量控制的回溯管理;最后提出基于钢板表层缺陷自动识别模型的钢板表层质量管理的应用方案,并配套相关保障措施。研究旨在通过以数据、算力、算法为基础,实现钢板表层质量管理从人工质量管理到模型算法质量管理的工具革命,和实现钢板表层质量管理从经验决策到数据算法决策的决策革命。通过对钢板表层质量管理进行科技赋能,促进钢板表层质量闭环控制,实现我国钢铁业高质量钢板供给,显着增强我国钢铁工业在国际竞争中的质量优势。
于洋[7]（2019）在《中厚板产品抗拉强度预测系统的设计与实现》文中研究说明随着我国钢铁行业持续推进智能制造与两化融合建设,工业软件生产制造执行系统（MES）、产销系统（ERP）是支撑制造型企业实现智能制造的核心要素,多年来,在系统里积累存储了大量的生产经营活动相关数据,数据挖掘技术可应用这些海量数据为企业挖掘提炼隐藏其中有价值的信息,用“数据”说话,找到影响产品质量、成本的重要影响因素,从而达到优化工艺、减少缺陷、降低成本和提高产品成材率的目的,为企业实现智能化生产奠定基础。本论文针对鞍钢股份有限公司中厚板厂产品性能进行预测分析。重点研究中厚板产品性能参数、生产工艺流程、化学成分等影响产品性能的各项因素,通过采集和整合中厚板厂各级信息系统中与生产经营相关的各项数据,构建中厚板主题数据池,规范数据标准,建立中厚板生产工序360全景数据视图,实现数据资源共享。利用先进的大数据分析技术构建数据多维分析、关联分析及预测分析等模型,对数据进行不同层次的信息提取和深度挖掘,实现从数据到信息再到知识的转化。本论文使用IBM SPSS Modeler平台,将数据池中的数据样本输入分类回归树、线性回归、广义线性以及人工神经网络四种数据挖掘模型中,通过反复训练和校验预测模型并结合现场生产工艺实际情况进行综合评估,最终得出人工神经网络模型预测更加精确,更加切合实际生产工艺。通过人工神经网络预测模型可以直观反映出影响中厚板产品性能指标的各项因素。本论文通过建立中厚板产品性能预测系统,选取经过验证预测精确度最优的人工神经元网络分析模型,操作人员输入化学成分值、关键工艺参数指标及加热温度值,数据化模拟中厚板生产的全流程,系统会根据输入参数测算出中厚板产品性能目标值,实现产品性能预测的目的,为企业实现提升产品质量、降低成本以及研发新产品有着重要的理论和指导意义。
王国栋[8]（2019）在《高质量中厚板生产关键共性技术研发现状和前景》文中研究说明中厚板是重要的钢铁材料品种,在国民经济建设、人民生活、国家安全等方面具有不可替代的作用。中厚板行业必须进行包括原料-炼铁-炼钢-连铸-热轧-热处理全流程、一体化的智能化、绿色化改造升级,大力进行技术创新,攻克一批关键共性技术,如中厚板生产全过程的组织调控技术、固相复合与增材制造、中厚板生产过程的智能制造技术等,才能使常规热轧中厚板实现升级换代,迈向世界"第一",成为世界"唯一"。我国中厚板行业要着力开发中厚板生产新技术、新工艺、新装备、新产品,掌握核心竞争力,才能成为"工艺绿色化、装备智能化、产品高质化、供给服务化"的全球领跑者,为我国中厚板行业成为世界领先的钢铁工业集群做出贡献。
高扬[9]（2018）在《多功能热轧实验机组的开发与应用》文中指出突破高端产品制造技术,实现工艺流程创新是解决我国钢铁工业大而不强问题的关键,而研发先进的实验研究装备和中试研发平台则是实现这一目标的基础。本文从生产实际出发,结合工艺创新要求,开发了新一代多功能热轧实验机组,其独特的轧辊加热功能、热轧异步轧制功能以及组合式控制冷却功能在保证热轧实验机组灵活高效、精度高的基础上,进一步丰富了实验功能,为热轧产品和工艺研究提供了研发平台。相关实验机组被多家钢铁企业及科研院所应于新产品、新工艺研发中,取得了良好的应用效果。主要研究内容如下:（1）开发了多功能热轧实验机组工艺流程、工艺装备、自动化控制系统和检测仪表系统。通过机组工艺设备的柔性组合,丰富了热轧实验研发手段,满足中厚板和热连轧不同流程的新工艺、新产品的研发需求。提出了可逆轧制和单向轧制辊缝设定策略,通过新型电液联摆系统,在保证辊缝精度的同时提高了压下速度。针对热轧实验复杂、灵活、多变的特点,开发了实验过程跟踪系统、自动实验系统和实验过程仿真系统,提高了热轧实验稳定性和成功率。（2）针对热轧实验轧辊温度低、轧件温降快等问题以及特殊规格、特殊工艺要求的热轧实验过程,提出了热油加热轧辊的工艺思路。通过热油加热过程中轧辊表面温度场有限元模拟,得到了热油温度、环境温度、轧辊直径以及轧辊开孔深度对轧辊表面温度场的影响规律。所开发的轧辊热油加热系统,有效解决了薄规格轧件轧制过程中温降过快的问题,同时满足了特殊合金高温终轧的工艺要求。（3）开发了热轧实验机组异步轧制功能,通过异步轧制将剪切变形引入轧制过程,提高了变形效率和变形渗透率。通过有限元模拟分析,建立了热轧异步轧制过程中轧辊受力、轧件变形以及轧件翘曲规律。为了改善热轧异步轧制过程中轧件翘曲,开发了下辊水平偏移系统并提出了异步轧制过程中轧件翘曲控制策略,有效解决了热轧异步轧制过程中轧件过度翘曲的问题。（4）开发了以超快冷为核心的热轧实验机组组合式控制冷却系统。建立了组合式控制冷却过程中轧件温度控制模型并给出了换热系数自学习方法。针对超快冷系统压力和集管流量强耦合的特点,提出了系统压力与集管流量综合控制策略。系统压力和集管流量均采用前馈设定+反馈微调的控制策略,控制初期压力前馈和流量前馈同时进行,系统稳定后以压力反馈为主、压力反馈和流量反馈交替进行,在反馈控制中引入死区控制和模糊PID自适应控制,并针对调节阀具有回差和死区等特性,给出了相应的补偿控制算法,实现了系统压力和集管流量快速、稳定、高精度控制,提高了轧件终冷温度控制精度,满足新一代TMCP工艺研发需求。（5）应用本文研究成果开发的新一代多功能热轧实验机组,采用先进的三级计算机控制系统构架,配备了完善的自动厚度控制系统和实验过程跟踪系统,实现了全自动实验。其特有的轧辊加热功能、热轧异步轧制功能以及以超快冷为核心的组合式控制冷却功能,为研发供了更多的实验手段。本机组成功推广至首钢、沙钢、太钢、河北钢铁、鞍钢、台湾中钢等近二十家钢铁企业和科研院所,取得了良好的应用效果,为热轧工艺创新和高端品种研发提供了可靠的研究手段。
