| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 课题来源及研究意义 | 第9-10页 |
| 1.2 钢包下渣检测技术的发展现状及应用情况 | 第10-15页 |
| 1.3 基于振动监测的下渣检测方法 | 第15-20页 |
| 1.4 本文的研究思路与主要内容 | 第20-21页 |
| 第2章 连铸机工作原理工艺流程及其下渣检测系统的动力模型分析 | 第21-31页 |
| 2.1 连铸机工作原理及工艺流程 | 第21-22页 |
| 2.1.1 连铸机的结构及参数 | 第21页 |
| 2.1.2 连铸机的工作原理 | 第21-22页 |
| 2.2 下渣检测系统的动力模型分析 | 第22-30页 |
| 2.2.1 保护浇铸机结构及其特点 | 第22-28页 |
| 2.2.2 影响测振点振动的主要因素 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 系统的组成及特征信号的采集分析 | 第31-43页 |
| 3.1 连铸下渣检测控制系统的组成 | 第31-34页 |
| 3.1.1 VSD2000系统的硬件组成 | 第31-33页 |
| 3.1.2 VSD2000系统的软件组成 | 第33-34页 |
| 3.2 下渣振动信号的小波包分析 | 第34-42页 |
| 3.2.1 小波变换原理 | 第34-35页 |
| 3.2.2 离散小波变换 | 第35-36页 |
| 3.2.3 突变信号的小波识别原理 | 第36-39页 |
| 3.2.5 小波包分析理论及下渣振动特征信息的提取算法 | 第39-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第4章 VSD2000系统模式识别模块的实现 | 第43-59页 |
| 4.1 模式识别方法的选择 | 第43-44页 |
| 4.2 神经网络概述 | 第44-46页 |
| 4.3 人工神经网络的学习与各类模型 | 第46-49页 |
| 4.3.1 人工神经网络的学习 | 第46-47页 |
| 4.2.2 人工神经网络的各种模型 | 第47-49页 |
| 4.4 BP神经网络 | 第49-53页 |
| 4.5 基于BP神经网络的模式识别 | 第53-57页 |
| 4.6 运行实验结果分析 | 第57-58页 |
| 4.7 本章小结 | 第58-59页 |
| 第5章 结论与展望 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 感谢 | 第63页 |