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