汪杰[10]（2017）在《无立辊轧机宽厚板矩形度控制研究》文中指出对于无立辊轧机的宽厚板生产而言,由于无立辊的侧压过程,往往使得宽厚板矩形度较差,切边、切头尾量增加,成材率损失严重。因此,研究无立辊轧机宽厚板的平面形状变化规律,并提出相应的矩形度控制策略,确保终轧宽厚板的平面形状矩形化,对提高无立辊轧机的宽厚板成材率具有重要意义。本文以国内某钢厂5000mm宽厚板矩形度优化项目为背景。通过有限元模拟、生产数据统计以及理论分析的方法对无立辊轧机的宽厚板平面形状演变规律及影响因素进行了研究。主要研究内容和结论如下:1、采用现场跟踪及数据分析的方法研究了影响无立辊轧机宽厚板矩形度的主要因素,即展宽比。借助体积不变定律推导了MAS轧制参数的计算公式,并研究了MAS轧制法的有限元实现方法。2、借助MSC·Marc建立了无立辊轧机宽厚板热轧过程的三维弹塑性有限元模型,研究了不同展宽比、压缩比、轧制方式、坯料厚度和坯料宽度的钢板在轧制过程中的平面形状变化规律,提出了最佳轧制方式及坯料规格选择方案。3、通过非平面形状控制轧制法得出钢板头尾及边部的残缺值,计算了典型规格的MAS轧制参数,并验证了MAS轧制参数计算公式的准确性,根据验证结果对该公式进行修正,从而建立了MAS轧制参数模型。4、将MAS轧制参数模型用于现场实际生产,验证了MAS轧制参数模型的可靠性,结果表明:投用MAS轧制参数模型后终轧钢板矩形度良好,钢板成材率得到明显提高。5、根据现场生产调试及有限元模拟研究了AGC、坯料规格、转钢方向及对中操作对无立辊轧机宽厚板矩形度的影响,并提出了相应的控制措施,确保了终轧钢板的平面形状矩形化。
二、中厚板轧制信息采集与操作指导系统（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、中厚板轧制信息采集与操作指导系统（论文提纲范文）
（1）深度学习在钢板表面缺陷与字符识别中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 钢板表面缺陷检测系统研究现状 |
| 1.2.1 人工检测 |
| 1.2.2 涡流检测 |
| 1.2.3 漏磁检测 |
| 1.2.4 红外检测 |
| 1.2.5 机器视觉检测 |
| 1.3 钢板表面字符识别系统研究现状 |
| 1.4 钢板表面缺陷检测算法 |
| 1.5 钢板表面字符识别算法 |
| 1.6 深度学习 |
| 1.6.1 图像分类 |
| 1.6.2 目标检测 |
| 1.6.3 对抗生成网络 |
| 1.6.4 深度学习在钢板表面缺陷与字符识别中的应用 |
| 1.7 现有检测方法存在的问题 |
| 1.8 课题研究内容及论文结构 |
| 2 基于多尺度感受野与图像重构的缺陷分类网络 |
| 2.1 卷积神经网络 |
| 2.1.1 基本结构 |
| 2.1.2 训练方法 |
| 2.1.3 VGG |
| 2.1.4 GoogleNet |
| 2.1.5 DenseNet |
| 2.2 自编码器 |
| 2.3 迁移学习 |
| 2.4 多尺度感受野与特征重构网络 |
| 2.4.1 网络结构 |
| 2.4.2 训练方法与损失函数 |
| 2.5 实验数据 |
| 2.6 实验及结论 |
| 2.7 本章小结 |
| 3 基于分类优先网络的缺陷检测方法 |
| 3.1 YOLOv3目标检测网络 |
| 3.2 分组卷积分类网络 |
| 3.3 边界框回归网络 |
| 3.4 分类优先网络训练过程 |
| 3.5 实验数据 |
| 3.6 实验及结论 |
| 3.7 本章小结 |
| 4 基于自编码器与对抗生成网络的半监督学习方法 |
| 4.1 卷积自编码器 |
| 4.1.1 基本结构 |
| 4.1.2 数据增强方法 |
| 4.2 半监督对抗生成网络 |
| 4.3 CAE-SGAN |
| 4.4 实验数据 |
| 4.5 实验及结论 |
| 4.6 本章小结 |
| 5 深度学习方法在钢材表面字符识别中的应用 |
| 5.1 MobileNet |
| 5.2 TFLs损失函数 |
| 5.3 数据增强算法 |
| 5.4 对抗样本训练 |
| 5.5 实验数据 |
| 5.6 实验及结论 |
| 5.7 本章小结 |
| 6 总结 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（2）多尺度几何变换在金属表面缺陷识别中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于机器视觉的表面缺陷检测 |
| 1.2.1 金属表面缺陷检测系统发展概述 |
| 1.2.2 金属表面缺陷检测算法概况 |
| 1.2.3 本梯队的研究基础 |
| 1.3 多尺度几何变换方法发展概述 |
| 1.3.1 图像的稀疏表示 |
| 1.3.2 从傅里叶变换到小波变换 |
| 1.3.3 多尺度几何变换方法概述 |
| 1.4 论文结构与章节安排 |
| 2 金属表面缺陷图像及样本库 |
| 2.1 钢铁生产的工艺流程 |
