大型轮槽铣床的在线监测与预警的研究
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第9-17页 |
1.1 课题的研究背景 | 第9-11页 |
1.1.1 课题的来源 | 第9页 |
1.1.2 研究的目的 | 第9页 |
1.1.3 研究的意义 | 第9-11页 |
1.2 国内外相关技术的研究现状 | 第11-16页 |
1.2.1 信号检出的研究现状 | 第11-12页 |
1.2.2 信号处理技术的研究现状 | 第12-14页 |
1.2.3 状态识别技术的研究现状 | 第14-15页 |
1.2.4 备状态监测的国内外研究成果 | 第15-16页 |
1.3 本文的主要研究内容 | 第16-17页 |
第2章 总体的研究方案 | 第17-28页 |
2.1 大型轮槽铣床故障的分析 | 第17-19页 |
2.1.1 转子分度不同步的故障 | 第17页 |
2.1.2 轮槽铣床立柱侧滑的故障 | 第17-18页 |
2.1.3 铣刀“打刀”的故障 | 第18-19页 |
2.2 故障解决方案 | 第19-25页 |
2.2.1 转子分度不同步的解决方案 | 第19-20页 |
2.2.2 轮槽铣床立柱侧滑的解决方案 | 第20-21页 |
2.2.3 铣刀“打刀”的解决方案 | 第21-25页 |
2.3 系统的总体结构 | 第25-27页 |
2.3.1 系统的总体构成 | 第25-26页 |
2.3.2 系统的体系结构 | 第26-27页 |
2.4 本章小结 | 第27-28页 |
第3章 在线监测与预警技术的研究 | 第28-46页 |
3.1 信号处理技术的研究 | 第28-36页 |
3.1.1 信号的滤波技术 | 第28-29页 |
3.1.2 信号的时域分析 | 第29-30页 |
3.1.3 信号的频域分析 | 第30-31页 |
3.1.4 信号的小波分析 | 第31-36页 |
3.2 数据融合技术的研究 | 第36-44页 |
3.2.1 数据融合的类型和方法 | 第36-37页 |
3.2.2 神经网络数据融合技术 | 第37-44页 |
3.3 数据的存储 | 第44-45页 |
3.3.1 数据的存储方法 | 第44页 |
3.3.2 ZIP 数据压缩算法 | 第44-45页 |
3.4 本章小结 | 第45-46页 |
第4章 轮槽铣床的故障特征与识别技术的研究 | 第46-56页 |
4.1 轮槽铣床的故障信号类型 | 第46页 |
4.2 轮槽铣床的故障特征分析 | 第46-50页 |
4.2.1 电流和温度信号的特征分析 | 第46-48页 |
4.2.2 振动信号的特征分析 | 第48-50页 |
4.3 轮槽铣床故障识别技术的研究 | 第50-55页 |
4.3.1 BP 人工神经网络的应用研究 | 第50-53页 |
4.3.2 RBF 径向基神经网络的应用研究 | 第53-54页 |
4.3.3 两种识别算法的应用比较 | 第54-55页 |
4.4 本章小结 | 第55-56页 |
第5章 系统的实现 | 第56-69页 |
5.1 硬件部分的实现 | 第56-60页 |
5.1.1 传感器的选择 | 第56-58页 |
5.1.2 数据采集卡及端子板的选择 | 第58-59页 |
5.1.3 硬件的安装和调试 | 第59-60页 |
5.2 软件部分的开发实现 | 第60-68页 |
5.2.1 转子分度监测与预警系统的实现 | 第61页 |
5.2.2 铣刀磨损监测与预警系统的实现 | 第61-68页 |
5.3 本章小结 | 第68-69页 |
结论 | 第69-70页 |
参考文献 | 第70-75页 |
致谢 | 第75页 |