| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第8-16页 |
| 1.1 采煤机液压系统故障诊断的研究背景及意义 | 第8-10页 |
| 1.2 采煤机液压系统故障诊断的国内外研究现状 | 第10-12页 |
| 1.2.1 采煤机液压系统故障诊断国外研究现状 | 第10-11页 |
| 1.2.2 采煤机液压系统故障诊断国内研究现状 | 第11-12页 |
| 1.3 采煤机液压系统常用的故障诊断方法 | 第12-13页 |
| 1.4 数据融合技术的发展与应用 | 第13页 |
| 1.5 采煤机液压系统故障诊断中应用数据融合的意义 | 第13-14页 |
| 1.6 本课题的来源及结构安排 | 第14-16页 |
| 2 采煤机液压系统常见故障分析与数据融合理论 | 第16-25页 |
| 2.1 采煤机简介 | 第16-17页 |
| 2.2 采煤机液压系统故障分类 | 第17-20页 |
| 2.2.1 液压泵故障 | 第18页 |
| 2.2.2 液压系统泵站电动机故障 | 第18-19页 |
| 2.2.3 液压制动器故障 | 第19-20页 |
| 2.3 数据融合基本理论 | 第20-24页 |
| 2.3.1 数据融合的层次 | 第20-22页 |
| 2.3.2 数据融合的结构模型 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于GA-BP神经网络的数据融合故障诊断方法 | 第25-35页 |
| 3.1 基于BP神经网络的故障诊断 | 第25-30页 |
| 3.1.1 BP神经网络的结构 | 第25-28页 |
| 3.1.2 实例分析 | 第28-30页 |
| 3.2 基于遗传算法优化的BP神经网络故障诊断 | 第30-34页 |
| 3.2.1 遗传算法的介绍 | 第30-33页 |
| 3.2.2 实例分析 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4 基于D-S证据理论的数据融合故障诊断方法 | 第35-42页 |
| 4.1 D-S证据理论基本概念 | 第35-36页 |
| 4.2 证据理论合成规则 | 第36-38页 |
| 4.2.1 D-S组合规则 | 第37页 |
| 4.2.2 Yager组合规则 | 第37页 |
| 4.2.3 加权平均法 | 第37-38页 |
| 4.3 决策规则 | 第38页 |
| 4.4 D-S证据理论算法步骤 | 第38-39页 |
| 4.5 实例分析 | 第39-41页 |
| 4.6 本章小结 | 第41-42页 |
| 5 基于GA-BP和D-S证据理论相结合的采煤机液压系统故障诊断 | 第42-56页 |
| 5.1 常见的采煤机液压系统故障诊断参数 | 第42-45页 |
| 5.2 基于数据融合的故障诊断模型 | 第45-47页 |
| 5.3 数据融合故障诊断方法 | 第47-55页 |
| 5.3.1 基于GA-BP的液压系统故障诊断特征级数据融合 | 第49-53页 |
| 5.3.2 基于D-S证据理论的液压系统故障诊断决策级数据融合 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 结论与展望 | 第56-58页 |
| 6.1 论文总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |
