一、多点变形动态灰色模型辨识及预测（论文文献综述）
冯艳顺,赵万东,王红夺,谢玉磊[1]（2021）在《基于灰色系统理论的高层建筑变形分析应用研究》文中研究说明简述了灰色系统理论及该理论在高层建筑沉降变形监测分析中的应用思路,详细叙述了灰色模型的建模过程[1]。实例中,通过某高层建筑物4个监测点的6期观测数据,完成了模型参数的推导,建立了空间多点灰色预测模型。利用所建立的灰色模型对建筑物形变进行预测模拟,经模拟沉降值和实测数据的对比得出,该模型严密、可靠性好、精度高,该方法可用于建筑物变形的预测模拟。
魏弦[2]（2020）在《数控磨齿机床热误差鲁棒建模技术及补偿研究》文中认为齿轮的加工精度和质量直接决定齿轮传动性能。数控磨齿机床是加工高精度齿轮的关键设备,热误差是影响磨齿机加工精度的重要因素之一。热误差补偿技术以其经济高效性成为了解决机床热误差问题的主要手段。然而,不同工况下补偿模型的鲁棒性影响了该技术的工程应用,因此研究变工况下数控磨齿机床热误差鲁棒建模技术具有重要意义。本论文针对数控砂轮磨齿机床,就温测点的布置方法与建模变量的优化,机床的进给系统、工件主轴和砂轮主轴的热误差鲁棒建模技术进行了研究。主要研究工作归纳如下:（1）提出了基于测点虚拟构造法和特征提取算法的温度特征变量优化方法。将进给系统的滚珠丝杠简化为一维杆,基于热量传递原理和热弹性运动方程,分析其热变形和各测点温度之间的相关性,寻求热变形与温度之间呈线性关系的最佳测点,建立了热变形和最佳温测点的数学描述,揭示了工况差异时,最佳测点变化及鲁棒性变差的影响因素及变动规律。基于金属材料温度传递各向同性的原理,规划了进给系统温度传感器的布局策略;提出了基于线性测点虚拟构造法和特征提取算法的温度特征变量优化方法,减小了热变形与测点温度线性关系的不稳定及多元共线性对模型鲁棒性及预测精度的影响。在磨齿机上的试验验证了上述理论方法的正确性。（2）提出了基于贝叶斯网络的磨齿机进给系统热误差分类建模方法。针对变工况影响模型鲁棒性和精度的问题,以贝叶斯理论为基础,借助专家知识确定分类器的网络结构,通过后验概率分布的求解确定父、子节点间的条件概率密度,从而构建温度分类器,实现不同工况温度的分类;根据进给系统误差分离原理,采用线性和多项式拟合方法分别构建热误差和几何误差模型,通过两拟合模型的线性叠加构建误差综合模型。数控磨齿机床上的变工况试验表明,提出的方法有效改善了模型预测精度和鲁棒性,为变工况环境下的热误差鲁邦建模技术提供借鉴。（3）提出了数控磨齿机床工件主轴无温度传感器分类建模方法。针对实际加工过程中,切削液影响温度传感器的最优布测以及采用传感器信息建模时可能引起的测点间多元共线性问题,通过对数控磨齿机工件主轴的结构分析,基于电机热损耗及轴承摩擦热建立了主轴整体热量方程,根据主轴升（降）温过程的对流换热系数的差异,结合整体热量方程分别构建升（降）温初始理论模型;基于主轴几何结构解析和热变形微分方程,建立热变形初始理论模型,使用实际工况的温度和热误差信息修正上述理论模型。在磨齿机床工件主轴上的验证表明,提出的方法能有效预测升降温过程中温度及热变形的演变规律。此方法物理意义明确,为机床热误差机理分析奠定基础,在工程上具有实用价值。（4）提出了数控磨齿机床砂轮主轴数据驱动热误差建模方法。以模型控制理论为基础的传统建模方法很难避免由于工况变化导致的“鲁棒性差”和“未建模动态”等问题。基于数据驱动理论,定义热误差一般非线性系统,通过热误差离线数据确定温度和热误差的变化区间,据此定义紧格式动态线性化模型,得到数据驱动的无模型自适应控制律公式,使用加工中产生的实时数据在线修改模型,追踪热变形动态。在磨齿机床砂轮主轴的试验证明了数据驱动模型的高鲁棒性和对“未建模动态”的快速适应性。提出的方法初探了大数据在热误差建模中的应用。
程雍[3]（2020）在《灰色马尔科夫模型在宁邦超高层建筑沉降预测中的应用研究》文中指出随着城市化进程的加快,超高层建筑如雨后春笋拔地而起,超高层建筑的安全问题也日益突出。为确保建筑物的安全施工和使用,需对建筑物进行长期的变形监测,并对其变形发展趋势做出准确分析和判断,为建筑物的施工运营提供可靠依据。本文以宁邦超高层房屋沉降监测项目为依托,以实际沉降监测数据为建模基础数据,对超高层建筑的沉降预测进行分析研究,主要研究内容如下:（1）由于监测数据可能为非等间距、单点灰色模型不能反映变形体的整体变形趋势与变形规律,利用非等间距多点灰色模型对沉降监测数据进行建模分析;（2）针对多点灰色模型建模存在的不足,基于全信息加权平均法优化初始值,提出相对误差与时间距离结合对原始序列加权,采用Simpson积分公式优化背景值,构建优化的非等间距多点灰色模型;（3）采用马尔科夫模型对优化的非等间距多点灰色模型预测值进行修正,提出优化的非等间距多点灰色马尔科夫模型;（4）利用Matlab进行程序设计,建立4种变形预测模型,即:非等间距单点灰色模型、非等间距多点灰色模型、优化的非等间距多点灰色模型和优化的非等间距多点灰色马尔科夫模型,通过工程案例对比分析优化模型的可靠性。研究分析表明,与其他模型相比,运用优化的非等间距多点马尔科夫对超高层建筑进行沉降预测,可有效提高拟合预测精度。
许自强[4]（2020）在《数据驱动的电力变压器智能化健康管理关键技术研究》文中提出作为电力系统的重要枢纽设备,电力变压器的安全稳定运行是保障优质电力正常供应以及社会正常运作的必要基础。伴随着智能电网建设的不断推进,包括状态监测、生产管理、运行调度、气象环境等在内的电力变压器状态相关信息已逐步呈现出体量大、种类多、增长快等典型大数据特征。因此,在电力大数据的时代背景下,开展电力变压器状态数据的综合挖掘与分析研究,对于推动设备运行维护迈向精细化、智能化管理具有重要意义。本文以反映设备运行状态的多源信息为数据基础,以人工智能技术与数据挖掘技术作为分析工具,深入研究包含异常检测、故障诊断、状态评估、态势预测等在内的电力变压器智能化健康管理关键技术体系。主要的研究内容与成果如下:针对电力变压器在线监测系统受设备状态异常变化、外界环境干扰以及通讯中断等因素影响而产生异常数据的问题,本文提出一种面向设备监测数据的异常识别及模式区分方法。首先,通过利用经验小波变换与差分自回归移动平均模型对监测数据进行时序建模,获得反映监测数据异常情况的残差序列,并进一步运用孤立森林算法识别其中的异常点信息,依据识别结果对监测序列进行分段。