| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 引言 | 第13-27页 |
| 1.1 课题来源 | 第13页 |
| 1.2 课题背景 | 第13-15页 |
| 1.3 多种网络拓扑故障诊断基本理论 | 第15-18页 |
| 1.3.1 基于BP神经网络的故障诊断原理 | 第15-17页 |
| 1.3.2 基于动态故障树的故障诊断原理 | 第17页 |
| 1.3.3 基于故障Petri网的故障诊断原理 | 第17-18页 |
| 1.4 国内外研究现状综述 | 第18-21页 |
| 1.4.1 悬臂式掘进机故障诊断国内外研究现状 | 第18-19页 |
| 1.4.2 基于BP神经网络的故障诊断国内外研究现状 | 第19-20页 |
| 1.4.3 动态故障树的国内外研究现状 | 第20-21页 |
| 1.4.4 故障Petri网的国内外研究现状 | 第21页 |
| 1.4.5 国内外研究现状总结 | 第21页 |
| 1.5 问题提出 | 第21-23页 |
| 1.6 研究目标及意义 | 第23-24页 |
| 1.6.1 研究目标 | 第23页 |
| 1.6.2 研究意义 | 第23-24页 |
| 1.7 研究内容及技术路线 | 第24-26页 |
| 1.7.1 研究内容 | 第24-25页 |
| 1.7.2 研究技术路线 | 第25-26页 |
| 1.8 本章小结 | 第26-27页 |
| 2 基于BP神经网络的掘进机故障诊断研究 | 第27-49页 |
| 2.1 BP神经网络概述 | 第27-30页 |
| 2.1.1 BP网络的参数设计 | 第28-29页 |
| 2.1.2 BP神经网络的优势 | 第29页 |
| 2.1.3 BP算法的局限与改进 | 第29-30页 |
| 2.2 掘进机截割部状态特征向量的提取 | 第30-35页 |
| 2.2.1 振动信号特征值的选取 | 第30-33页 |
| 2.2.2 截割电机特征值的选取 | 第33-34页 |
| 2.2.3 样本数据的采集与分类 | 第34页 |
| 2.2.4 故障模拟数据选取 | 第34-35页 |
| 2.3 基于BP神经网络的掘进机截割部故障诊断应用实例 | 第35-39页 |
| 2.3.1 掘进机截割部BP神经网络的构建 | 第35-37页 |
| 2.3.2 测试结果 | 第37-39页 |
| 2.4 掘进机回转台BP神经网络的构建 | 第39-41页 |
| 2.4.1 特征向量的选取 | 第39页 |
| 2.4.2 数据处理 | 第39-40页 |
| 2.4.3 初始参数选取 | 第40-41页 |
| 2.4.4 测试结果分析 | 第41页 |
| 2.4.5 小结 | 第41页 |
| 2.5 PSO算法概述 | 第41-47页 |
| 2.5.1 PSO算法 | 第42页 |
| 2.5.2 PSO算法的参数及流程 | 第42-43页 |
| 2.5.3 算法测试 | 第43-47页 |
| 2.6 本章小结 | 第47-49页 |
| 3 故障树诊断理论建模研究 | 第49-91页 |
| 3.1 故障树基本理论 | 第49-56页 |
| 3.1.1 故障树基本属性介绍 | 第49-52页 |
| 3.1.2 故障树的定性分析 | 第52-53页 |
| 3.1.3 故障树的定量分析 | 第53-54页 |
| 3.1.4 BDD分析法 | 第54-56页 |
| 3.2 掘进机故障树的建立 | 第56-64页 |
| 3.2.1 EBZ-160 型掘进机故障树建立 | 第56-61页 |
| 3.2.2 故障树模块化处理 | 第61-64页 |
| 3.3 基于层次分析法的故障概率获取方法 | 第64-75页 |
| 3.3.1 层次分析法步骤 | 第64-65页 |
| 3.3.2 比较概率值的获取 | 第65-75页 |
| 3.4 故障树的定量分析 | 第75-90页 |
| 3.4.1 故障树G1模块的分析 | 第75-79页 |
| 3.4.2 故障树G2模块的分析法 | 第79-84页 |
| 3.4.3 故障树G3模块求解 | 第84-86页 |
| 3.4.4 故障树G4模块分析 | 第86-90页 |
| 3.5 本章小结 | 第90-91页 |
| 4 基于故障PETRI网的掘进机故障诊断研究 | 第91-101页 |
| 4.1 PETRI网原理 | 第91-92页 |
| 4.2 故障PETRI网定义及建模 | 第92-94页 |
| 4.2.1 故障Petri网原理 | 第92-93页 |
| 4.2.2 故障Petri网建模 | 第93-94页 |
| 4.3 故障PETRI网诊断推理 | 第94-96页 |
| 4.3.1 关联矩阵 | 第94-95页 |
| 4.3.2 状态方程 | 第95-96页 |
| 4.4 掘进机诊断推理实例 | 第96-99页 |
| 4.5 小结 | 第99-101页 |
| 5 复合网络拓扑结构的掘进机故障诊断研究 | 第101-121页 |
| 5.1 故障树的PETRI网优化算法 | 第101-110页 |
| 5.1.1 Petri网在故障诊断中的应用 | 第101-103页 |
| 5.1.2 故障树模型与Petri网模型的转换 | 第103-104页 |
| 5.1.3 Petri网的故障树最小割集求取方法 | 第104-110页 |
| 5.2 PSO算法与BP神经网络结合 | 第110-120页 |
| 5.2.1 与BP网络结合的原因及优势 | 第110页 |
| 5.2.2 与BP网络结合的方法 | 第110-111页 |
| 5.2.3 基于PSO-BP神经网络应用的实测数据分析 | 第111-113页 |
| 5.2.4 PSO-BP网络与BP网络性能比较 | 第113-120页 |
| 5.2.5 小结 | 第120页 |
| 5.3 本章小结 | 第120-121页 |
| 6 结论与展望 | 第121-123页 |
| 6.1 主要研究工作 | 第121-122页 |
| 6.2 创新点 | 第122页 |
| 6.3 展望 | 第122-123页 |
| 参考文献 | 第123-129页 |
| 致谢 | 第129-131页 |
| 作者简介 | 第131页 |
| 在学期间发表的学术论文 | 第131页 |
| 在学期间参加科研项目 | 第131页 |
