| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景与意义 | 第9页 |
| 1.2 课题国内外研究现状 | 第9-11页 |
| 1.2.1 采煤机技术发展现状比较 | 第9页 |
| 1.2.2 采煤机故障诊断研究现状 | 第9-11页 |
| 1.3 神经网络概述 | 第11-14页 |
| 1.3.1 神经网络定义 | 第11页 |
| 1.3.2 神经网络发展历史 | 第11-12页 |
| 1.3.3 神经网络的内容 | 第12-14页 |
| 1.4 本文主要研究内容 | 第14-15页 |
| 第二章 采煤机结构及常见故障 | 第15-27页 |
| 2.1 采煤机概述 | 第15-17页 |
| 2.2 滚筒式采煤机结构 | 第17-24页 |
| 2.2.1 滚筒式采煤机的组成 | 第17-18页 |
| 2.2.2 截割部 | 第18-21页 |
| 2.2.3 牵引部 | 第21-24页 |
| 2.3 采煤机常见故障 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于神经网络的采煤机故障诊断 | 第27-42页 |
| 3.1 概述 | 第27-29页 |
| 3.1.1 采煤机故障诊断BP网络-误差反向传播网络 | 第27页 |
| 3.1.2 采煤机故障诊断ART网络-自适应共振理论网络 | 第27-28页 |
| 3.1.3 采煤机故障诊断RBF网络-径向基函数网络 | 第28-29页 |
| 3.2 采煤机故障诊断神经网络算法 | 第29-31页 |
| 3.2.1 SLFNs的逼近问题 | 第29页 |
| 3.2.2 关于梯度的算法 | 第29-30页 |
| 3.2.3 SLFNs最小范数最小二乘解 | 第30-31页 |
| 3.3 基于神经网络的采煤机故障诊断系统总体结构 | 第31-32页 |
| 3.4 采煤机故障诊断BP网络模型训练算法及步骤 | 第32-34页 |
| 3.5 采煤机故障诊断BP神经网络仿真 | 第34-41页 |
| 3.5.1 获取样本数据的实验系统 | 第34页 |
| 3.5.2 特征参数的选取 | 第34-35页 |
| 3.5.3 采煤机故障诊断BP神经子网络模型建立 | 第35-36页 |
| 3.5.4 采煤机故障诊断BP神经子网络仿真研究 | 第36-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于混合智能算法的采煤机故障诊断 | 第42-59页 |
| 4.1 概述 | 第42页 |
| 4.2 专家系统总体结构 | 第42-43页 |
| 4.3 模糊神经网络 | 第43-48页 |
| 4.3.1 概述 | 第43-44页 |
| 4.3.2 模糊逻辑 | 第44-45页 |
| 4.3.3 模糊联想记忆 | 第45-46页 |
| 4.3.4 神经模糊推理系统 | 第46-48页 |
| 4.4 建立采煤机液压牵引装置故障诊断样本 | 第48-49页 |
| 4.5 应用自适应学习率BP算法进行采煤机故障诊断 | 第49-52页 |
| 4.6 应用模糊模块化BP网络进行采煤机故障诊断 | 第52-57页 |
| 4.7 自适应BP网络和模糊模块化BP网络结果分析和比较 | 第57页 |
| 4.8 本章小结 | 第57-59页 |
| 第五章 结论与展望 | 第59-60页 |
| 5.1 结论 | 第59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-63页 |
| 作者简介 | 第63页 |