| 2.2 机器视觉表面检测系统 |
| 2.3 酸洗带钢表面缺陷图像及样本库 |
| 2.3.1 酸洗带钢表面特点 |
| 2.3.2 酸洗带钢表面缺陷样本库 |
| 2.4 中厚板表面缺陷图像及样本库 |
| 2.4.1 中厚板表面特点 |
| 2.4.2 中厚板表面缺陷样本库 |
| 2.5 铝板表面缺陷图像及样本库 |
| 2.5.1 铝板表面特点 |
| 2.5.2 铝板表面缺陷样本库 |
| 2.6 连铸坯表面缺陷图像及样本库 |
| 2.6.1 连铸坯表面的特点 |
| 2.6.2 连铸坯表面缺陷样本库 |
| 2.7 本章小结 |
| 3 Contourlet-KSR特征提取方法研究 |
| 3.1 小波特征提取方法 |
| 3.1.1 直接小波特征提取方法实验 |
| 3.1.2 间接小波系数特征提取实验 |
| 3.1.3 小波特征选择实验 |
| 3.2 Contourlet变换在带钢表面缺陷识别中的应用 |
| 3.2.1 Contourlet变换 |
| 3.2.2 基于Contourlet变换的特征提取方法 |
| 3.3 Contourlet-KSR方法应用于酸洗带钢表面缺陷识别 |
| 3.3.1 KSR理论 |
| 3.3.2 Contourlet-KSR特征提取方法 |
| 3.3.3 实验结果讨论 |
| 3.3.4 可视化结果与混淆矩阵 |
| 3.3.5 实验结果对比分析 |
| 3.4 Contourlet-KSR在其它金属表面缺陷识别的应用 |
| 3.4.1 中厚板表面缺陷识别 |
| 3.4.2 铝板表面缺陷识别 |
| 3.4.3 连铸坯表面缺陷识别 |
| 3.5 本章小结 |
| 4 改进Contourlet变换的特征提取方法 |
| 4.1 改进轮廓波变换方法 |
| 4.1.1 改进Contourlet变换(ICT) |
| 4.1.2 横向裂纹的ICT分解与重构 |
| 4.1.3 ICT系数的稀疏性 |
| 4.2 ICT方法在中厚板表面缺陷识别的应用 |
| 4.2.1 基于ICT的特征提取方法 |
| 4.2.2 与Contourlet方法的比较 |
| 4.2.3 与NSCT方法的比较 |
| 4.2.4 实验结果对比分析 |
| 4.3 ICT方法在其它金属表面缺陷识别的应用 |
| 4.3.1 铝板表面缺陷识别的应用 |
| 4.3.2 连铸坯表面缺陷识别的应用 |
| 4.4 本章小结 |
| 5 基于剪切波变换的特征提取方法 |
| 5.1 NSST原理 |
| 5.1.1 非子采样剪切波的构造 |
| 5.1.2 非子采样剪切波的离散化 |
| 5.2 基于NSST的特征提取方法 |
| 5.2.1 基于NSST的铝板特征提取方法 |
| 5.2.2 实验结果和讨论 |
| 5.2.3 与基于轮廓波的特征提取方法比较 |
| 5.3 DNST变换 |
| 5.3.1 DNST构造基础 |
| 5.3.2 DNST的实现 |
| 5.3.3 DNST变换示例 |
| 5.4 DNST在连铸坯表面缺陷识别中的应用 |
| 5.4.1 DNST-KSR特征提取方法 |
| 5.4.2 DNST和GLCM特征融合方法 |
| 5.4.3 实验结果分析与讨论 |
| 5.4.4 实验结果对比分析 |
| 5.5 本章小结 |
| 6 复剪切波变换在金属表面检测中的研究 |
| 6.1 复剪切波变换的理论 |
| 6.1.1 复剪切波变换的发展背景 |
| 6.1.2 复剪切波变换的构造 |
| 6.1.3 复剪切波变换的特点 |
| 6.2 基于复剪切波变换的缺陷区域提取 |
| 6.2.1 CSTED的构造原理 |
| 6.2.2 CSTED方法实验 |
| 6.2.3 基于CSTED的缺陷区域提取 |
| 6.3 复剪切波变换在连铸坯表面缺陷识别中的应用 |
| 6.3.1 特征提取参数实验 |
| 6.3.2 特征融合方法 |
| 6.3.3 CST与DNST的对比实验 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录A 小波系数矩特征向量的组合明细表 |
| 附录B Contourlet参数设置及结果明细表(酸洗带钢) |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（3）热轧区域钢坯（板）周期传热边界特征与温度场的协同机制（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 热轧区域系统的特点及传热研究重点 |
| 1.2.1 热轧区域系统特点 |
| 1.2.2 热轧区域传热研究重点 |
| 1.3 热轧区域传热研究现状 |
| 1.3.1 加热炉传热边界及传热模型研究现状 |
| 1.3.2 轧制传热边界及传热模型研究现状 |
| 1.3.3 层流冷却传热边界及传热模型研究现状 |
| 1.4 研究内容 |
| 1.5 论文研究思路 |
| 第2章 钢坯(板)传热模型的建立 |
| 2.1 控制方程及定解条件 |
| 2.1.1 控制方程 |
| 2.1.2 定解条件 |
| 2.2 区域离散化 |
| 2.2.1 空间网格划分 |
| 2.2.2 导热微分方程的离散 |
| 2.3 边界处理 |
| 2.4 离散方程求解 |
| 2.5 小结 |
| 第3章 加热单元传热边界特征对传热过程影响 |
| 3.1 加热炉内传热过程分析 |
| 3.2 传热边界函数的获得 |
| 3.2.1 热平衡分析 |
| 3.2.2 炉温函数 |
| 3.2.3 对流换热系数 |
