高速磁浮列车悬浮间隙传感器及其建模方法研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 论文研究的背景和意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 间隙传感器的研究现状 | 第15-16页 |
| 1.2.2 人工智能及建模技术的发展现状 | 第16-17页 |
| 1.3 论文的主要工作 | 第17-19页 |
| 1.4 论文的结构安排 | 第19-21页 |
| 第2章 间隙传感器工作原理和主要特性 | 第21-35页 |
| 2.1 引言 | 第21-22页 |
| 2.2 间隙检测原理 | 第22-29页 |
| 2.2.1 传感器检测线圈结构 | 第22-23页 |
| 2.2.2 工作原理 | 第23-24页 |
| 2.2.3 自感线圈的等效电路 | 第24-26页 |
| 2.2.4 谐振法测量电路 | 第26-29页 |
| 2.3 悬浮间隙传感器主要特性 | 第29-34页 |
| 2.3.1 非线性输入输出特性 | 第29页 |
| 2.3.2 间隙传感器的温度漂移特性 | 第29-31页 |
| 2.3.3 间隙传感器的齿槽效应特性 | 第31-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 新型悬浮间隙传感器设计 | 第35-54页 |
| 3.1 引言 | 第35-36页 |
| 3.2 改进的间隙传感器设计方案 | 第36-37页 |
| 3.3 探头线圈的空间布置方案 | 第37-41页 |
| 3.3.1 间隙线圈磁场分布 | 第38-39页 |
| 3.3.2 齿槽位置线圈磁场分布 | 第39-40页 |
| 3.3.3 间隙线圈与齿槽线圈重叠时磁场分布 | 第40-41页 |
| 3.4 间隙检测 | 第41-46页 |
| 3.4.1 间隙线圈布置方案 | 第41-42页 |
| 3.4.2 间隙检测磁场仿真分析 | 第42-45页 |
| 3.4.3 间隙检测信号处理流程 | 第45-46页 |
| 3.5 温度检测 | 第46-47页 |
| 3.6 齿槽位置检测 | 第47-53页 |
| 3.6.1 齿槽位置线圈布置方案 | 第47-48页 |
| 3.6.2 齿槽位置检测磁场仿真分析 | 第48-51页 |
| 3.6.3 齿槽位置检测实验分析 | 第51-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第4章 间隙传感器逆模型补偿 | 第54-69页 |
| 4.1 引言 | 第54-55页 |
| 4.2 逆系统方法 | 第55-57页 |
| 4.2.1 逆系统 | 第55页 |
| 4.2.2 左逆系统和右逆系统 | 第55-56页 |
| 4.2.3 伪线性复合系统 | 第56-57页 |
| 4.2.4 逆系统的实现 | 第57页 |
| 4.3 间隙传感器逆模型补偿 | 第57-59页 |
| 4.3.1 基于逆模型的传感器综合误差校正 | 第57-58页 |
| 4.3.2 间隙传感器逆模型校正方法 | 第58-59页 |
| 4.4 间隙传感器逆模型简化 | 第59-61页 |
| 4.5 逆系统建模方法 | 第61-64页 |
| 4.5.1 基于机理的传统建模方法 | 第61-62页 |
| 4.5.2 基于数据驱动的方法 | 第62-64页 |
| 4.5.3 混合建模方法 | 第64页 |
| 4.6 样本数据采集与预处理 | 第64-68页 |
| 4.6.1 实验条件与数据归一化 | 第64-65页 |
| 4.6.2 简单非线性数据 | 第65-66页 |
| 4.6.3 温度样本数据 | 第66-67页 |
| 4.6.4 齿槽样本数据 | 第67-68页 |
| 4.7 本章小结 | 第68-69页 |
| 第5章 基于神经网络的传感器补偿模型 | 第69-105页 |
| 5.1 引言 | 第69页 |
| 5.2 基于RBF神经网络的传感器模型 | 第69-88页 |
| 5.2.1 RBF神经网络结构与学习方法 | 第69-73页 |
| 5.2.2 RBF神经网络非线性校正模型 | 第73-75页 |
| 5.2.3 RBF神经网络温度模型 | 第75-82页 |
| 5.2.4 RBF神经网络齿槽模型 | 第82-88页 |
| 5.3 基于T-S模糊神经网络的传感器模型 | 第88-103页 |
| 5.3.1 T-S模糊神经网络模型结构与学习方法 | 第88-93页 |
| 5.3.2 T-S模糊神经网络温度模型 | 第93-98页 |
| 5.3.3 T-S模糊神经网络齿槽模型 | 第98-103页 |
| 5.4 RBF与T-S模型性能对比 | 第103-104页 |
| 5.5 本章小结 | 第104-105页 |
| 第6章 基于LS-SVM组合预测的传感器补偿模型 | 第105-122页 |
| 6.1 引言 | 第105-106页 |
| 6.2 基于LS-SVM的传感器模型 | 第106-116页 |
| 6.2.1 最小二乘支持向量机回归算法 | 第106-107页 |
| 6.2.2 基于LS-SVM的温度模型 | 第107-111页 |
| 6.2.3 基于LS-SVM的齿槽模型 | 第111-115页 |
| 6.2.4 LS-SVM补偿效果分析 | 第115-116页 |
| 6.3 基于组合预测的传感器误差补偿模型 | 第116-121页 |
| 6.3.1 组合预测方法 | 第116-117页 |
| 6.3.2 基础模型选取 | 第117-118页 |
| 6.3.3 温度补偿组合模型 | 第118-119页 |
| 6.3.4 齿槽补偿组合模型 | 第119-121页 |
| 6.4 本章小结 | 第121-122页 |
| 结论与展望 | 第122-125页 |
| 致谢 | 第125-126页 |
| 参考文献 | 第126-134页 |
| 攻读博士学位期间发表的论文及科研成果 | 第134-136页 |
