信阅平台

作者简介

刘凯，男，1957年11月生，日本国近畿大学工学博士，西安理工大学教授，博士生导师，副校长。主要从事机械传动的理论和应用研究，MEMS的理论与应用研究。承担了原机械工业部基金、“九五”、“十五”、“十一五”国家重点科技攻关项目等共15项纵向课题和10多项横向课题研究。近几年在国内外学术期刊上发表论文50余篇，并被SCI、EI等检索20余篇，出版英文专著1部。1998年获“陕西省优秀留学回国人员奖”。现为中国机械工程学会机械传动分会委员，无级变速传动专业、齿轮传动专业委员会委员，陕西省机械工程学会副理事长。

展开

内容介绍

《板材矫直机智能控制及应用》是作者从事板材矫直机智能控制系统研究工作的总结，系统地介绍了有关板材矫直机智能控制系统研究的最新成果，较全面地反映了这一领域的学术水平。全书共分九章，介绍了矫直机工艺参数选择方法的发展过程和研究现状；系统介绍了板材矫直机智能控制系统的相关技术；研究了矫直机智能控制系统；提出了基于激光测量的板形样本获取方法和基于激光测量的板形样本获取系统的设计与实现；分析了激光板形检测中的关键问题；研究了矫直过程知识提取的样本学习算法和矫直工艺参数选择系统的研究与实现；给出了矫直机控制系统的应用举例。 《板材矫直机智能控制及应用》取材新颖，研究结合实际，注意将理论研究和工程实际结合、数值分析和实验研究结合。《板材矫直机智能控制及应用》可作为高等院校机电工程专业的教师和研究生教学参考，并可供从事板材矫直机智能控制研究的工程技术人员参考。

展开

精彩书摘

5）构建了一种基于SVR-GA混合算法的工艺参数选择系统，将BIO-SVR算法和遗传算法相结合建立了一种新的参数选择的核心算法。经过大量样本训练后的BIO-SVR算法学习机，作为SVR-GA混合算法的适应度评价函数，发挥了遗传算法的全局寻优能力，建立了最佳的工艺参数。 6）设计和实现了矫直机智能控制系统，并将该系统应用于工业化生产之中，通过实测数据对系统进行了验证，证明所开发的系统能够满足实际生产的需要。 本书的章节安排如下： 第1章绪论：介绍了选题的背景和意义，以及矫直机工艺参数选择方法的发展过程和研究现状。 第2章板材矫直机智能控制系统的相关技术：对矫直机智能控制系统的相关原理和技术进行研究，包括拉伸弯曲矫直机的相关原理、板形及检测技术、图像采集及处理技术、支持向量机算法和遗传算法等。 第3章矫直机智能控制系统：本章研究了矫直机控制系统的相关原理和技术，以及板形的表示方法和检测技术。通过对传统矫直机控制方法的分析，提出了矫直机自动化控制问题，然后给出了矫直机自动化控制系统的三个主要功能，并设计了自动化控制系统的总体框架。 第4章基于激光测量的板形样本获取方法研究：结合智能控制对样本参数选取的要求，以及对传统板形检测方法的研究，并结合工业应用需求提出了一种适用于矫直工艺参数智能选取的板形样本获取方案。 第5章激光板形检测中关键问题分析：本章主要对一种基于Sobel算法的激光板形检测方法的原理和主要算法进行了分析和研究，并对这种检测方法在实际应用中出现的问题进行了分析。针对模糊图像边缘检测存在的问题，通过对Canny边缘检测算法的研究，改进了Canny算法中边缘阈值选择的算法，并对其中边缘的细化算法也进行了改进。 第6章板形样本获取系统的设计与实现：采用面向对象的开发方法，给出了系统中各个功能模块的实现类图，并对每个类进行了详细设计，给出了类中关键方法的代码片段，实现了系统的原型。 第7章矫直过程知识提取的样本学习算法研究：在全面分析实际生产环境对参数选择算法的影响的基础上，对经典的支持向量机回归算法进行改进，提出了满足样本学习过程三大特点的BIO-SVR算法，并将。BIO-SVR算法与遗传算法相结合得到了矫直机工艺参数选择算法。 ……

