摘要 | 第4-6页 |
abstract | 第6-7页 |
第1章 绪论 | 第10-22页 |
1.1 课题来源 | 第10页 |
1.2 研究背景、目的和意义 | 第10-12页 |
1.3 相关领域国内外研究现状 | 第12-19页 |
1.3.1 故障诊断研究现状 | 第12-14页 |
1.3.2 故障预测研究现状 | 第14-16页 |
1.3.3 时间序列研究现状 | 第16-17页 |
1.3.4 复杂网络研究现状 | 第17-19页 |
1.4 论文主要内容及结构安排 | 第19-22页 |
1.4.1 主要研究内容 | 第19-20页 |
1.4.2 论文组织结构 | 第20-22页 |
第2章 基于复杂网络的单部件运行状态分析 | 第22-39页 |
2.1 复杂网络模型构建 | 第22-26页 |
2.1.1 数据粗粒化 | 第22-25页 |
2.1.2 构建复杂网络模型 | 第25-26页 |
2.2 复杂网络特征分析 | 第26-28页 |
2.2.1 度与度分布 | 第26页 |
2.2.2 介数中心度和聚类系数 | 第26-27页 |
2.2.3 平均路径长 | 第27-28页 |
2.3 立式辊磨机摇臂位移时序信号建网 | 第28-32页 |
2.3.1 立式辊磨机摇臂位移时序信号的网络构建 | 第28-30页 |
2.3.2 位移时序复杂网络特性分析 | 第30-32页 |
2.4 立式辊磨机摇臂运行状态分析实验 | 第32-38页 |
2.4.1 网络特征提取 | 第32-35页 |
2.4.2 算法性能分析 | 第35-38页 |
2.5 本章小结 | 第38-39页 |
第3章 基于复杂网络的单部件运行状态预测 | 第39-52页 |
3.1 可视图理论 | 第39-42页 |
3.1.1 局部可视图 | 第40-42页 |
3.2 链路预测 | 第42-45页 |
3.2.1 常用链路预测算法 | 第42-44页 |
3.2.2 SRW预测算法 | 第44-45页 |
3.3 基于网络的立式辊磨机摇臂运行状态预测算法 | 第45-46页 |
3.4 立式辊磨机摇臂运行状态预测分析实验 | 第46-51页 |
3.5 本章小结 | 第51-52页 |
第4章 基于复杂网络的系统级运行状态分析 | 第52-64页 |
4.1 磨盘磨辊子系统时序数据的非线性分析 | 第52-54页 |
4.1.1 非线性验证 | 第52-54页 |
4.2 基于复杂网络的非线性分析 | 第54-59页 |
4.2.1 递归图分析 | 第54-57页 |
4.2.2 递归复杂网络 | 第57-58页 |
4.2.3 递归复杂网络特征谱分析 | 第58-59页 |
4.3 磨盘磨辊子系统运行状态分析实验 | 第59-63页 |
4.3.1 递归参数的确定 | 第59-62页 |
4.3.2 基于谱密度的系统运行状态分析 | 第62-63页 |
4.4 本章小结 | 第63-64页 |
第5章 立式辊磨机运行状态监测管理系统的设计及实现 | 第64-71页 |
5.1 需求分析 | 第64页 |
5.2 系统总体设计 | 第64-66页 |
5.3 系统实现及验证 | 第66-70页 |
5.4 本章小结 | 第70-71页 |
第6章 总结与展望 | 第71-73页 |
6.1 全文工作总结 | 第71-72页 |
6.2 下一步工作展望 | 第72-73页 |
致谢 | 第73-74页 |
参考文献 | 第74-78页 |
攻读硕士学位期间的科研成果 | 第78页 |