| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题概况 | 第11-12页 |
| 1.1.1 课题来源 | 第11页 |
| 1.1.2 课题的研究背景及意义 | 第11-12页 |
| 1.2 课题相关技术研究现状 | 第12-16页 |
| 1.2.1 钢丝绳张力特性的研究现状 | 第12-14页 |
| 1.2.2 钢丝绳张力故障诊断系统研究现状 | 第14-16页 |
| 1.3 本文研究内容与研究路线 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 研究路线 | 第17-18页 |
| 第二章 提升钢丝绳张力特性研究及实验验证 | 第18-41页 |
| 2.1 提升钢丝绳横纵耦合动力学模型建立 | 第18-21页 |
| 2.2 提升钢丝绳耦合动力学模型求解 | 第21-27页 |
| 2.2.1 提升钢丝绳纵向振动方程求解 | 第21-24页 |
| 2.2.2 提升钢丝绳横向振动方程求解 | 第24-27页 |
| 2.3 提升钢丝绳横-纵耦合动力学特性分析 | 第27-30页 |
| 2.4 提升钢丝绳张力特性分析 | 第30-32页 |
| 2.5 提升钢丝绳张力实验验证 | 第32-40页 |
| 2.5.1 矿井参数 | 第32-33页 |
| 2.5.2 实验方案 | 第33-36页 |
| 2.5.3 结果对比分析 | 第36-40页 |
| 2.6 本章小结 | 第40-41页 |
| 第三章 基于钢丝绳张力典型故障案例分析 | 第41-51页 |
| 3.1 基于钢丝绳张力的提升机故障树分析 | 第41-42页 |
| 3.2 卡罐发生时仿真分析 | 第42-45页 |
| 3.2.1 卡罐故障分析 | 第42-43页 |
| 3.2.2 张力特性 | 第43-45页 |
| 3.3 过卷发生时仿真分析 | 第45-48页 |
| 3.3.1 过卷故障分析 | 第45页 |
| 3.3.2 张力特性 | 第45-48页 |
| 3.4 钢丝绳打滑发生时仿真分析 | 第48-50页 |
| 3.4.1 钢丝绳打滑故障分析 | 第48-49页 |
| 3.4.2 张力特性 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于钢丝绳张力的智能诊断算法研究 | 第51-67页 |
| 4.1 基于RBF-BP组合神经网络的钢丝绳张力智能诊断 | 第51-55页 |
| 4.1.1 RBF-BP组合神经网络基础知识 | 第51-53页 |
| 4.1.2 RBF-BP组合神经网络结果预测 | 第53-55页 |
| 4.2 基于LS-SVM的钢丝绳张力智能诊断 | 第55-60页 |
| 4.2.1 LS-SVM基础知识 | 第55-57页 |
| 4.2.2 LS-SVM与RBF-BP组合神经网络结果预测对比分析 | 第57-60页 |
| 4.3 人工蜂群算法优化LS-SVM | 第60-66页 |
| 4.3.1 人工蜂群算法原理及流程 | 第60-62页 |
| 4.3.2 ABC-LSSVM结果预测分析 | 第62-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 基于LABVIEW的钢丝绳张力故障诊断系统实现 | 第67-89页 |
| 5.1 LABVIEW系统结构组成 | 第67-68页 |
| 5.2 LABVIEW系统程序 | 第68-83页 |
| 5.2.1 数据采集程序 | 第70-72页 |
| 5.2.2 智能诊断算法程序 | 第72-78页 |
| 5.2.3 报警及报警数据处理程序 | 第78-80页 |
| 5.2.4 网络监测与Web远程监控 | 第80-83页 |
| 5.3 其他功能程序实现 | 第83-87页 |
| 5.3.1 数据存储程序 | 第83-84页 |
| 5.3.2 历史数据查询程序 | 第84-86页 |
| 5.3.3 磁盘管理程序 | 第86-87页 |
| 5.4 本章小结 | 第87-89页 |
| 第六章 结论与展望 | 第89-91页 |
| 6.1 结论 | 第89-90页 |
| 6.2 展望 | 第90-91页 |
| 参考文献 | 第91-97页 |
| 致谢 | 第97-99页 |
| 攻读硕士期间发表的学术论文 | 第99页 |