展开

前言 第1章绪论 1.1 研究背景和意义 1.2 国内外研究现状及存在的问题 1.2.1 矫直机工业控制现状 1.2.2 板形检测研究现状 1.2.3 目前研究中存在的问题 1.3 研究的主要工作及内容 第2章板材矫直机智能控制系统的相关技术 2.1 连续式拉伸弯曲矫直机的原理及结构 2.1.1 连续式拉伸弯曲矫直机的矫直原理 2.1.2 连续式拉伸弯曲矫直机的组成结构 2.2 板形及检测技术 2.2.1 板形的描述方法 2.2.2 基于结构光的板形检测技术 2.3 图像采集及处理技术 2.3.1 基于DirectShow的视频采集技术 2.3.2 图像处理技术 2.3.3 图像边缘检测技术 2.4 智能控制技术 .2.4.1 人工神经网络的BP模型 2.4.2 支持向量机 2.4.3 统计学习理论 2.4.4 支持向量机的原理 2.4.5 支持向量机的关键参数 2.4.6 支持向量机的特点 2.4.7 遗传算法 2.4.8 遗传算法的原理 2.4.9 遗传算法的特点 2.5 本章小结 第3章矫直机智能控制系统 3.1 传统板形样本获取方法应用于智能控制的局限性 3.2 矫直机的智能控制系统需求 3.3 矫直机的智能控制系统设计 3.4 本章小结 第4章基于激光测量的板形样本获取方法研究 4.1 参数选择系统对板形数据的要求 4.2 板形样本获取方法的研究 4.2.1 激光三角法测量技术针对线板形检测应用的改进 4.2.2 几种主要板形检测方法比较 4.2.3 板形样本的特征模式 4.3 样本筛选 4.4 板形样本获取方案 4.4.1 板形样本获取系统组成 4.4.2 板形样本获取系统的处理流程 4.5 本章小结 第5章激光板形检测中关键问题分析 5.1 激光板形检测方法中边缘检测算法的研究 5.1.1 经典边缘检测算法 5.1.2 Canny边缘检测算法 5.1.3 基于小波的多尺度边缘检测算法 5.2 一种基于图像清晰度评价的边缘检测算法（ISEED）的研究 5.2.1 图像清晰度评价算法 5.2.2 改进的灰度差分边缘检测算法 5.2.3 改进的Canny边缘检测算法 5.2.4 一种基于图像清晰度评价的边缘检测算法的提出 5.2.5 ISEED算法的边缘检测结果 5.3 基于ISEED算法的激光板形检测方法 5.4 本章小结 第6章板形样本获取系统的设计与实现 6.1 板形样本获取系统详细设计 6.1.1 图像采集模块设计 6.1.2 图像处理模块设计 6.1.3 伸长率及三维数据计算模块设计 6.1.4 板形识别模块设计 6.1.5 系统控制模块设计 6.2 板形样本获取系统的实现 6.2.1 图像处理模块的实现 6.2.2 数据分析模块的实现 6.3 本章小结 第7章矫直过程知识提取的样本学习算法研究 7.1 样本学习 7.1.1 样本的来源 7.1.2 样本的形式化描述 7.1.3 样本学习的特征 7.2 样本学习问题的背景及目标 7.2.1 样本学习算法的主要功能 7.2.2 样本学习问题的基础解决方案的选择 7.2.3 样本学习问题的基础解决方案的分析研究 7.3 基于SVR的样本学习算法的分析与研究 7.3.1 基于SVR的增量式样本学习算法 7.3.2 基于SVR的批量样本的增量式学习算法 7.3.3 基于SVR的批量样本的在线增量式学习算法 7.4 算法的实现和效果分析 7.5 本章小结 第8章矫直机工艺参数选择系统的研究与实现 8.1 基于SVR-GA混合算法的总体框架 8.2 基于SVR-GA混合算法的分析与研究 8.2.1 染色体编码与解码 8.2.2 初始群体的生成 8.2.3 个体适应度的评估检测 8.2.4 遗传算子 8.2.5 混合算法的运行参数 8.3 矫直机工艺参数选择系统的需求分析和总体设计 8.3.1 工艺参数选择系统的功能 8.3.2 工艺参数选择系统的需求 8.3.3 参数选择系统的静态组成模型的设计 8.3.4 参数选择系统的动态流程的设计 8.3.5 参数选择的状态分析 8.3.6 参数选择系统的数据流分析 8.4 参数选择模型原型系统的详细设计与实现 8.4.1 原型系统的实现环境及分层架构的实现 8.4.2 公共数据结构的设计与实现 8.4.3 样本库及样本库管理模块的设计与实现 8.4.4 知识库及知识库管理模块的设计与实现 8.4.5 样本学习模块的设计与实现 8.4.6 参数选择模块的设计与实现 8.4.7 信息查询模块的设计与实现 8.4.8 人机交互界面子模块的设计与实现 8.5 本章小结 第9章矫直机智能控制系统的应用 9.1 控制系统的应用环境 9.2 板形检测系统应用效果分析 9.3 工艺参数选择系统的应用效果及性能分析 9.3.1 工艺参数选择系统应用效果 9.3.2 SVR-GA混合算法的性能结果分析 9.4 矫直机控制系统的验证 9.5 本章小结 参考文献

展开