摘要 | 第3-6页 |
ABSTRACT | 第6-8页 |
目录 | 第9-11页 |
图索引 | 第11-12页 |
表索引 | 第12-13页 |
第1章 绪论 | 第13-19页 |
1.1 课题研究目的及意义 | 第13页 |
1.2 国内外研究现状 | 第13-16页 |
1.3 本文主要研究内容 | 第16-19页 |
第2章 球磨机料位软测量方法概述 | 第19-27页 |
2.1 球磨机的工作原理 | 第19-22页 |
2.1.1 制粉系统概述 | 第19-20页 |
2.1.2 球磨机料位测量方法概述 | 第20-22页 |
2.1.3 轴承振动信号反映球磨机料位原理 | 第22页 |
2.2 软测量技术理论和方法 | 第22-25页 |
2.2.1 软测量的定义 | 第22-23页 |
2.2.2 软测量建模过程 | 第23-24页 |
2.2.3 软测量技术的工业应用 | 第24-25页 |
2.3 本章小结 | 第25-27页 |
第3章 深度学习及深度信念网络 | 第27-39页 |
3.1 深度学习概述 | 第27-29页 |
3.1.1 深度学习的基本思想 | 第27-28页 |
3.1.2 深度学习的常用方法 | 第28-29页 |
3.2 受限玻尔兹曼机 | 第29-35页 |
3.2.1 受限玻尔兹曼机定义 | 第29-32页 |
3.2.2 受限玻尔兹曼机学习算法 | 第32-35页 |
3.3 深度信念网络 | 第35-38页 |
3.3.1 深度信念网络的定义 | 第35-36页 |
3.3.2 深度信念网络的训练 | 第36-37页 |
3.3.3 DBN的特征提取机制 | 第37-38页 |
3.4 本章小结 | 第38-39页 |
第4章 基于深度学习的球磨机料位软测量实现 | 第39-57页 |
4.1 实验数据采集及处理 | 第39-41页 |
4.2 轴承振动信号随料位的变化分析 | 第41-42页 |
4.3 DBN与PCA、PLS对振动信号特征提取实验对比 | 第42-46页 |
4.3.1 PCA算法基础理论 | 第42页 |
4.3.2 PLS算法基础理论 | 第42-43页 |
4.3.3 DBN与PCA、PLS对振动信号特征提取实验对比 | 第43-46页 |
4.4 软测量建模 | 第46-47页 |
4.4.1 基于深度信念网络的料位软测量建模 | 第46-47页 |
4.4.2 模型测试方法 | 第47页 |
4.5 结果与分析 | 第47-53页 |
4.5.1 测量精度分析 | 第47-51页 |
4.5.2 测量稳定性分析 | 第51-53页 |
4.6 补充实验 | 第53-55页 |
4.6.1 全样本补充实验 | 第53-54页 |
4.6.2 缺失样本补充实验 | 第54-55页 |
4.6.3 讨论与分析 | 第55页 |
4.7 本章小结 | 第55-57页 |
第5章 总结和展望 | 第57-59页 |
附录1 三种特征提取方法提取的特征图 | 第59-61页 |
参考文献 | 第61-67页 |
致谢 | 第67-69页 |
攻读学位期间发表的学术论文目录 | 第69页 |