然后,采用改进多维SAX向量表示法对分段序列进行符号化表示,通过计算相邻符号向量的相似度得分得到关于异常模式的判定结果,并进一步利用监测序列的关联性对判定结果进行校验。最后,结合实例分析表明,本文所提方法能够可靠识别异常点并对其无效及有效两种异常模式进行准确区分。针对电力变压器智能故障诊断中存在的数据非均衡问题,本文提出一种基于深度学习的故障数据增强方法,以实现样本类别分布均衡化的目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型存在的训练不稳定问题。然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出基于数据增强方法的设备故障诊断技术框架。最后,选用由准确率、F1度量及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,本文提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能。针对电力变压器状态评估中存在的信息不确定性问题,本文提出一种计及信息不确定性的设备多层级健康状态综合评估方法。首先,在综合考虑电力变压器功能结构及其性能表现的基础上,构建了包含设备层、部件层、缺陷层及指标层的多层级健康评估体系。然后,针对等级划分中的不确定性问题,通过运用可拓云理论来对判据边界进行柔性化处理;针对权重赋值中的不确定性问题,通过结合主观与客观权重、静态与动态权重来对各层级中评估因素的相对重要程度进行准确度量;针对信息融合中的不确定性问题,通过利用改进DSmT理论来有效解决传统证据理论对于高冲突性证据融合失效的缺陷。最后,实际案例验证结果表明,本文所提方法能够准确、有效地评判变压器及其功能部件的健康状况,并提供关于部件缺陷隐患的细致分析结果。针对油中溶解气体浓度进行精确预测可为电力变压器的故障预警工作提供重要依据,本文提出一种基于经验模态分解与长短期记忆神经网络的变压器油中溶解气体浓度预测方法。首先,运用经验模态分解将气体浓度序列分解为一组相对平稳的子序列分量,以减少不同趋势信息间的相互影响。然后,针对各子序列分别构建基于长短期记忆神经网络的时序预测模型,并利用贝叶斯理论对网络相关超参数进行优化,以提高单个模型的预测精度。最后,叠加各子序列预测结果得到气体浓度预测值。算例研究结果表明,相较于传统预测算法,本文所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。
李瑞亚[5]（2020）在《重型数控机床热误差光纤分布动态监测原理与方法》文中进行了进一步梳理高性能的重型数控机床（Heavy-duty CNC machine tools）是国民经济和国防建设的基础性和战略性装备。热误差是制约重型数控机床加工精度的重要因素之一。减小重型数控机床热误差,提高其加工精度对我国基础工业的发展具有重要的战略意义与重大的经济价值。关于重型数控机床热误差的研究,不仅要像传统中小型数控机床一样考虑热误差的时变、时滞、强非线性、多方向耦合等特征,还要解决其庞大的床身,分散的热源和复杂的机械边界条件等给热误差建模带来的困难以及给热误差监测技术带来的挑战。本论文旨在突破传统重型数控机床热误差建模方法和热误差监测技术的局限性,充分利用光纤光栅（Fiber Bragg Grating,FBG）分布式传感技术的优势,发展重型数控机床温度、变形监测新技术,从热机理角度出发,结合先进检测技术,研究重型数控机床热误差建模新原理、新方法。在查阅和综合分析重型数控机床热弹性变形理论、热变形检测技术和热误差建模方法三个关键问题研究进展的基础上,论文开展了基于FBG的重型机床热误差监测原理与方法研究,主要研究工作和取得的成果如下:1.针对重型数控机床热误差强时滞、强非线性特征,研究了重型数控机床结构件热弹性变形特性。首先,从热源与受热结构件相对位置关系的角度出发,提出了重型机床热源分类新方法,将重型数控机床主要热源分为端部热源、侧部热源和环境温度;然后,在分析端部热源作用下结构件热弹性伸长变形特性基础上,重点研究了侧部热源作用下机床梁型结构件热弹性伸长-弯曲复合变形特性及其非同步时滞特征,建立了侧部热源作用下机床梁型结构件热弹性伸长-弯曲复合变形数学模型;最后,在分析环境温度作用下机床对称梁型结构件热弹性伸长特性的基础上,建立了环境温度作用下机床非对称梁型结构件的热弹性伸长-弯曲复合变形数学模型。2.针对重型数控机床床身结构体积庞大造成的机床整机热态参数（温度、热致应变）监测困难,研究了基于FBG的重型数控机床多参数分布式在线检测原理与方法。首先,建立了FBG多参数分布式检测的波分复用准则;然后,建立了FBG温度灵敏度模型,理论与实验分析了FBG对动态温度的响应能力;理论推导了FBG测量热致应变时的应变传递方程和温度解耦方程,并采用德国自动热膨胀分析仪进行了实验验证;最后,研制了面向重型数控机床的增敏型FBG温度传感器和增敏型FBG应变传感器,搭建了重型数控机床FBG多参数分布式检测系统。3.针对重型数控机床大型结构件热变形在线检测的需求,以定梁龙门、滑枕等重型数控机床典型大型结构件为研究对象,开展了基于FBG分布式测量数据的重型机床大型结构件热变形构建方法研究。一方面,提出了基于虚功原理（Virtual Work Principle,VWP）和FBG分布式温度测量的机床龙门结构空间热弹性变形构建方法,建立了机床龙门热变形致六项热误差元素模型;另一方面,提出了基于最小二乘变分原理（Least Square Variational Principle,LSVP）和FBG分布式应变测量的机床滑枕结构热弹性伸长-弯曲复合变形构建方法,建立了机床滑枕热弹性伸长-弯曲复合变形致三项热误差元素。4.针对重型数控机床热误差经验建模方法缺乏实际物理意义的问题,研究了重型数控机床综合热误差建模方法。首先,在考虑电主轴旋转与停转散热形式差异的基础上,对电主轴升温模型与降温模型进行了统一,建立了机床电主轴动态温升-温降理论递推模型;然后,提出了基于Sage-Husa自适应卡尔曼滤波（Sage-Husa Adaptive Kalman Filter,SHAKF）的电主轴理论温度与测试温度数据融合方法;建立了以主轴融合估计温度为主输入,以滑枕测量温度与环境测量温度为双扰动因素的主轴热误差模型;提出了基于蜜蜂算法（Bee Algorithm,BA）的主轴热误差模型系统参数辨识方法;最后,基于多体理论（Muti-body Theory,MBT）,结合机床电主轴热误差模型与床身大型结构件的热耦合误差矩阵,建立了重型数控机床综合热误差模型。5.以武汉重型机床集团ZK5540A重型定梁龙门钻铣床为实验对象,开展了重型数控机床主轴热误差实验、环境温度作用下重型数控机床的热误差实验以及内外热源共同作用下重型数控机床的综合热误差实验,对建立的重型数控机床综合热误差模型进行了实验验证。本论文的研究,对进一步丰富机床热变形理论、发展机床热变形检测新方法与技术、拓展重型数控机床热误差鲁棒建模具有重要的科学意义,对指导提高我国重型数控机床加工精度,从而改善我国大型/特大型高端工程装备工作性能具有重要实际应用价值。
