基于采煤机虚拟样机的摇臂故障诊断系统研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-16页 |
| 1.1 机械设备故障特性及诊断的研究概况 | 第9-12页 |
| 1.2 采煤机故障诊断的国内外研究现状 | 第12-14页 |
| 1.3 论文研究意义及主要内容 | 第14-16页 |
| 1.3.1 论文研究意义 | 第14页 |
| 1.3.2 本文主要研究内容 | 第14-16页 |
| 2 采煤机截割部虚拟样机实验及信号采集 | 第16-40页 |
| 2.1 基于虚拟样机的故障仿真技术 | 第16-18页 |
| 2.1.1 虚拟样机故障仿真技术 | 第16-18页 |
| 2.1.2 虚拟样机模型简化条件 | 第18页 |
| 2.2 Proe中的采煤机三维建模 | 第18-26页 |
| 2.2.1 采煤机介绍 | 第18-19页 |
| 2.2.2 ProE中模型建立 | 第19-25页 |
| 2.2.3 采煤机摇臂模型装配 | 第25-26页 |
| 2.3 基于adams的虚拟样机实验 | 第26-37页 |
| 2.3.1 刚体模型建立 | 第26-32页 |
| 2.3.2 柔性体模型建立 | 第32-34页 |
| 2.3.3 虚拟样机仿真 | 第34-37页 |
| 2.3.4 数据采集 | 第37页 |
| 2.4 仿真结果分析 | 第37-38页 |
| 2.5 本章小结 | 第38-40页 |
| 3 故障信号的特征提取与分析 | 第40-52页 |
| 3.1 振动信号时域分析 | 第40-42页 |
| 3.2 振动信号特征提取方法 | 第42-46页 |
| 3.2.1 短时傅里叶分解法 | 第43-44页 |
| 3.2.2 小波分解法 | 第44-45页 |
| 3.2.3 小波包分解法 | 第45-46页 |
| 3.3 数据处理 | 第46-51页 |
| 3.3.1 数据小波包分解 | 第46-50页 |
| 3.3.2 数据能量值 | 第50-51页 |
| 3.4 本章小结 | 第51-52页 |
| 4 采煤机摇臂故障诊断神经网络的建立 | 第52-67页 |
| 4.1 Elman神经网络概述 | 第52-53页 |
| 4.2 神经网络建立及训练 | 第53-62页 |
| 4.2.1 构建神经网络输入向量 | 第54-57页 |
| 4.2.2 针对滚筒载荷分类的神经网络建立 | 第57-58页 |
| 4.2.3 针对故障工况分类的神经网络建立 | 第58-62页 |
| 4.3 实例计算及结果比较 | 第62-65页 |
| 4.3.1 实例计算 | 第62-64页 |
| 4.3.2 结果对比 | 第64-65页 |
| 4.4 本章小节 | 第65-67页 |
| 5 结论与展望 | 第67-69页 |
| 5.1 结论 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 附录A:虚拟样机实验数据 | 第73-77页 |
| 作者简历 | 第77-79页 |
| 学位论文数据集 | 第79页 |