| 3.2.4 辐射全交换面积 |
| 3.3 传热边界特征及其对传热过程影响 |
| 3.3.1 炉温函数特征参数及其对传热过程影响分析 |
| 3.3.2 对流换热系数及其对传热过程的影响 |
| 3.3.3 辐射全交换面积的影响 |
| 3.4 案例分析 |
| 3.4.1 基本参数 |
| 3.4.2 传热边界函数特征参数的获得 |
| 3.4.3 钢坯温度场的验证 |
| 3.4.4 传热边界特征参数对温度场的影响 |
| 3.5 小结 |
| 第4章 轧制单元传热边界特征对传热过程影响 |
| 4.1 轧制单元传热过程分析 |
| 4.2 轧制单元传热边界特征函数 |
| 4.2.1 空冷阶段边界函数 |
| 4.2.2 除鳞阶段边界函数 |
| 4.2.3 轧制阶段边界函数 |
| 4.3 轧制单元传热边界特征及其对钢坯温度场影响 |
| 4.3.1 空冷阶段 |
| 4.3.2 除鳞阶段 |
| 4.3.3 轧制阶段 |
| 4.4 小结 |
| 第5章 层流冷却单元边界特征对传热过程影响 |
| 5.1 层流冷却单元传热过程分析 |
| 5.2 层流冷却传热边界函数 |
| 5.3 层流冷却传热边界特征参数 |
| 5.4 传热边界特征参数对传热过程影响规律 |
| 5.4.1 特征参数对传热过程影响规律分析 |
| 5.4.2 案例分析 |
| 5.5 小结 |
| 第6章 热轧区域传热边界与温度场协同 |
| 6.1 加热炉传热边界特征与温度场协同性 |
| 6.1.1 加热炉炉温振幅与周期的协同 |
| 6.1.2 加热炉炉温振幅与周期协同性应用 |
| 6.2 层流冷却传热边界特征与温度场协同性 |
| 6.2.1 水冷时间与振幅之间的协同 |
| 6.2.2 喷射高度与振幅之间的协同 |
| 6.2.3 水冷时间、喷射高度与振幅之间的协同 |
| 6.3 热轧区域传热边界特征与温度场协同性分析 |
| 6.4 小结 |
| 第7章 结论及展望 |
| 7.1 主要结论 |
| 7.2 论文创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间取得的科研成果 |
| 附录2 攻读博士学位期间参加的科研项目 |
（4）中厚板坯料设计及其热轧生产计划建模与优化算法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 中厚板生产工艺流程及其特征 |
| 1.2.1 钢铁生产工艺流程 |
| 1.2.2 中厚板生产运行特征 |
| 1.3 中厚板坯料设计及其热轧生产计划 |
| 1.3.1 钢铁生产计划与调度 |
| 1.3.2 坯料设计 |
| 1.3.3 热轧生产计划 |
| 1.3.4 考虑热送热装工艺的热轧生产计划 |
| 1.4 钢铁生产计划问题建模与求解 |
| 1.4.1 组合优化问题 |
| 1.4.2 钢铁生产计划问题主要建模技术和求解方法 |
| 1.5 研究思路及内容 |
| 2 中厚板坯料设计建模与优化算法研究 |
| 2.1 问题描述 |
| 2.2 坯料设计问题建模 |
| 2.3 坯料设计优化求解 |
| 2.3.1 算法基本思想 |
| 2.3.2 编码—板坯断面规格设计 |
| 2.3.3 解码—单一确定板坯断面规格的母板设计 |
| 2.3.4 邻域结构、禁忌表设计 |
| 2.3.5 算法流程 |
| 2.4 实验设计和结果分析 |
| 2.4.1 实验方案与环境 |
| 2.4.2 结果分析 |
| 2.5 小结 |
| 3 冷装工艺条件下的中厚板热轧生产计划建模与优化算法研究 |
| 3.1 问题描述 |
| 3.2 中厚板热轧生产计划编制建模与求解 |
| 3.2.1 数学规划方法 |
| 3.2.2 约束规划方法 |
| 3.3 实验设计与结果分析 |
| 3.4 小结 |
| 4 考虑热送热装工艺的中厚板热轧生产计划建模与优化算法研究 |
| 4.1 问题描述 |
| 4.2 考虑热送热装工艺的热轧生产计划问题建模 |
| 4.3 考虑热送热装工艺的热轧生产计划问题求解 |
| 4.3.1 多目标优化问题 |
| 4.3.2 基于分解的多目标优化算法 |
| 4.4 实验设计与结果分析 |
| 4.4.1 性能指标 |
| 4.4.2 参数调优 |
| 4.4.3 算法性能测试 |
| 4.5 小结 |
| 5 中厚板坯料设计及其热轧生产计划编制辅助决策系统 |
| 5.1 生产背景和需求分析 |
| 5.2 系统设计 |
| 5.2.1 系统架构和功能设计 |
| 5.2.2 数据库设计 |
| 5.3 系统开发 |
| 5.3.1 开发环境和工具 |
| 5.3.2 系统界面开发与功能测试 |
| 5.4 小结 |
| 6 全文工作总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 附录 |
| A 作者攻读学位期间取得的科研成果 |
| A1.博士期间发表或完成的论文目录 |
| A2.博士期间授权或完成的专利目录 |
| A3.软件着作权目录 |
| B 作者攻读学位期间参与的科研项目 |
| C 学位论文数据集 |
| 致谢 |
（5）热轧中厚板组板及板坯设计的智能优化方法和系统（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 中厚板组板及板坯设计问题概述 |
| 1.2.1 组板及板坯设计问题分类 |
| 1.2.2 组板及板坯设计问题特点 |
| 1.3 中厚板组板及板坯设计问题国内外研究现状 |