雷佳[6]（2020）在《中开高速银洲湖特大桥施工安全风险研究》文中进行了进一步梳理随着交通强国战略的实施,我国交通基础设施建设的步伐快速推进,大型复杂桥梁的数量越来越多。其中,沿海地区髙墩大跨桥梁施工过程复杂、施工周期较长,施工中的不确定性因素众多,因此桥梁施工安全问题将更加突出。本文通过对国内外施工安全研究现状的深刻剖析,结合银洲湖特大桥的特点和实际,开展了银洲湖特大桥施工安全风险研究,建立了银洲湖特大桥施工安全风险评价与预测的量化模型,针对重大风险源,制定了多级风险管理预案,为保障银洲湖特大桥施工安全提供了技术支撑。主要成果如下:（1）从工程所处的自然环境（包括所在区域的地质、水文、气候等）、采取的施工组织设计和施工方案、施工队伍的组织管理水平和技术水平、社会环境和人文环境等方面,对桥梁施工的全过程进行深入调查和剖析,建立了银洲湖特大桥风险源识别清单。（2）结合桥梁施工期安全风险的发生特点、相互作用和传导机制,提出一种定性和定量相结合的研究方法。采用专家打分法建立模糊一致判断矩阵,然后利用模糊层次分析法对风险进行量化,该方法简单实用、准确度高,可较大程度上避免人的主观因素对风险量化的影响。（3）应用灰色理论和熵权思想识别重大风险源。通过对各个风险源间的内在关系进行关联性分析,掌握其发展规律及特点,应用灰色关联分析方法建立关联性矩阵,然后采用熵的思想确立各类风险的权重,并对其进行排序,作为重大风险源识别的依据。（4）应用SPSS软件中的因素分析法对样本进行主成分提取,筛选出具有代表性的因子,以此作为神经网络模型的训练数据,结合银洲湖特大桥施工期各类风险源指标的权重数据,应用神经网络模型对银洲湖特大桥施工期的总体风险进行评估。（5）针对桥梁出现的不同安全风险问题提出不同的应对方案,主要有风险吸收、风险规避、风险转移、风险缓解、风险控制和风险预防。应用风险传递原理对银洲湖特大桥进行施工期安全风险监控,并基于MATLAB平台编制了适用于桥梁施工期安全风险评估的程序。
甘祥前,任超,刘林波,刘中流[7]（2018）在《一种马尔可夫的非等间距多点灰色预测模型》文中认为针对非等间距单点灰色预测模型在处理多点变形预测时,没有考虑点与点之间的关联性和它们之间的相互影响,而且容易受建模数据随机扰动性影响这一问题,该文提出了一种基于马尔可夫的非等间距多点灰色预测模型。首先,结合某基坑的变形实测数据,建立非等间距多点灰色预测模型和非等间距单点灰色预测模型,通过两种模型预测结果对比验证非等间距多点灰色预测模型在处理多点变形预测问题上的优越性;然后运用马尔可夫模型建立状态转移概率矩阵对预测结果进行修正;最后建立基于马尔可夫的非等间距多点灰色预测模型。结果表明,基于马尔可夫的非等间距多点灰色预测模型的拟合及预测精度更高,适应性更强,更符合实际变形情况,具有实际参考价值。
高宁[8]（2013）在《贫信息小样本条件下时空动态变形预报方法研究》文中研究表明本文以“贫信息、小样本”条件下时空动态变形预报为主要研究目的。构造了以灰色包络曲线为约束条件的多维粗差探测方法；以GM（1,1）模型为基础，建立了变形空间单点预测模型，构建了顾及变形信息量多少的单点预测模型群，对影响GM（1,1）模型预测精度的关键参数“背景值”进行了重构，根据新信息优先原理，优化GM（1,1）模型求解的“初始条件”，提出了一种适应多种变形状况下的双重优化单点预测模型；由整体建模角度出发，构建了顾及变形空间点位关联的多点预测模型；首次对变形组合模型的构造形式进行定义解释，提出了基于变形信号分解的串联式和基于信息综合利用的并联式两类组合模型；讨论模型误差S对变形建模参数求解的影响，引入半参数模型对S进行描述，以补偿最小二乘为约束条件，对S的求解进行详细推导，对影响半参数模型求解的关键参数“正则矩阵R”和“平滑参数α”进行优选，提出了求解平滑参数α的Xu函数法；验证了半参数理论识别模型误差的有效性。
高文华,朱建群,黄自永,邓修甫[9]（2012）在《隧道围岩变形动态预测的灰色自适应模型及其参数智能辨识》文中提出隧道围岩变形具有动态性、对时间和空间的敏感性及高度的非线性等特征。基于这些特性,探讨了隧道围岩变形动态预测灰色自适应GM（1,1）模型的建模思路及步骤。为确保参数为全局最优,提高模型的预测精度,提出采用粒子群优化算法（PSO）对模型参数进行智能辨识,并给出了参数智能辨识的方法和步骤。根据所建立的模型,编制了相应的计算程序。在此基础上,以贵州厦蓉高速公路某施工标段为工程实例,建立了隧道拱顶沉降及收敛位移预测分析的灰色自适应模型。算例分析表明,在数据较少的情况下,基于PSO参数智能辨识的灰色自适应模型的递推和跟踪能力较强,预测结果与实际监控数据吻合程度较高,是隧道围岩变形动态预测较为有效的方法,可在实际工程中推广应用。
李晓蕾[10]（2008）在《基于灰色系统理论的变形分析与预报模型应用研究》文中研究说明在现代测量工程的实践和科学研究活动中,变形监测占有十分重要的地位。科学、实时、准确地分析和预报建筑物、构筑物的变形有着很重要的意义。灰色系统理论主要研究“小样本不确定问题”,具有多学科的综合性、交叉性和抽象性,在贫信息少数据的情况下有着其独到的优势,在变形监测中也得到了越来越广泛地应用。本文针对这一应用需求,立足于灰色系统理论,将灰色模型应用于小浪底大坝变形监测分析与预报中,主要研究工作包括:1)分析了当前变形分析与预报的主要方法与手段,比较了灰色系统理论应用于变形监测的优势。在此基础之上,对灰色系统理论进行了分析与探讨。2)从灰色预测与灰色建模原理入手,分析了灰色单点的GM（1,1）模型、残差GM（1,1）模型、GM（1,N）模型,灰色多点的空间多点模型,并在此基础之上,将残差修正应用于空间多点模型,引入空间多点残差修正模型。3)本文结合小浪底工程沉降监测数据实例,以Matlab7为工具,将本文中的四种灰色单点以及多点模型分别针对小浪底水利工程沉降监测数据进行模拟与分析,对几种模型进行对比与分析,其结论验证了空间多点残差修正模型的可靠性与优越性。
