| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第17-28页 |
| 1.1 课题研究背景 | 第17-19页 |
| 1.2 散状物料连续累计称重系统发展历史 | 第19-20页 |
| 1.3 散状物料连续累计称重精度研究进展状况 | 第20-23页 |
| 1.3.1 国外进展状况 | 第20-21页 |
| 1.3.2 国内进展状况 | 第21-23页 |
| 1.4 散状物料连续累计称重系统精度补偿研究的发展趋向 | 第23-24页 |
| 1.5 课题来源、意义及本文主要内容 | 第24-25页 |
| 1.5.1 课题来源及意义 | 第24页 |
| 1.5.2 主要内容 | 第24-25页 |
| 1.6 本文章节安排 | 第25-28页 |
| 2 电子皮带秤称重原理及误差分析 | 第28-41页 |
| 2.1 电子皮带秤的组成 | 第28-34页 |
| 2.1.1 承载器 | 第28-32页 |
| 2.1.2 称重传感器 | 第32-33页 |
| 2.1.3 位移传感器 | 第33页 |
| 2.1.4 倾角传感器 | 第33-34页 |
| 2.2 称重原理 | 第34-35页 |
| 2.3 误差分析 | 第35-39页 |
| 2.3.1 称重力误差 | 第36-38页 |
| 2.3.2 输送带速度误差 | 第38页 |
| 2.3.3 信号处理误差 | 第38页 |
| 2.3.4 校准误差 | 第38页 |
| 2.3.5 环境误差 | 第38-39页 |
| 2.4 耐久性分析 | 第39-40页 |
| 2.5 本章小结 | 第40-41页 |
| 3 基于"内力理论"的称重精度补偿研究 | 第41-52页 |
| 3.1 单托辊皮带秤误差模型的简化 | 第41-42页 |
| 3.2 单托辊皮带秤误差模型的建立 | 第42-44页 |
| 3.3 阵列式皮带秤的"内力理论" | 第44-45页 |
| 3.4 基于阵列式皮带秤"内力理论"的精度补偿试验 | 第45-51页 |
| 3.4.1 两端张力及托辊非准直度检测 | 第48-49页 |
| 3.4.2 正常状态误差补偿试验 | 第49-50页 |
| 3.4.3 故障状态下误差补偿试验 | 第50-51页 |
| 3.5 本章总结 | 第51-52页 |
| 4 皮带秤称重区域内故障在线监测 | 第52-73页 |
| 4.1 基于聚类算法的称重区域故障检测 | 第54-58页 |
| 4.1.1 DBSCAN | 第54-55页 |
| 4.1.2 DENCLUE | 第55-56页 |
| 4.1.3 基于改进型DBSCAN的皮带秤在线故障检测 | 第56-57页 |
| 4.1.4 基于改进型DENCLUE的皮带秤在线故障检测 | 第57-58页 |
| 4.2 皮带秤称重区域故障识别诊断 | 第58-65页 |
| 4.2.1 贝叶斯正则化神经网络 | 第59-61页 |
| 4.2.1.1 正则化理论 | 第59-60页 |
| 4.2.1.2 贝叶斯正则化网络理论 | 第60-61页 |
| 4.2.2 支持向量机 | 第61-63页 |
| 4.2.2.1 线性支持向量机 | 第62页 |
| 4.2.2.2 非线性支持向量机 | 第62-63页 |
| 4.2.2.3 多分类支持向量机 | 第63页 |
| 4.2.3 改进型偏二叉树支持向量机 | 第63-65页 |
| 4.2.3.1 二叉树支持向量机 | 第63-64页 |
| 4.2.3.2 类的可分性测度 | 第64页 |
| 4.2.3.3 算法步骤 | 第64-65页 |
| 4.2.3.4 标准数据集试验验证 | 第65页 |
| 4.3 皮带秤故障诊断试验 | 第65-71页 |
| 4.3.1 皮带秤故障检测试验及分析 | 第67-68页 |
| 4.3.2 皮带秤故障识别试验及分析 | 第68-71页 |
| 4.3.2.1 称重区域内故障的特征提取 | 第68页 |
| 4.3.2.2 基于BRNN的故障识别试验 | 第68-69页 |
| 4.3.2.3 基于改进型BTSVM的故障识别试验 | 第69-71页 |
| 4.3.2.4 试验结果对比与分析 | 第71页 |
| 4.4 本章小结 | 第71-73页 |
| 5 皮带秤输送带跑偏在线监测 | 第73-91页 |
| 5.1 基于流形学习方法的皮带秤跑偏在线监测 | 第74-81页 |
| 5.1.1 流形学习理论介绍 | 第74-76页 |
| 5.1.2 经典流形学习算法介绍 | 第76-79页 |
| 5.1.3 广义回归神经网络 | 第79-80页 |
| 5.1.4 基于流形学习算法的在线输送带跑偏监测 | 第80-81页 |
| 5.2 基于连续深度置信网络的皮带秤跑偏检测 | 第81-86页 |
| 5.2.1 CRBM | 第82-84页 |
| 5.2.2 CDBN介绍 | 第84-85页 |
| 5.2.3 基于CDBN的皮带秤在线跑偏检测 | 第85-86页 |
| 5.3 跑偏检测试验验证与分析 | 第86-90页 |
| 5.3.1 预处理过程 | 第86页 |
| 5.3.2 基于LTSA+GRNN的跑偏特征提取试验 | 第86-88页 |
| 5.3.3 基于CDBN的跑偏特征提取试验 | 第88页 |
| 5.3.4 在线跑偏监测试验及分析 | 第88-90页 |
| 5.4 本章小结 | 第90-91页 |
| 6 基于EM-RPELM的阵列式皮带秤称重精度补偿模型 | 第91-113页 |
| 6.1 过程神经网络 | 第92-93页 |
| 6.2 极限学习机(Extreme learning machine) | 第93-100页 |
| 6.2.1 极限学习机的基本问题 | 第94-95页 |
| 6.2.2 隐含层单元个数的选择 | 第95-99页 |
| 6.2.3 极限学习机的正则化 | 第99-100页 |
| 6.3 基于过程神经网络精度补偿模型的建立 | 第100-102页 |
| 6.4 基于过程极限学习机的精度补偿模型 | 第102-106页 |
| 6.4.1 正则化过程极限学习机 | 第103-104页 |
| 6.4.2 误差最小化的正则化过程极限学习机 | 第104-106页 |
| 6.5 基于过程极限学习机的精度补偿试验及分析 | 第106-112页 |
| 6.5.1 无故障状态、无温度变化精度补偿试验 | 第107-108页 |
| 6.5.2 有故障的精度补偿试验 | 第108-109页 |
| 6.5.3 对于温度变化的精度补偿试验 | 第109-112页 |
| 6.6 本章总结 | 第112-113页 |
| 7 总结与展望 | 第113-116页 |
| 7.1 主要工作总结 | 第113-114页 |
| 7.2 研究创新点 | 第114页 |
| 7.3 研究展望 | 第114-116页 |
| 致谢 | 第116-118页 |
| 参考文献 | 第118-130页 |
| 攻读博士学位期间发表的论文和参加的科学研究情况 | 第130-131页 |