| 1.3.1 存钢组板问题研究现状 |
| 1.3.2 炼钢组板及板坯设计问题研究现状 |
| 1.3.3 组合优化问题常用算法概述 |
| 1.3.4 现有研究局限性 |
| 1.4 论文主要内容及结构 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文结构 |
| 2 中厚板组板及板坯设计问题 |
| 2.1 中厚板组板及板坯设计问题描述 |
| 2.1.1 存钢组板问题 |
| 2.1.2 炼钢组板及板坯设计问题 |
| 2.2 中厚板组板及板坯设计问题分析 |
| 2.2.1 子板组合模式 |
| 2.2.2 组板及板坯设计工艺规则 |
| 2.2.3 设计约束 |
| 2.2.4 优化目标 |
| 2.3 问题求解思路和方法 |
| 2.3.1 存钢组板问题求解思路 |
| 2.3.2 炼钢组板及板坯设计问题求解思路 |
| 2.4 小结 |
| 3 中厚板存钢组板设计问题 |
| 3.1 中厚板存钢组板问题 |
| 3.1.1 存钢组板问题目标 |
| 3.1.2 存钢组板问题约束 |
| 3.2 存钢组板模型建立 |
| 3.2.1 模型假设 |
| 3.2.2 符号说明 |
| 3.2.3 存钢组板问题数学模型 |
| 3.3 结合贪婪策略的存钢组板设计算法 |
| 3.4 存钢组板模型和算法测试 |
| 3.4.1 存钢组板案例设计 |
| 3.4.2 存钢组板案例测试结果和分析 |
| 3.5 小结 |
| 4 中厚板炼钢组板及板坯设计 |
| 4.1 中厚板炼钢组板及板坯设计问题描述 |
| 4.1.1 中厚板炼钢组板及板坯设计问题 |
| 4.1.2 中厚板组板及板坯设计问题的目标 |
| 4.2 考虑非定尺的炼钢组板及板坯设计问题模型建立 |
| 4.2.1 假设条件 |
| 4.2.2 符号说明 |
| 4.2.3 考虑非定尺的炼钢组板及板坯设计模型 |
| 4.3 基于背包思想的启发式算法设计 |
| 4.3.1 背包问题简介 |
| 4.3.2 基于多背包问题的母板设计模型 |
| 4.3.3 结合背包思想的启发式算法求解组板及板坯设计问题 |
| 4.4 炼钢组板及板坯设计模型和算法测试 |
| 4.4.1 炼钢组板案例设计 |
| 4.4.2 炼钢组板案例测试结果和分析 |
| 4.5 小结 |
| 5 中厚板组板组坯系统的设计与实现 |
| 5.1 组板及板坯设计系统的总体架构 |
| 5.1.1 组板及板坯设计系统功能设计 |
| 5.1.2 组板及板坯设计系统架构 |
| 5.2 组板及板坯设计系统详细设计 |
| 5.2.1 组板及板坯设计系统界面设计 |
| 5.2.2 组板及板坯设计系统数据库设计 |
| 5.3 组板及板坯设计系统实现 |
| 5.4 小结 |
| 6 组板及板坯设计系统应用案例 |
| 6.1 系统存钢组板案例 |
| 6.1.1 存钢组板案例设计 |
| 6.1.2 存钢组板案例测试结果和分析 |
| 6.2 系统炼钢组板及板坯设计案例 |
| 6.2.1 不同订单规模对系统优化效果的影响测试 |
| 6.2.2 添加小块与带出品的对比测试 |
| 6.2.3 解改进策略的优化效果测试 |
| 6.3 系统在线应用案例 |
| 6.3.1 指定设计断面调整功能应用案例 |
| 6.3.2 设计结果调整功能应用实例 |
| 6.3.3 系统在线运行情况跟踪测试 |
| 6.4 小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 后续研究工作的展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读学位期间获得的专利 |
| B.作者在攻读学位期间参与的科研项目 |
| C.学位论文数据集 |
| 致谢 |
（6）基于深度学习的钢板表层缺陷自动识别模型及其在钢板表层质量管理中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 论文研究的背景、目的及意义 |
| 1.1.1 论文研究背景 |
| 1.1.2 论文研究目的 |
| 1.1.3 论文研究意义 |
| 1.2 国内外相关研究现状及评述 |
| 1.2.1 国外相关研究现状 |
| 1.2.2 国内相关研究现状 |
| 1.2.3 国内外研究现状评述 |
| 1.3 论文研究框架、研究内容及研究方法 |
| 1.3.1 论文研究框架 |
| 1.3.2 论文研究内容 |
| 1.3.3 论文研究方法 |
| 1.4 论文创新点 |
| 第2章 钢板表层质量管理现状与问题研究 |
| 2.1 钢板表层质量管理相关概念界定 |
| 2.1.1 质量与质量管理理论 |
| 2.1.2 钢板表层质量管理概念分析及界定 |
| 2.1.3 钢板表层质量规划维度 |
| 2.1.4 钢板表层质量监控维度 |
| 2.1.5 钢板表层质量判定维度 |
| 2.1.6 钢板表层质量控制维度 |
| 2.2 我国钢企的钢板表层质量管理现状分析 |
| 2.2.1 钢板表层质量管理的目标和原则 |
| 2.2.2 钢板表层质量管理的基本现状 |
| 2.2.3 钢板表层质量管理中存在的主要问题及成因分析 |
| 2.3 基于钢板表层缺陷自动识别模型的质量管理研究 |
| 2.3.1 钢板表层缺陷自动识别模型在质量管理中实现的作用 |
| 2.3.2 基于钢板表层缺陷自动识别模型的钢板表层质量管理方案设计 |
| 2.4 本章小结 |
| 第3章 基于深度学习的钢板表层缺陷自动识别模型构建 |