二、多点变形动态灰色模型辨识及预测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多点变形动态灰色模型辨识及预测（论文提纲范文）
（1）基于灰色系统理论的高层建筑变形分析应用研究（论文提纲范文）
| 0 引言 |
| 1 灰色系统理论 |
| 2 灰色系统理论在高层建筑沉降变形监测分析中的思路 |
| 3 灰色理论在高层建筑沉降变形监测中的验证 |
| 4 结束语 |
（2）数控磨齿机床热误差鲁棒建模技术及补偿研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及来源 |
| 1.2 课题研究意义 |
| 1.3 机床热误差国内外研究现状 |
| 1.3.1 温度测点布置及优化研究现状 |
| 1.3.2 工况对热误差的影响研究现状 |
| 1.3.3 热误差理论建模研究现状 |
| 1.3.4 热误差试验建模研究现状 |
| 1.3.5 数控机床热误差控制技术研究现状 |
| 1.4 课题主要研究内容及论文架构 |
| 2 测点布置及建模变量特征提取方法的研究 |
| 2.1 引言 |
| 2.2 滚珠丝杠热变形过程理论分析 |
| 2.3 最佳测点的理论分析 |
| 2.3.1 一维最佳测点时域分析 |
| 2.3.2 一维最佳测点频域分析 |
| 2.3.3 三维最佳测点时、频域分析 |
| 2.4 一维杆最佳测点试验分析 |
| 2.5 最优温度特征变量的构建 |
| 2.5.1 构建虚拟最佳测点的可行性分析 |
| 2.5.2 基于特征提取算法的温度特征变量优化 |
| 2.6 最优温度特征变量的效果验证 |
| 2.7 温度传感器布局方法 |
| 2.8 最优温度变量模型的效果验证 |
| 2.8.1 试验系统设计 |
| 2.8.2 热误差建模试验分析 |
| 2.9 本章小结 |
| 3 数控磨齿机床进给系统热误差测量及建模 |
| 3.1 引言 |
| 3.2 进给系统误差数据的采集 |
| 3.2.1 进给系统热误差测量 |
| 3.2.2 进给系统温度数据采集 |
| 3.3 误差建模方法 |
| 3.3.1 几何误差建模方法 |
| 3.3.2 热误差建模方法 |
| 3.4 贝叶斯分类 |
| 3.4.1 贝叶斯网络 |
| 3.4.2 贝叶斯网络分类器 |
| 3.5 变工况对预测精度的影响 |
| 3.5.1 变工况试验设计 |
| 3.5.2 工况变化对温度场的影响分析 |
| 3.5.3 工况变化对模型预测效果的影响分析 |
| 3.6 基于贝叶斯网络分类的综合模型 |
| 3.6.1 综合模型结构 |
| 3.6.2 贝叶斯网络分类器的构建 |
| 3.6.3 进给系统分类误差模型构建 |
| 3.7 贝叶斯网络分类综合模型预测效果分析 |
| 3.7.1 贝叶斯分类模型的预测精度 |
| 3.7.2 单一模型和贝叶斯分类模型的效果对比 |
| 3.7.3 模仿复杂工况的预测精度 |
| 3.8 本章小结 |
| 4 数控磨齿机工件主轴的无传感器热误差预测 |
| 4.1 引言 |
| 4.2 模型的建立 |
| 4.2.1 温度场理论模型 |
| 4.2.2 热变形理论模型 |
| 4.2.3 温度及热变形模型修正 |
| 4.3 试验系统设计 |
| 4.3.1 试验设备 |
| 4.3.2 试验设计 |
| 4.4 效果验证 |
| 4.4.1 模型修正 |
| 4.4.2 修正前和修正后的效果验证 |
| 4.4.3 修正模型预测范围 |
| 4.4.4 基于转速分段热误差预测 |
| 4.5 本章小结 |
| 5 数控磨齿机床砂轮主轴热误差数据驱动建模 |
| 5.1 引言 |
| 5.2 数据驱动控制理论 |
| 5.2.1 数据驱动控制定义 |
| 5.2.2 数据驱动方法分类 |
| 5.3 无模型自适应控制算法 |
| 5.4 主轴温度和热变形测量 |
| 5.4.1 试验系统设计 |
| 5.4.2 测量原理 |
| 5.5 模型效果验证 |
| 5.6 本章小结 |
| 6 基于SIEMENS840D的热误差补偿 |
| 6.1 引言 |
| 6.2 SIEMENS840D热误差补偿功能及实施方法 |
| 6.2.1 SIEMENS840D补偿功能简介 |
| 6.2.2 SIEMENS840D热误差补偿实施 |
| 6.3 热误差补偿系统软硬件结构 |
| 6.4 热误差补偿效果验证 |
| 6.5 本章小结 |
| 7 全文总结与展望 |
| 7.1 全文总结 |
| 7.1.1 本文主要研究工作 |
| 7.1.2 本文主要创新点 |
| 7.2 存在问题及研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表论文及参与科研情况 |
| A 发表的论文 |
| B 参与科研项目 |
（3）灰色马尔科夫模型在宁邦超高层建筑沉降预测中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 (超)高层建筑监测研究现状及分析方法 |
| 1.2.2 灰色系统模型研究现状 |
| 1.2.3 灰色马尔科夫模型研究现状 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文章节安排 |
| 第2章 模型基础理论 |
| 2.1 灰色系统理论 |
| 2.1.1 灰色系统的基本概念 |
| 2.1.2 灰色系统模型构建原理 |
| 2.1.3 灰色模型构建过程 |
| 2.2 马尔科夫理论 |
| 2.2.1 马尔科夫过程的定义 |
| 2.2.2 转移概率 |
| 2.2.3 马尔科夫状态的分类 |
| 2.2.4 马尔科夫链预测模型 |
| 2.3 非等间距多点灰色马尔科夫模型的构建 |
| 2.4 模型精度检验 |
| 2.5 本章小结 |
| 第3章 灰色模型优化研究及Matlab程序实现 |
| 3.1 传统灰色模型的不足 |
| 3.1.1 初值的选取 |
| 3.1.2 新旧信息利用问题 |
| 3.1.3 背景值的构建 |
| 3.2 灰色模型优化研究 |
| 3.2.1 初值的改进 |
| 3.2.2 原始序列加权 |
| 3.2.3 背景值重构 |
| 3.3 模型的Matlab程序实现 |
| 3.3.1 Matlab简介 |
| 3.3.2 程序设计流程 |
| 3.4 本章小结 |
| 第4章 组合模型在宁邦超高层建筑变形预测中的应用 |
| 4.1 工程概况 |
| 4.2 沉降数据获取 |
| 4.2.1 基准点与监测点布设 |
| 4.2.2 沉降监测方法 |
| 4.2.3 监测频率与预警值 |
| 4.3 沉降数据分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士期间发表的学术论文 |
| 附录B 攻读硕士期间参加的实习项目 |
| 附录C 本文部分程序代码 |
（4）数据驱动的电力变压器智能化健康管理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器异常检测技术研究现状 |
| 1.2.2 电力变压器故障诊断技术研究现状 |
| 1.2.3 电力变压器状态评估技术研究现状 |
| 1.2.4 电力变压器态势预测技术研究现状 |
| 1.3 论文主要研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 第2章 面向电力变压器监测数据的异常识别及模式区分方法研究 |
| 2.1 基于时序建模与孤立森林算法的异常数据识别方法 |
| 2.1.1 经验小波变换理论 |
| 2.1.2 差分自回归移动平均模型 |
| 2.1.3 孤立森林算法 |
| 2.2 基于改进多维SAX向量表示与时间序列关联性分析的异常模式区分方法 |
| 2.2.1 基于改进多维SAX向量表示方法的异常模式判定 |
| 2.2.2 基于灰关联算法的时间序列关联性分析 |
| 2.2.3 监测数据异常检测技术框架 |
| 2.3 实例分析 |
| 2.3.1 实例一 |
| 2.3.2 实例二 |
| 2.4 本章小节 |
| 第3章 基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强方法研究 |
| 3.1 面向不平衡样本分类的传统处理方法 |
| 3.1.1 处理方法概述 |
| 3.1.2 基于SMOTE的过采样技术 |
| 3.2 基于梯度惩罚优化的CWGAN模型 |
| 3.2.1 GAN模型 |
| 3.2.2 CGAN模型 |
| 3.2.3 CWGAN-GP模型 |
| 3.3 基于数据增强方法的故障诊断技术框架 |
| 3.3.1 特征参量选取 |
| 3.3.2 设备状态编码 |
| 3.3.3 基于深度学习的故障诊断模型 |
| 3.3.4 基于数据增强方法的故障诊断流程 |
| 3.4 实例分析 |
| 3.4.1 数据获取及分布情况 |
| 3.4.2 分类性能评价指标 |
| 3.4.3 结果分析与讨论 |
| 3.5 本章小结 |
| 第4章 计及信息不确定性的电力变压器多层级健康状态综合评估方法研究 |
| 4.1 多层级健康状态评估体系构建 |
| 4.1.1 状态指标的选取 |
| 4.1.2 评估体系的深层架构设计 |
| 4.2 基于信息不确定性综合处理的健康状态评估方法 |
| 4.2.1 基于可拓云理论的状态指标劣化评估方法 |
| 4.2.2 评估因素的综合权重赋值方法 |
| 4.2.3 基于改进DSmT理论的信息融合方法 |
| 4.3 实例分析 |
| 4.3.1 健康状态评估流程 |
| 4.3.2 单台设备验证分析 |
| 4.3.3 多台设备验证分析 |
| 4.4 本章小结 |
| 第5章 基于经验模态分解和长短期记忆神经网络的电力变压器油中溶解气体浓度预测方法研究 |
| 5.1 经验模态分解理论 |
| 5.2 长短期记忆神经网络 |
| 5.2.1 循环神经网络 |
| 5.2.2 长短期记忆神经网络 |
| 5.2.3 LSTM神经网络的训练过程 |
| 5.2.4 LSTM神经网络的超参数优化 |
| 5.3 EMD-LSTM组合预测模型 |
| 5.4 实例分析 |
| 5.4.1 时序数据预处理 |
| 5.4.2 预测模型超参数优化 |
| 5.4.3 预测性能评价指标 |
| 5.4.4 结果分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 个人简历 |
（5）重型数控机床热误差光纤分布动态监测原理与方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题概述 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景与意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 重型数控机床热误差研究概述 |
| 1.2.2 机床热弹性变形特性研究现状 |
| 1.2.3 机床热变形检测技术的研究现状 |
| 1.2.4 机床热误差预测模型的研究现状 |
| 1.3 目前研究中存在的问题 |
| 1.4 论文的研究内容与组织结构 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文组织结构 |
| 第2章 重型数控机床结构件热弹性变形特性 |
| 2.1 重型数控机床热源分类 |
| 2.2 端部热源作用下机床结构件热弹性伸长变形 |
| 2.2.1 热弹性伸长的“超前”与“滞后”特性 |
| 2.2.2 有限差分(FDM)数值模型与分析 |
| 2.2.3 实验分析与系统传递函数 |
| 2.3 侧部热源作用下机床结构件热弹性伸长-弯曲复合变形 |
