| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-16页 |
| ·引言 | 第9页 |
| ·研究目的及意义 | 第9-10页 |
| ·故障智能诊断技术发展历程及趋势 | 第10-11页 |
| ·矿井提升机故障诊断的研究现状及发展趋势 | 第11-14页 |
| ·矿机提升机故障诊断的研究现状 | 第12-13页 |
| ·矿井提升机故障诊断未来发展趋势 | 第13-14页 |
| ·本文的研究内容 | 第14-16页 |
| 第2章 矿井提升机故障机理分析及故障树的建立 | 第16-28页 |
| ·矿井提升系统的组成 | 第16页 |
| ·矿井提升机常见故障分析 | 第16-21页 |
| ·主轴装置 | 第16-18页 |
| ·减速器 | 第18-19页 |
| ·制动器和液压站 | 第19-20页 |
| ·联轴器 | 第20页 |
| ·微拖动装置 | 第20-21页 |
| ·故障树分析算法 | 第21-26页 |
| ·故障树特点 | 第22页 |
| ·故障树分析法的基础 | 第22-23页 |
| ·故障树的编制 | 第23页 |
| ·故障树的定性分析方法 | 第23-25页 |
| ·故障树定量分析 | 第25-26页 |
| ·基于 FTA 矿井提升机制动系统故障树的建立 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 支持向量机算法 | 第28-47页 |
| ·机器学习理论 | 第28-29页 |
| ·统计学习理论 | 第29-32页 |
| ·损失函数 | 第30页 |
| ·期望风险 | 第30-31页 |
| ·经验风险 | 第31页 |
| ·VC 维 | 第31页 |
| ·结构风险 | 第31-32页 |
| ·支持向量机 | 第32-39页 |
| ·最优分类超平面 | 第33-34页 |
| ·核函数 | 第34-35页 |
| ·多分类支持向量机 | 第35-39页 |
| ·支持向量机改进算法 | 第39-43页 |
| ·类间分离性测度 | 第39-40页 |
| ·层次聚类法 | 第40-41页 |
| ·DT-SVM 的基本思想及训练过程 | 第41-43页 |
| ·DT-SVM 的分类过程 | 第43页 |
| ·遗传算法决策树支持向量机 | 第43-46页 |
| ·遗传算法基本思想 | 第43-44页 |
| ·基于遗传算法决策树的构建 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 基于 GADT-SVM 在矿井提升机制动系统故障诊断中的应用 | 第47-58页 |
| ·矿井提升机制动系统工作原理 | 第47-49页 |
| ·故障诊断实验 | 第49-54页 |
| ·DT-SVM 和 GADT-SVM 算法故障诊断验证实验 | 第49-51页 |
| ·OVR-SVM、BT-SVM 和 GADT-SVM 三种算法故障诊断对比实验 | 第51-53页 |
| ·GADT-SVM 对单一故障诊断实验 | 第53-54页 |
| ·故障诊断流程 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 基于虚拟专用网的矿井提升机远程故障诊断系统 | 第58-67页 |
| ·远程诊断系统的必要性 | 第58-59页 |
| ·基于 VPN 的远程故障诊断系统 | 第59-64页 |
| ·VPN 服务器及客户端硬件的选型 | 第61页 |
| ·基于 Internet 网 VPN 虚拟专用网络的搭建 | 第61-64页 |
| ·工业试验情况 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| ·本文的总结 | 第67-68页 |
| ·论文存在的不足及展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间的研究成果 | 第74页 |