| 3.1 钢板表层缺陷识别技术分析 |
| 3.1.1 钢板表层缺陷识别技术概述 |
| 3.1.2 钢板表层缺陷识别技术的局限性分析 |
| 3.1.3 钢板表层缺陷识别技术的改进方向和目标 |
| 3.2 基于深度卷积神经网络的特征提取方法分析 |
| 3.2.1 深度卷积神经网络的基础理论 |
| 3.2.2 深度卷积神经网络作为特征提取方法的优势分析 |
| 3.3 面向钢板表层缺陷识别的深度学习目标检测算法分析 |
| 3.3.1 基于回归的一阶段目标检测算法YOLO |
| 3.3.2 基于区域的二阶段目标检测算法Faster rcnn |
| 3.3.3 基于深度学习的目标检测算法作为模型算法的优势分析 |
| 3.4 基于深度学习的钢板表层缺陷自动识别模型及其基础算法的选择与构建 |
| 3.5 本章小结 |
| 第4章 钢板表层缺陷自动识别模型算法的优化 |
| 4.1 钢板表层缺陷自动识别模型算法的优化原则与度量指标 |
| 4.1.1 钢板表层缺陷自动识别模型算法的优化原则 |
| 4.1.2 钢板表层缺陷自动识别模型算法的度量指标 |
| 4.2 模型算法的部分功能优化 |
| 4.2.1 非极大值抑制算法改进 |
| 4.2.2 可变形卷积 |
| 4.2.3 候选区域特征匹配 |
| 4.2.4 聚类算法设定锚框超参数 |
| 4.3 模型算法的整体结构优化 |
| 4.3.1 多尺度特征融合 |
| 4.3.2 基于不同IOU阈值设定的级联目标检测算法结构 |
| 4.4 钢板表层缺陷自动识别模型实验 |
| 4.4.1 实验环境配置 |
| 4.4.2 模型训练数据的分析与增强 |
| 4.4.3 模型的可视化分析 |
| 4.5 钢板表层缺陷自动识别模型的对比实验 |
| 4.6 本章小结 |
| 第5章 基于钢板表层缺陷自动识别模型的钢板表层质量管理应用研究 |
| 5.1 钢板表层缺陷自动识别模型的应用部署 |
| 5.1.1 模型应用的硬件部署 |
| 5.1.2 模型应用的软件部署 |
| 5.2 钢板表层缺陷自动识别模型的实际应用 |
| 5.2.1 钢板表层质量的自动检测 |
| 5.2.2 钢板表层质量的自动判定 |
| 5.3 钢板表层质量管理中的自动报警功能和回溯管理 |
| 5.3.1 钢板表层质量管理中的自动报警功能 |
| 5.3.2 钢板表层质量管理中的回溯管理 |
| 5.4 提出钢板表层质量管理的应用方案 |
| 5.4.1 钢板表层质量管理的应用场景 |
| 5.4.2 全生命周期的钢板表层相关质量信息集成 |
| 5.4.3 钢板表层质量管理的应用方案 |
| 5.5 本章小结 |
| 第6章 实施钢板表层质量管理应用方案的保障措施 |
| 6.1 钢板表层缺陷自动识别模型所需算力保障 |
| 6.2 实施应用方案的数据保障 |
| 6.2.1 实施应用方案的依赖数据 |
| 6.2.2 实施应用方案的依赖数据功能 |
| 6.2.3 实施应用方案的依赖数据采集 |
| 6.3 加强对工作人员的管理 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 附录 |
（7）中厚板产品抗拉强度预测系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 主要研究内容 |
| 2 中厚板产品工艺、性能分析与预测方法 |
| 2.1 中厚板产品性能预测指标参数分析 |
| 2.2 炼钢连铸、中厚板生产工艺 |
| 2.3 影响中厚板产品性能因素分析 |
| 2.4 中厚板产品性能预测方法 |
| 2.5 本章小结 |
| 3 系统设计 |
| 3.1 系统需求分析 |
| 3.2 系统架构设计 |
| 3.3 系统功能设计 |
| 3.3.1 数据池的主要功能 |
| 3.3.2 数据挖掘的主要功能 |
| 3.3.3 人机交互仿真平台的主要功能 |
| 3.4 本章小结 |
| 4 系统实现 |
| 4.1 数据池的建立 |
| 4.1.1 构建数据池 |
| 4.1.2 数据治理 |
| 4.2 抗拉强度性能预测模型的创建及训练 |
| 4.2.1 数据导入 |
| 4.2.2 数据校核与数据优化 |
| 4.2.3 确定预测模型的影响因素及角色分配 |
| 4.2.4 线性回归预测模型的创建 |
| 4.2.5 分类回归预测模型的创建 |
| 4.2.6 神经元网络预测模型的创建 |
| 4.2.7 广义线性预测模型的创建 |
| 4.3 本章小结 |
| 5 系统模型评估 |
| 5.1 模型评估标准的建立 |
| 5.1.1 拉伸强度 |
| 5.1.2 屈服强度 |
| 5.1.3 延伸率强度 |
| 5.2 模型评估结论 |
| 5.3 模型的仿真应用 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 性能预测最终表 |
| 附录B 字段类型表 |
| 致谢 |
（8）高质量中厚板生产关键共性技术研发现状和前景（论文提纲范文）
| 1 中厚板生产过程钢材组织调控 |
| 1.1 热轧TMCP技术与组织调控 |
| 1.1.1 超快冷 (UFC) :热轧钢材组织调控的撒手锏 |
| 1.1.2 中厚板轧后控制冷却超快冷系统 |
| 1.1.3 全轧程全面完整的轧制工艺设计 |
| 1.1.4 钢铁热轧组织精准调控的“北斗导航系统”—材料热轧-冷却过程组织性能预测与控制 |
| 1.2 热轧组织调控的拓展 |
| 1.2.1 连铸凝固过程角部裂纹的控制 |
| 1.2.2 连铸凝固末端重压下技术 |
