| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-24页 |
| ·课题的来源与背景 | 第12-14页 |
| ·监状态测及故障诊断系统在提高设备可靠性方面的应用 | 第14页 |
| ·全断面掘进机简介 | 第14-18页 |
| ·主要子系统和功能介绍 | 第15-16页 |
| ·全断面掘进机工作原理 | 第16-17页 |
| ·全断面掘进机优势 | 第17-18页 |
| ·全断面掘进机状态监测研究现状 | 第18-21页 |
| ·国内研究现状 | 第19-20页 |
| ·国外研究现状 | 第20-21页 |
| ·本课题研究内容和研究意义 | 第21-24页 |
| ·本课题研究内容 | 第21-22页 |
| ·本课题研究意义 | 第22-24页 |
| 第2章 基于虚拟仪器的全断面掘进机状态监测方案确立 | 第24-40页 |
| ·虚拟仪器概述 | 第24-25页 |
| ·虚拟仪器简介 | 第24页 |
| ·虚拟仪器优势 | 第24-25页 |
| ·全断面掘进机状态监测系统组成 | 第25-33页 |
| ·系统硬件组成 | 第26-32页 |
| ·系统软件组成 | 第32-33页 |
| ·监测对象和测点的选择 | 第33-35页 |
| ·监测对象的选择 | 第33-35页 |
| ·测点的选择 | 第35页 |
| ·状态监测方法的确立 | 第35-36页 |
| ·全断面掘进机状态监测模块设计 | 第36-40页 |
| 第3章 基于小波包算法的能量特征向量提取 | 第40-54页 |
| ·小波变换 | 第41-45页 |
| ·连续小波变换 | 第41-42页 |
| ·离散小波变换 | 第42-43页 |
| ·多分辨率分析与Mallat算法 | 第43-45页 |
| ·小波包算法 | 第45-48页 |
| ·小波包算法 | 第46-47页 |
| ·小波包算法优越性 | 第47-48页 |
| ·小波包算法的能量特征向量的提取 | 第48-54页 |
| ·小波包能量向量构造算法 | 第48-49页 |
| ·应用算例分析 | 第49-54页 |
| 第4章 全断面掘进机故障诊断方案的建立 | 第54-74页 |
| ·智能故障诊断常用算法概述 | 第54-55页 |
| ·人工神经网络 | 第55-60页 |
| ·人工神经网络原理 | 第56-57页 |
| ·人工神经网络特点 | 第57-58页 |
| ·人工神经网络学习方式 | 第58-60页 |
| ·BP神经网络算法在故障诊断中的应用 | 第60-67页 |
| ·BP神经网络 | 第60页 |
| ·BP神经网络学习算法 | 第60-65页 |
| ·BP学习算法实例 | 第65-67页 |
| ·二次学习影响系数加权算法 | 第67-74页 |
| ·算法原理 | 第68-69页 |
| ·二次加权算法实例 | 第69-74页 |
| 第5章 全断面掘进机状态监测及故障诊断系统开发 | 第74-90页 |
| ·系统的功能目标 | 第74页 |
| ·基于LabVIEW的全断面掘进机状态监测与故障诊断系统总体设计 | 第74-78页 |
| ·LabVIEW简介 | 第74-75页 |
| ·LabVIEW特点 | 第75-76页 |
| ·LabVIEW的应用 | 第76页 |
| ·总体设计 | 第76-78页 |
| ·运行实例 | 第78-90页 |
| ·状态监测运行实例 | 第79-83页 |
| ·故障诊断运行实例 | 第83-87页 |
| ·远程通讯 | 第87-90页 |
| 第6章 结论与建议 | 第90-92页 |
| ·结论 | 第90页 |
| ·建议 | 第90-92页 |
| 参考文献 | 第92-98页 |
| 致谢 | 第98页 |