| 2.3.1 热弹性伸长-弯曲复合变形的非同步时滞特性 |
| 2.3.2 有限元(FEM)数值模型与分析 |
| 2.3.3 实验分析与系统传递函数 |
| 2.4 环境温度作用下机床结构件热弹性变形 |
| 2.4.1 机床结构件在环境温度作用下的热弹性伸长 |
| 2.4.2 机床结构件在环境温度作用下的热弹性伸长-弯曲 |
| 2.5 本章小结 |
| 第3章 光纤光栅传感器及其分布检测原理与方法 |
| 3.1 光纤光栅多参数分布式检测原理 |
| 3.1.1 光纤光栅基本理论 |
| 3.1.2 光纤光栅传感原理 |
| 3.1.3 光纤光栅多参数检测与空分-波分组合复用 |
| 3.2 光纤光栅温度传感特性 |
| 3.2.1 光纤光栅温度灵敏度 |
| 3.2.2 光纤光栅动态测温特性 |
| 3.2.3 光纤光栅分布式温度测量实验 |
| 3.3 光纤光栅热致应变检测原理与方法 |
| 3.3.1 光纤光栅热致应变传递理论 |
| 3.3.2 光纤光栅热致应变测量的温度补偿 |
| 3.3.3 光纤光栅热致应变测量实验 |
| 3.4 增敏型光纤光栅传感器技术 |
| 3.4.1 增敏型光纤光栅温度传感器 |
| 3.4.2 增敏型温度自补偿光纤光栅应变传感器 |
| 3.5 本章小结 |
| 第4章 基于分布测试数据的重型机床大型结构件热变形构建方法 |
| 4.1 梁式结构件热弹性伸长-弯曲复合变形构建 |
| 4.1.1 轴向离散化与坐标变换 |
| 4.1.2 梁单元节点热位移模型 |
| 4.1.3 全局坐标系下整体热变形 |
| 4.2 重型数控机床定梁龙门结构空间热弹性变形构建 |
| 4.2.1 自由膨胀热变形 |
| 4.2.2 基于虚功原理的龙门结构热致内力模型 |
| 4.2.3 龙门结构空间热弹性变形模型 |
| 4.3 重型数控机床滑枕结构热弹性伸长-弯曲复合变形构建 |
| 4.3.1 滑枕动态离散 |
| 4.3.2 二节点六自由度Euler-Bernoulli平面直梁单元的数学模型 |
| 4.3.3 梁单元应变数学模型与解耦方法 |
| 4.3.4 基于最小二乘变分原理的热致位移求解 |
| 4.4 本章小结 |
| 第5章 重型数控机床综合热误差模型 |
| 5.1 重型数控机床主轴热误差建模 |
| 5.1.1 主轴动态温升-温降理论递推模型 |
| 5.1.2 主轴生热离散系统状态空间表达式 |
| 5.1.3 基于Sage-Husa自适应卡尔曼滤波的主轴温度数据融合 |
| 5.1.4 主轴热误差预测模型 |
| 5.1.5 基于蜜蜂算法的主轴热误差模型系统辨识方法 |
| 5.2 重型数控机床床身大型结构件热变形致空间误差 |
| 5.2.1 重型数控机床床身结构基本误差元素 |
| 5.2.2 重型数控机床床身结构误差传动链 |
| 5.2.3 重型数控机床床身结构动态热耦合误差矩阵 |
| 5.3 重型数控机床综合热误差预测模型 |
| 5.4 本章小结 |
| 第6章 重型数控机床热误差检测实验研究 |
| 6.1 重型数控机床光纤光栅多参数分布式检测系统 |
| 6.1.1 ZK5540A重型定梁龙门钻铣床 |
| 6.1.2 光纤光栅传感器布置 |
| 6.1.3 光纤光栅多参数分布式检测系统 |
| 6.2 ZK5540A重型数控机床综合热误差模型 |
| 6.2.1 电主轴温度模型 |
| 6.2.2 床身结构热误差元素模型 |
| 6.2.3 重型机床综合热误差模型 |
| 6.3 ZK5540A重型数控机床主轴热误差实验研究 |
| 6.3.1 主轴热误差实验 |
| 6.3.2 转速与环境温度对主轴温度的影响 |
| 6.3.3 主轴温度模型实验分析 |
| 6.3.4 主轴热误差模型实验分析 |
| 6.4 ZK5540A重型数控机床环境温度作用下热误差实验研究 |
| 6.4.1 环境温度致机床热误差实验 |
| 6.4.2 机床热误差与温度场分析 |
| 6.4.3 复杂温度场中床身结构热误差元素 |
| 6.4.4 环境温度作用下机床热误差预测 |
| 6.5 内外热源共同作用下重型数控机床综合热误差预测 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 本文的主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 附录 A 英文专业术语缩写一览表 |
| 附录 B 攻读博士学位期间发表的学术论文 |
| 附录 C 攻读博士学位期间参与的支持项目 |
| 致谢 |
（6）中开高速银洲湖特大桥施工安全风险研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 斜拉桥的发展现状 |
| 1.3 大型斜拉桥桥施工期安全风险研究的必要性 |
| 1.3.1 斜拉桥施工期存在不确定性 |
| 1.3.2 国内外斜拉桥施工期安全事故 |
| 1.3.3 斜拉桥施工期安全风险评估的必要性 |
| 1.4 国内外研究现状 |
| 1.5 研究内容与方法 |
| 2 斜拉桥施工期安全风险识别 |
| 2.1 桥梁施工安全风险的基本概念 |
| 2.1.1 风险的定义 |
| 2.1.2 桥梁施工期安全风险的特性 |
| 2.1.3 风险间的相互影响 |
| 2.1.4 风险传导机制 |
| 2.2 风险源普查 |
| 2.2.1 施工期风险源分类 |
| 2.2.2 风险辨识流程 |
| 2.2.3 风险源动态清单的建立 |
| 2.3 桥梁风险识别与量化 |
| 2.3.1 模糊层次分析的优点 |
| 2.3.2 模糊层次分析法的基本原理 |
| 2.4 示例 |
| 2.4.1 银洲湖下部工程简介 |
| 2.4.2 下部结构施工阶段风险源辨识 |
| 2.4.3 风险源赋值 |
| 2.5 本章小结 |
| 3 桥梁工程施工风险评估与量化模型 |
| 3.1 重大风险源识别 |
| 3.1.1 重大风险源的概念 |
| 3.1.2 施工工艺安全风险因素分析 |
| 3.1.3 重大风险源的识别过程 |
| 3.2 基于灰熵关联法的重大风险源识别模型 |
| 3.2.1 灰色关联分析 |
| 3.2.2 熵的概念 |
| 3.2.3 灰熵关联分析模型 |