| 1.2.3 连铸后高温直轧技术 |
| 1.2.4 氧化物冶金制造大线能量焊接用钢 |
| 1.2.5 本质细晶粒钢的制造 |
| 1.3 高等级中厚板热处理工艺与装备 |
| 1.3.1 特种钢板热处理专用调质生产线与极薄钢板受约束辊式淬火装备技术 |
| 1.3.2 特厚钢板热处理装备 |
| 1.3.3 调质热处理用高精度回火炉 |
| 2 固相复合与增材制造 |
| 2.1 真空复合制坯生产超厚钢板技术 |
| 2.2 真空制坯+轧制复合制备金属复合板技术 |
| 2.3 快速凝固与轧制复合增材制造高合金板材技术 |
| 3 中厚板生产过程的智能制造技术 |
| 3.1 建设钢铁行业智能制造的CPS系统, 实现工业4.0的目标 |
| 3.2 搭建全流程、扁平化、一体化的智能管控平台, 实现工业3.0+ |
| 3.3 基于数字感知破解钢铁全流程“黑箱”, 建立CPS系统的核心, 实现工业4.0 |
| 3.4 中厚板生产过程智能制造“核心”的建立 |
| 4 钢铁材料的高质化与品牌化 |
| 4.1 新材料研发的基本理念 |
| 4.2 常规热轧钢材升级换代, 迈向世界“第一” |
| 4.3 引领世界首创产品 |
| 4.4 高端产品的研发 |
| 5 结语 |
（9）多功能热轧实验机组的开发与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 轧制过程中试研究平台的创新与发展 |
| 1.3 热轧实验机组研究及发展现状 |
| 1.3.1 国外热轧实验机组的研究及发展现状 |
| 1.3.2 国内热轧实验机组研究及发展现状 |
| 1.4 多功能热轧实验机组的主要特征 |
| 1.4.1 高刚度可逆轧机 |
| 1.4.2 先进的自动化控制系统 |
| 1.4.3 轧辊加热系统及研究现状 |
| 1.4.4 热轧异步轧制及研究现状 |
| 1.4.5 组合式控制冷却系统研究现状 |
| 1.5 本文主要研究内容 |
| 第2章 多功能热轧实验机组及其控制系统开发 |
| 2.1 多功能热轧实验机组工艺流程研究 |
| 2.2 多功能热轧实验机组主要工艺设备及检测仪表 |
| 2.2.1 多功能热轧实验机组主要工艺设备 |
| 2.2.2 多功能热轧实验机组检测仪表 |
| 2.3 多功能热轧实验机组控制系统组成 |
| 2.4 多功能热轧实验机组主要控制功能研究 |
| 2.4.1 多功能热轧实验机组厚度控制系统 |
| 2.4.2 多功能热轧实验机组实验过程跟踪系统 |
| 2.4.3 多功能热轧实验机组全自动实验系统 |
| 2.4.4 多功能热轧实验机组实验过程仿真系统 |
| 2.5 本章小结 |
| 第3章 轧辊加热系统开发及表面温度场研究 |
| 3.1 轧辊热油加热系统的开发 |
| 3.1.1 热油加热循环系统设计 |
| 3.1.2 轧辊内部热油循环系统设计原理及连接机构 |
| 3.1.3 轧辊热油加热过程中的热轧实验过程 |
| 3.2 热油加热过程中轧辊温度场模型研究 |
| 3.2.1 轧辊温度场导热微分方程的建立 |
| 3.2.2 轧辊温度场导热微分方程的定解条件 |
| 3.3 热油加热过程中轧辊温度场的模拟研究 |
| 3.3.1 模型的简化与假设 |
| 3.3.2 轧辊几何模型 |
| 3.3.3 轧辊材料参数 |
| 3.3.4 模拟结果及分析 |
| 3.4 热油加热过程中轧辊表面温度的实验研究 |
| 3.4.1 实验方案 |
| 3.4.2 实验结果及分析 |
| 3.4.3 模拟与实验结果对比分析 |
| 3.5 不同加热条件下轧辊表面温度场变化规律研究 |
| 3.5.1 热油温度对轧辊表面温度场的影响规律 |
| 3.5.2 环境温度对轧辊表面温度场的影响规律 |
| 3.5.3 轴承冷却对轧辊表面温度场的影响规律 |
| 3.5.4 轧辊直径对轧辊表面温度场的影响规律 |
| 3.5.5 轧辊开孔深度对轧辊表面温度场的影响规律 |
| 3.6 本章小结 |
| 第4章 热轧异步轧制变形规律及翘曲控制策略 |
| 4.1 热轧实验机组异步轧制系统的开发 |
| 4.1.1 热轧实验机组多种异步轧制方式的实现 |
| 4.1.2 下辊偏移系统的开发 |
| 4.2 热轧异步轧制有限元模型的建立 |
| 4.2.1 几何模型 |
| 4.2.2 物理模型 |
| 4.3 热轧异步轧制轧辊受力规律研究 |
| 4.4 热轧异步轧制轧件厚度方向变形规律研究 |
| 4.4.1 轧件厚度方向等效应变研究 |
| 4.4.2 轧件厚度方向剪切应变研究 |
| 4.5 热轧异步轧制轧件翘曲规律研究 |
| 4.5.1 轧件翘曲的表征方法 |
| 4.5.2 不同压下率下异速比对轧件翘曲的影响规律 |
| 4.5.3 不同下辊偏移量下异速比对轧件翘曲的影响规律 |
| 4.5.4 不同异速比下压下率对轧件翘曲的影响规律 |
| 4.5.5 不同压下率下下辊偏移量对轧件翘曲的影响规律 |
| 4.6 本章小结 |
| 第5章 组合式冷却系统控制功能研究 |
| 5.1 组合式控制冷却过程数学模型研究 |
| 5.1.1 组合式控制冷却过程中轧件温度场模型的建立 |
| 5.1.2 组合式冷却过程中换热系数模型的建立 |
| 5.2 超快冷系统压力与集管流量综合控制策略研究 |
| 5.2.1 超快速冷却系统压力与集管流量控制原理 |
| 5.2.2 超快冷系统压力与集管流量综合控制策略 |
| 5.3 超快冷系统压力控制算法研究 |
| 5.3.1 超快冷系统压力前馈控制算法研究 |
