摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
目录 | 第7-10页 |
CONTENTS | 第10-13页 |
第一章 绪论 | 第13-24页 |
1.1 课题背景及研究意义 | 第13-14页 |
1.2 机械故障诊断概述及其主要技术手段 | 第14-18页 |
1.2.1 机械故障诊断概述 | 第14-16页 |
1.2.2 机械故障诊断的主要技术手段 | 第16-18页 |
1.3 国内外机械故障诊断技术的发展与研究现状 | 第18-21页 |
1.3.1 机械故障诊断的四个发展阶段 | 第18-19页 |
1.3.2 机械故障诊断的国内外发展现状 | 第19-21页 |
1.4 机械压力机故障诊断的研究状况 | 第21-22页 |
1.5 本课题的来源、研究目标、主要内容 | 第22-24页 |
1.5.1 课题来源 | 第22页 |
1.5.2 研究目标 | 第22页 |
1.5.3 本文的主要内容 | 第22-24页 |
第二章 振动信号采集及分析技术理论基础 | 第24-32页 |
2.1 振动信号采集技术 | 第24-25页 |
2.1.1 数据采集的基本原理 | 第24-25页 |
2.1.2 振动信号采集系统组成 | 第25页 |
2.2 故障诊断的信号分析与处理技术 | 第25-31页 |
2.2.1 信号预处理 | 第25-26页 |
2.2.2 时域分析 | 第26-28页 |
2.2.3 频率分析 | 第28-30页 |
2.3.4 倒频谱分析 | 第30-31页 |
2.3 小结 | 第31-32页 |
第三章 机械压力机及其典型零部件故障振动分析 | 第32-40页 |
3.1 机械压力机结构与工作原理 | 第32-33页 |
3.2 机械压力机典型零部件故障的振动诊断 | 第33-38页 |
3.2.1 曲柄滑块机构的故障诊断 | 第33-35页 |
3.2.2 滑动轴承松动的故障诊断 | 第35-36页 |
3.2.3 齿轮的故障诊断 | 第36-38页 |
3.3 机械压力机常见故障的解决办法 | 第38-39页 |
3.4 小结 | 第39-40页 |
第四章 智能故障诊断的BP神经网络模型建立 | 第40-46页 |
4.1 人工神经网络(ANN)概述 | 第40页 |
4.2 BP神经网络模型及其算法原理 | 第40-42页 |
4.2.1 BP神经网络结构 | 第40-41页 |
4.2.2 BP神经网络的学习算法 | 第41-42页 |
4.3 机械压力机故障诊断的BP神经网络设计 | 第42-44页 |
4.3.1 确定神经网络的输入输出 | 第42-43页 |
4.3.2 网络参数的选择 | 第43页 |
4.3.3 网络建模的C | 第43-44页 |
4.4 BP神经网络应用于JB23型可倾压力机的诊断分析 | 第44-45页 |
4.5 小结 | 第45-46页 |
第五章 机械压力机故障诊断系统软件的设计 | 第46-72页 |
5.1 开发语言及开发工具介绍 | 第46页 |
5.2 软件的总体设计 | 第46-69页 |
5.2.1 需求分析 | 第46-47页 |
5.2.2 系统物理架构 | 第47-48页 |
5.2.3 系统功能结构 | 第48-49页 |
5.2.4 系统总体处理流程 | 第49-50页 |
5.2.5 系统主要子模块的设计 | 第50-61页 |
5.2.6 系统数据库表设计 | 第61-69页 |
5.3 程序设计中的几个关键技术 | 第69-71页 |
5.3.1 快速傅里叶变换FFT的C | 第69页 |
5.3.2 神经网络的c | 第69-71页 |
5.4 小结 | 第71-72页 |
第六章 机械压力机的现场振动测试及故障分析 | 第72-85页 |
6.1 现场振动测试对象 | 第72-73页 |
6.1.1 JB23-6.3开式可倾压力机简介 | 第72-73页 |
6.1.2 压力机传动系统振动特征频率的计算 | 第73页 |
6.2 现场振动测试系统组成 | 第73-74页 |
6.3 故障诊断案例分析 | 第74-84页 |
6.3.1 诊断前的准备工作 | 第74-75页 |
6.3.2 压力机的故障诊断 | 第75-84页 |
6.4 小结 | 第84-85页 |
结论与展望 | 第85-86页 |
参考文献 | 第86-91页 |
攻读硕士学位期间发表的论文 | 第91-93页 |
致谢 | 第93-94页 |
附录 | 第94-96页 |