| 3.2.4 示例 |
| 3.3 斜拉桥施工期安全风险评估模型 |
| 3.3.1 风险评估 |
| 3.3.2 风险等级划分 |
| 3.3.3 基于BP神经网络法的预测模型 |
| 3.3.4 示例 |
| 3.4 本章小结 |
| 4 桥梁施工安全风险监测与控制对策 |
| 4.1 大跨斜拉桥施工安全风险应对方法 |
| 4.2 大跨斜拉桥施工安全风险监控 |
| 4.2.1 桥梁施工监控的重要性 |
| 4.2.2 监控内容 |
| 4.2.3 施工监控方法 |
| 4.2.4 桥梁施工风险监控模型 |
| 4.2.5 示例 |
| 4.3 风险控制对策研究 |
| 4.4 本章小结 |
| 5 银洲湖特大桥施工安全风险分析 |
| 5.1 工程概况 |
| 5.2 风险识别 |
| 5.2.1 银洲湖特大桥施工工序 |
| 5.2.2 银洲湖特大桥施工安全风险源辨识 |
| 5.2.3 确定风险源权重 |
| 5.3 确定施工重大风险源及风险等级 |
| 5.3.1 重大安全风险源识别 |
| 5.3.2 风险等级确定 |
| 5.3.3 风险评价 |
| 5.4 大跨斜拉桥施工安全风险控制对策研究 |
| 5.4.1 桩基质量控制 |
| 5.4.2 承台质量控制 |
| 5.4.3 索塔质量控制 |
| 5.4.4 支座安装质量控制 |
| 5.4.5 梁的质量控制 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 个人简历、在学期间发表的学术论文及研究成果 |
| 1 个人简介 |
| 2 在学期间发表的学术论文及研究成果 |
| 致谢 |
（7）一种马尔可夫的非等间距多点灰色预测模型（论文提纲范文）
| 0 引言 |
| 1 模型理论 |
| 1.1 非等间距单点灰色预测模型 |
| 1.2 非等间距多点灰色预测模型 |
| 1.3 基于马尔可夫的非等间距多点灰色预测模型 |
| 1.4 模型的检验 |
| 2 实例分析与验证 |
| 2.1 非等间距多点灰色预测模型 |
| 2.2 基于马尔可夫的非等间距多点灰色预测模型 |
| 2.3 模型对比结果及分析 |
| 3 结束语 |
（8）贫信息小样本条件下时空动态变形预报方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 详细摘要 |
| Detailed Abstract |
| 1 绪论 |
| 1.1 论文选题背景及研究意义 |
| 1.2 动态变形分析及预测研究现状与发展 |
| 1.2.1 动态变形分析及预测的发展史 |
| 1.2.2 动态变形分析及预测的发展趋势 |
| 1.2.3 变形预测模型构建尚存的若干问题 |
| 1.3 贫信息小样本时空动态变形预测研究 |
| 1.3.1 对贫信息小样本动态变形的几点阐释 |
| 1.3.2 贫信息小样本时空动态变形预测研究综述 |
| 1.3.3 贫信息小样本时空动态变形建模存在的问题 |
| 1.4 论文研究的主要内容 |
| 2 未知概率分布小样本变形数据多维粗差的灰探测 |
| 2.1 变形粗差的概念 |
| 2.1.1 变形粗差及其来源 |
| 2.1.2 变形粗差的特点 |
| 2.1.3 变形粗差对数据处理的影响 |
| 2.2 变形粗差的一般探测方法 |
| 2.2.1 逻辑判别法 |
| 2.2.2 统计判别法 |
| 2.2.3 Baarda 粗差探测法 |
| 2.2.4 抗差估计法 |
| 2.2.5 现有粗差探测方法中的问题 |
| 2.3 变形粗差的灰包络线探测方法 |
| 2.3.1 灰色误差 |
| 2.3.2 灰包络曲线的构造 |
| 2.3.3 灰包络曲线粗差判别准则 |
| 2.4 灰包络线探测粗差算例 |
| 2.4.1 数据源 |
| 2.4.2 单一粗差的灰包络线探测 |
| 2.4.3 多维粗差的灰包络线探测 |
| 2.4.4 灰包络线法探测粗差的几点讨论 |
| 2.5 本章小结 |
| 3 贫信息小样本时空动态变形的空间单点、多点预测模型 |
| 3.1 基于 GM（1,1）的空间单点预测模型 |
| 3.1.1 空间单点预测模型数据的生成 |
| 3.1.2 GM (1,1) 模型的基本形式 |
| 3.1.3 灰色模型参数 a 和 u 的求解 |
| 3.1.4 GM (1,1) 模型精度检验 |
| 3.2 空间单点预测模型群的建立 |
| 3.2.1 GM (1,1) 模型群 |
| 3.2.2 算例分析 |
| 3.2.3 空间单点预测模型群的几点讨论 |
| 3.3 空间单点预测 GM (1,1)模型背景值的重构 |
| 3.3.1 背景值误差来源分析 |
| 3.3.2 已有的背景值构造方法研究 |
| 3.3.3 基于非齐次指数函数的背景值重构 |
| 3.3.4 算例分析 |
| 3.3.5 背景值重构方法的讨论 |
| 3.4 空间单点预测 GM (1,1)模型初始值的优化 |
| 3.4.1 以 x(0)(1)为初始条件的 GM(1,1)模型 |
| 3.4.2 以 x(1)(n)为初始条件的 GM(1,1)模型 |
| 3.4.3 基于变形数据滚动的 x(1)(n) GM(1,1)模型 |
| 3.4.4 算例分析 |
| 3.4.5 初始值优化后预测精度提高的原因分析 |
| 3.5 基于双重优化的空间单点预测 GM (1,1)模型 |
| 3.5.1 双重优化空间单点预测模型的构建 |
| 3.5.2 算例分析 |
| 3.6 顾及点位关联的空间多点预测模型 |
| 3.6.1 顾及点位关联的空间多点预测模型的构建 |
| 3.6.2 模型参数的求解 |
| 3.6.3 预测模型及精度评定 |
| 3.6.4 算例分析 |
| 3.7 本章小结 |
| 4 贫信息小样本时空动态变形组合预测模型 |
| 4.1 变形分析与预测模型特点评述 |
| 4.2 串联式组合预测模型的构建 |
| 4.3 GM(1,1)与线性回归串联组合预测 |
| 4.3.1 灰线性组合模型 |
| 4.3.2 算例分析 |
| 4.4 GM(1,1)与时序 AR(p)串联组合预测 |
| 4.4.1 GM(1,1)与 AR(p)模型的比较 |
| 4.4.2 灰时序组合模型 |
