| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 旋回式破碎机故障分析诊断研究现状 | 第12-14页 |
| 1.2.2 BP神经网络故障诊断模型的研究现状 | 第14-16页 |
| 1.2.3 现有研究存在的不足 | 第16页 |
| 1.3 课题研究内容及技术路线 | 第16-20页 |
| 1.3.1 课题研究内容 | 第16-18页 |
| 1.3.2 研究技术路线 | 第18-20页 |
| 2 旋回式破碎机原始数据采集及分析 | 第20-28页 |
| 2.1 旋回式破碎机基本原理 | 第20-21页 |
| 2.2 旋回式破碎机故障机理及故障特征提取 | 第21-23页 |
| 2.3 旋回式破碎机运行原始数据采集 | 第23-25页 |
| 2.4 旋回式破碎机故障诊断模型样本数据选取 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 3 BP神经网络的旋回式破碎机故障诊断基础模型 | 第28-40页 |
| 3.1 人工神经网络基本原理 | 第28-32页 |
| 3.1.1 神经网络原理 | 第28-29页 |
| 3.1.2 BP神经网络的学习算法 | 第29-32页 |
| 3.2 基于BP神经网络的旋回式破碎机故障诊断基础模型 | 第32-36页 |
| 3.2.1 基于BP神经网络的故障诊断原理 | 第32-33页 |
| 3.2.2 训练样本集 | 第33-34页 |
| 3.2.3 初始权值的设计 | 第34-35页 |
| 3.2.4 故障诊断网络的拓扑结构设计 | 第35-36页 |
| 3.2.5 BP神经网络训练 | 第36页 |
| 3.3 网络仿真模拟及测试 | 第36-37页 |
| 3.3.1 网络仿真模拟 | 第36页 |
| 3.3.2 网络性能测试 | 第36-37页 |
| 3.4 BP神经网络的训练方法及网络拓扑结构比选 | 第37页 |
| 3.4.1 BP神经网络算法对比 | 第37页 |
| 3.4.2 BP神经网络网络结构对比 | 第37页 |
| 3.5 本章小结 | 第37-40页 |
| 4 遗传-BP神经网络的旋回式破碎机故障诊断优化模型 | 第40-48页 |
| 4.1 遗传算法基本原理 | 第40-42页 |
| 4.2 遗传算法的运行流程 | 第42-44页 |
| 4.3 遗传优化BP神经网络 | 第44-45页 |
| 4.3.1 遗传算法与神经网络的异同 | 第44页 |
| 4.3.2 遗传优化BP神经网络的具体方案 | 第44-45页 |
| 4.4 遗传-BP神经网络旋回式破碎机故障诊断优化模型的具体流程 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 某矿山旋回式破碎机故障诊断及预警系统应用 | 第48-70页 |
| 5.1 遗传-BP神经网络的旋回式破碎机故障诊断应用 | 第48-61页 |
| 5.1.1 BP神经网络旋回式破碎机故障诊断基础模型 | 第48-58页 |
| 5.1.2 遗传-BP神经网络的旋回式破碎机故障诊断优化模型 | 第58页 |
| 5.1.3 结果分析 | 第58-61页 |
| 5.2 旋回式破碎机故障诊断模型故障预警应用 | 第61-63页 |
| 5.3 旋回式破碎机实时在线故障诊断及预警系统 | 第63-67页 |
| 5.3.1 功能设计 | 第63-65页 |
| 5.3.2 功能实现 | 第65-67页 |
| 5.4 本章小结 | 第67-70页 |
| 6 总结与展望 | 第70-74页 |
| 6.1 本文总结 | 第70-71页 |
| 6.2 本文展望 | 第71-74页 |
| 参考文献 | 第74-80页 |
| 攻读研究生期间取得的研究成果 | 第80-82页 |
| 致谢 | 第82页 |
