| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 连续退火工艺流程 | 第11-12页 |
| 1.3 生产中存在的问题 | 第12-13页 |
| 1.4 研究现状 | 第13-17页 |
| 1.4.1 带钢硬度检测方法 | 第14-16页 |
| 1.4.2 故障诊断方法 | 第16-17页 |
| 1.5 本文研究内容 | 第17-20页 |
| 第2章 影响因素分析与数据预处理 | 第20-30页 |
| 2.1 影响因素分析 | 第20-24页 |
| 2.1.1 带钢硬度影响因素 | 第20-22页 |
| 2.1.2 带钢跑偏影响因素 | 第22-24页 |
| 2.2 数据预处理 | 第24-29页 |
| 2.2.1 数据对齐 | 第25-27页 |
| 2.2.2 粗大误差侦破 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于LS_SVM的连退带钢硬度预测 | 第30-46页 |
| 3.1 最小二乘支持向量机 | 第30-31页 |
| 3.2 核函数选择 | 第31-32页 |
| 3.3 基于LS_SVM的带钢硬度预测建模 | 第32-33页 |
| 3.4 基于多交叉策略的自适应遗传算法 | 第33-40页 |
| 3.4.1 核参数确定方法 | 第33-34页 |
| 3.4.2 基于多交叉策略的自适应遗传算法设计 | 第34-40页 |
| 3.5 带钢硬度预测模型性能测试 | 第40-45页 |
| 3.5.1 基于LS_SVM的硬度预测实验 | 第40-42页 |
| 3.5.2 基于数据降维的LS_SVM硬度预测实验 | 第42-44页 |
| 3.5.3 实验结果分析 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 基于集成学习的连退带钢硬度预测 | 第46-56页 |
| 4.1 集成学习建模过程 | 第46-48页 |
| 4.2 集成学习模型性能测试 | 第48-52页 |
| 4.2.1 基于单个学习机的硬度预测实验 | 第48-49页 |
| 4.2.2 基于集成学习的硬度预测实验 | 第49-51页 |
| 4.2.3 实验结果分析 | 第51-52页 |
| 4.3 模型更新 | 第52页 |
| 4.4 系统开发 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 基于KPCA的带钢跑偏故障诊断 | 第56-68页 |
| 5.1 核主元分析算法 | 第56-59页 |
| 5.2 基于KPCA的故障诊断建模 | 第59-63页 |
| 5.2.1 故障检测建模 | 第59-63页 |
| 5.2.2 故障分离建模 | 第63页 |
| 5.3 故障诊断仿真实验与结果分析 | 第63-67页 |
| 5.3.1 故障检测 | 第63-65页 |
| 5.3.2 故障分离 | 第65-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第6章 总结和展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76页 |