摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第10-20页 |
1.1 选题背景及研究意义 | 第10-12页 |
1.1.1 选题背景 | 第10-11页 |
1.1.2 故障诊断的意义 | 第11-12页 |
1.2 国内外研究现状及发展趋势 | 第12-15页 |
1.2.1 矿井通风系统方面的发展 | 第12页 |
1.2.2 状态监测与故障诊断的发展 | 第12-13页 |
1.2.3 时间序列数据挖掘(TSDM)方法的发展 | 第13-14页 |
1.2.4 小波分析提取技术的发展 | 第14-15页 |
1.3 本课题主要内容及技术路线 | 第15-18页 |
1.3.1 主要内容 | 第15-16页 |
1.3.2 技术路线图 | 第16-18页 |
1.4 本章小结 | 第18-20页 |
第2章 矿井通风机系统的故障诊断形式与特点分析 | 第20-32页 |
2.1 引言 | 第20-26页 |
2.1.2 通风机系统概述 | 第20-21页 |
2.1.3 通风机监测系统 | 第21-22页 |
2.1.4 通风机的分类及特点 | 第22-25页 |
2.1.5 传感器的选型及布局 | 第25-26页 |
2.2 通风机的故障特点分析 | 第26-29页 |
2.2.1 通风机的故障原因 | 第26页 |
2.2.2 转子的故障类型 | 第26-27页 |
2.2.3 转轴的故障类型 | 第27-28页 |
2.2.4 其他的故障类型 | 第28-29页 |
2.3 通风机故障诊断方法 | 第29-31页 |
2.3.1 基于解析模型的故障诊断 | 第29-30页 |
2.3.2 基于人工智能的故障诊断 | 第30页 |
2.3.3 基于信号处理的故障诊断 | 第30-31页 |
2.4 本章小结 | 第31-32页 |
第3章 基于时间序列的故障预测 | 第32-46页 |
3.1 引言 | 第32-33页 |
3.2 时间序列模型 | 第33-34页 |
3.3 时间序列建模流程 | 第34-40页 |
3.3.1 时间序列建模流程图 | 第34-35页 |
3.3.2 时间序列的模型识别 | 第35-36页 |
3.3.3 时间序列的参数估计 | 第36-38页 |
3.3.4 时间序列的误差分析 | 第38-39页 |
3.3.5 自回归滑动平均模型(ARMA)模型的预测实例 | 第39-40页 |
3.4 时间序列对风机信号的处理 | 第40-44页 |
3.4.1 时间序列的畸变信号 | 第40-42页 |
3.4.2 时间序列的畸变信号 | 第42-44页 |
3.5 报警系统 | 第44-45页 |
3.6 本章小结 | 第45-46页 |
第4章 基于小波分析的故障诊断方法 | 第46-68页 |
4.1 引言 | 第46-47页 |
4.2 小波分析的数学理论 | 第47-56页 |
4.2.1 小波函数 | 第47-53页 |
4.2.2 连续小波变换 | 第53-55页 |
4.2.3 离散小波变换 | 第55-56页 |
4.3 多分辨率分析 | 第56-57页 |
4.4 小波包分析 | 第57-59页 |
4.5 小波包去燥 | 第59-62页 |
4.5.1 小波包去噪原理 | 第59-61页 |
4.5.2 阈值处理方法 | 第61-62页 |
4.5.3 小波包去噪过程 | 第62页 |
4.6 小波包特征提取及仿真信号分析 | 第62-65页 |
4.7 本章小结 | 第65-68页 |
第5章 矿井通风机故障诊断实例 | 第68-74页 |
5.1 引言 | 第68页 |
5.2 轴流式通风机现况 | 第68页 |
5.3 时间序列故障预警 | 第68-70页 |
5.4 小波包故障诊断分析 | 第70-73页 |
5.4.1 AIC9900故障诊断系统 | 第70-72页 |
5.4.2 数据分析 | 第72-73页 |
5.4.3 诊断结果 | 第73页 |
5.5 本章小结 | 第73-74页 |
结论与展望 | 第74-76页 |
致谢 | 第76-78页 |
参考文献 | 第78-82页 |
作者简介 | 第82页 |
攻读硕士学位期间发表的论文和科研成果 | 第82-83页 |
发表的论文 | 第82页 |
参与的论文 | 第82页 |
科研成果 | 第82-83页 |