| 4.4.3 算例分析 |
| 4.5 并联式组合预测模型的构建 |
| 4.6 线性定权并联组合模型 |
| 4.7 RBF 非线性定权并联组合模型 |
| 4.7.1 RBF 神经网络原理 |
| 4.7.2 基于 RBF 的非线性定权方法 |
| 4.7.3 RBF 网络最优拓扑结构的建立 |
| 4.7.4 算例分析 |
| 4.8 线性定权与非线性定权的讨论 |
| 4.9 串联、并联式组合预测效果的比较 |
| 4.10 本章小结 |
| 5 变形平差系统模型误差的识别与控制 |
| 5.1 变形平差系统的模型误差及其精度 |
| 5.1.1 变形平差系统的模型误差 |
| 5.1.2 模型偏差δ的均方误差 MSE |
| 5.1.3 模型误差 S 的识别 |
| 5.2 模型误差的半参数补偿方法 |
| 5.2.1 半参数模型 |
| 5.2.2 补偿最小二乘约束下半参数的解 |
| 5.3 正则矩阵 R 的选取 |
| 5.4 平滑参数α的确定 |
| 5.4.1 平滑参数α的常用确定方法 |
| 5.4.2 平滑参数α求取的一种新方法 |
| 5.5 算例分析 |
| 5.5.1 数据源 |
| 5.5.2 模型误差的识别计算 |
| 5.5.3 正则矩阵 R 的选取对变形预测结果影响分析 |
| 5.5.4 平滑参数α的选取对变形预测结果影响分析 |
| 5.5.5 半参数模型与单一模型预测效果比较 |
| 5.5.6 半参数模型与组合模型预测效果比较 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 主要研究成果 |
| 6.2 论文的主要创新点 |
| 6.3 论文的后续研究工作 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）隧道围岩变形动态预测的灰色自适应模型及其参数智能辨识（论文提纲范文）
| 0 引言 |
| 1 隧道围岩变形动态预测灰色自适应模型建模方法 |
| 2 基于PSO的参数智能辨识 |
| 2.1 粒子群优化算法的基本原理 |
| 2.2 参数a、b粒子群优化算法 |
| 3 工程应用研究 |
| 3.1 工程概况 |
| 3.2 现场监控量测 |
| 3.3 围岩变形动态预测 |
| 4 结论 |
（10）基于灰色系统理论的变形分析与预报模型应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 变形监测概述 |
| 1.2.1 变形监测的内容、目的和意义 |
| 1.2.2 变形监测的方法 |
| 1.3 变形分析与预测模型研究现状 |
| 1.3.1 变形分析概述 |
| 1.3.2 几种典型的变形分析方法 |
| 1.4 论文的主要研究目的、意义 |
| 第二章 灰色系统理论 |
| 2.1 灰色系统理论基本原理与特点 |
| 2.1.1 灰色系统理论的基本原理 |
| 2.1.2 灰色系统理论的特点 |
| 2.1.3 灰色系统理论建模机理及特点 |
| 2.2 数据生成 |
| 2.2.1 累加生成(Accumulated Generating Operation；AGO) |
| 2.2.2 累减生成(Inverse Accumulated Generating Operation；IAGO) |
| 2.2.3 紧邻均值生成序列 |
| 2.3 灰色关联分析 |
| 2.3.1 关联数据列的处理方法 |
| 2.3.2 灰关联度 |
| 2.3.3 灰关联序 |
| 第三章 灰色预测模型 |
| 3.1 灰色预测 |
| 3.1.1 灰色数列预测 |
| 3.1.2 灾变预测 |
| 3.1.3 拓扑预测 |
| 3.1.4 系统预测 |
| 3.1.5 灰色预测模型要考虑的内容 |
| 3.2 灰色模型的建模原理 |
| 3.3 灰色单点预测模型 |
| 3.3.1 GM(1,1)模型 |
| 3.3.2 残差GM(1,1)模型 |
| 3.3.3 GM(1,N)模型 |
| 3.4 灰色多点预测模型 |
| 3.4.1 贫信息条件下的空间多点模型 |
| 3.4.2 空间多点残差修正模型 |
| 第四章 灰色模型在小浪底大坝沉降监测分析中的应用 |
| 4.1 小浪底水利工程变形监测 |
| 4.1.1 工程概况 |
| 4.1.2 大坝安全监测 |
| 4.1.3 数据实例 |
| 4.2 GM(1,1)模型的应用 |
| 4.3 GM(1,N)模型应用 |
| 4.4 空间多点模型的应用 |
| 4.4.1 建模的具体步骤 |
| 4.4.2 模型计算 |
| 4.4.3 模型精度评定 |
| 4.5 空间多点残差修正模型应用 |
| 第五章 结论与问题 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
四、多点变形动态灰色模型辨识及预测（论文参考文献）
- [1]基于灰色系统理论的高层建筑变形分析应用研究[J]. 冯艳顺,赵万东,王红夺,谢玉磊. 测绘与空间地理信息, 2021(05)
- [2]数控磨齿机床热误差鲁棒建模技术及补偿研究[D]. 魏弦. 西安理工大学, 2020
- [3]灰色马尔科夫模型在宁邦超高层建筑沉降预测中的应用研究[D]. 程雍. 湘潭大学, 2020(02)
- [4]数据驱动的电力变压器智能化健康管理关键技术研究[D]. 许自强. 华北电力大学(北京), 2020(06)
- [5]重型数控机床热误差光纤分布动态监测原理与方法[D]. 李瑞亚. 武汉理工大学, 2020
- [6]中开高速银洲湖特大桥施工安全风险研究[D]. 雷佳. 郑州大学, 2020(02)
- [7]一种马尔可夫的非等间距多点灰色预测模型[J]. 甘祥前,任超,刘林波,刘中流. 测绘科学, 2018(11)
- [8]贫信息小样本条件下时空动态变形预报方法研究[D]. 高宁. 中国矿业大学（北京）, 2013(10)
- [9]隧道围岩变形动态预测的灰色自适应模型及其参数智能辨识[J]. 高文华,朱建群,黄自永,邓修甫. 公路交通科技, 2012(01)
- [10]基于灰色系统理论的变形分析与预报模型应用研究[D]. 李晓蕾. 长安大学, 2008(08)