| 5.3.2 超快冷系统压力反馈控制算法研究 |
| 5.4 超快冷集管流量控制算法研究 |
| 5.4.1 超快冷集管流量前馈控制算法研究 |
| 5.4.2 超快冷集管流量反馈控制算法研究 |
| 5.5 本章小结 |
| 第6章 多功能热轧实验机组现场应用 |
| 6.1 多功能热轧实验机组计算机控制系统的应用效果 |
| 6.1.1 计算机控制系统配置和结构 |
| 6.1.2 厚度控制系统控制效果 |
| 6.1.3 实验过程跟踪系统控制效果 |
| 6.2 轧辊热油加热系统控制效果 |
| 6.3 热轧异步轧制系统控制效果 |
| 6.4 组合式控制冷却系统控制效果 |
| 6.4.1 组合式控制冷却系统冷却能力 |
| 6.4.2 超快冷系统压力和集管流量综合控制效果 |
| 6.4.3 超快冷系统压力控制效果 |
| 6.4.4 超快冷集管流量控制效果 |
| 6.4.5 轧后冷却温度控制效果 |
| 6.5 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 攻读博士学位期间完成的工作 |
| 致谢 |
| 作者简介 |
（10）无立辊轧机宽厚板矩形度控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 宽厚板生产发展概况 |
| 1.2.1 宽厚板轧机发展概况及趋势 |
| 1.2.2 宽厚板矩形度控制研究进展 |
| 1.3 有限元模拟技术的发展及应用 |
| 1.3.1 有限元模拟技术的发展 |
| 1.3.2 有限元技术在厚板轧制领域的应用 |
| 1.4 研究内容及方法 |
| 第二章 矩形度的影响因素及其控制原理 |
| 2.1 矩形度影响因素及控制方法 |
| 2.1.1 轮廓形状特征及影响因素 |
| 2.1.2 矩形度控制方法 |
| 2.2 MAS轧制法的矩形度控制 |
| 2.2.1 MAS轧制法的控制原理 |
| 2.2.2 MAS轧制参数的计算 |
| 2.2.3 MAS轧制的有限元实现 |
| 2.3 MAS轧制参数模型建立 |
| 2.3.1 平面轮廓形状数据采集 |
| 2.3.2 MAS轧制参数模型建立 |
| 2.4 本章小结 |
| 第三章 平面形状演变规律 |
| 3.1 有限元模型的建立 |
| 3.1.1 几何模型 |
| 3.1.2 网格划分 |
| 3.1.3 材料特性 |
| 3.1.4 接触定义 |
| 3.1.5 初始条件及边界条件 |
| 3.2 轧件变形规律的研究 |
| 3.2.1 不同展宽比的轧件变形规律 |
| 3.2.2 不同压缩比的轧件变形规律 |
| 3.2.3 不同轧制方式的轧件变形规律 |
| 3.2.4 不同坯料厚度的轧件变形规律 |
| 3.2.5 不同坯料宽度的轧件变形规律 |
| 3.3 本章小结 |
| 第四章 MAS轧制参数模型建立 |
| 4.1 MAS轧制参数的计算 |
| 4.1.1 非平面形状控制轧制模拟 |
| 4.1.2 非平面形状控制轧制模拟结果分析 |
| 4.1.3 MAS轧制参数计算 |
| 4.2 MAS轧制参数的模拟验证 |
| 4.2.1 MAS轧制有限元模型建立 |
| 4.2.2 模拟结果及分析 |
| 4.3 MAS轧制参数模型建立 |
| 4.3.1 MAS轧制参数h’计算公式优化 |
| 4.3.2 MAS轧制参数模型建立 |
| 4.4 本章小结 |
| 第五章 MAS轧制参数模型现场应用 |
| 5.1 MAS轧制参数的后台固化 |
| 5.1.1 后台设备的学习 |
| 5.1.2 MAS轧制参数的固化 |
| 5.2 现场应用效果 |
| 5.2.1 离线应用效果 |
| 5.2.2 固化后的应用效果 |
| 5.2.3 MAS轧制参数对成材率的贡献 |
| 5.3 本章小结 |
| 第六章 其他因素对矩形度的影响 |
| 6.1 AGC性能的影响 |
| 6.1.1 对台阶高度h' 的影响 |
| 6.1.2 对斜坡长度的影响 |
| 6.1.3 对轧制速度的影响 |
| 6.2 操作方式的影响 |
| 6.2.1 转钢方向的影响 |
| 6.2.2 对中操作的影响 |
| 6.3 坯料形状的影响 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
四、中厚板轧制信息采集与操作指导系统（论文参考文献）
- [1]深度学习在钢板表面缺陷与字符识别中的应用[D]. 贺笛. 北京科技大学, 2021(02)
- [2]多尺度几何变换在金属表面缺陷识别中的应用[D]. 刘晓明. 北京科技大学, 2020(03)
- [3]热轧区域钢坯（板）周期传热边界特征与温度场的协同机制[D]. 陈德敏. 武汉科技大学, 2020(01)
- [4]中厚板坯料设计及其热轧生产计划建模与优化算法研究[D]. 呼万哲. 重庆大学, 2019
- [5]热轧中厚板组板及板坯设计的智能优化方法和系统[D]. 王永周. 重庆大学, 2019
- [6]基于深度学习的钢板表层缺陷自动识别模型及其在钢板表层质量管理中的应用[D]. 刘思彤. 哈尔滨工程大学, 2019(05)
- [7]中厚板产品抗拉强度预测系统的设计与实现[D]. 于洋. 大连理工大学, 2019(02)
- [8]高质量中厚板生产关键共性技术研发现状和前景[J]. 王国栋. 轧钢, 2019(01)
- [9]多功能热轧实验机组的开发与应用[D]. 高扬. 东北大学, 2018(01)
- [10]无立辊轧机宽厚板矩形度控制研究[D]. 汪杰. 安徽工业大学, 2017(02)