| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 选题背景及研究意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 故障诊断的意义 | 第12-13页 |
| 1.2 国内外研究现状及发展趋势 | 第13-15页 |
| 1.2.1 矿井通风系统方面的发展 | 第13页 |
| 1.2.2 状态监测与故障诊断的发展 | 第13-14页 |
| 1.2.3 时间序列数据挖掘（TSDM）方法的发展 | 第14页 |
| 1.2.4 盲源分离方面的发展 | 第14-15页 |
| 1.3 本课题主要内容及技术路线 | 第15-17页 |
| 1.3.1 主要内容 | 第15-16页 |
| 1.3.2 技术路线图 | 第16-17页 |
| 1.4 本章小结 | 第17-19页 |
| 第2章 矿井通风机系统故障诊断特点分析 | 第19-29页 |
| 2.1 引言 | 第19-23页 |
| 2.1.1 通风系统概述 | 第19-20页 |
| 2.1.2 通风机监测系统 | 第20页 |
| 2.1.3 通风机的分类及特点 | 第20-22页 |
| 2.1.4 传感器的选型及布局 | 第22-23页 |
| 2.2 故障诊断特点分析 | 第23-25页 |
| 2.2.1 通风机故障特点 | 第23页 |
| 2.2.2 通风机运行中的故障及原因分析 | 第23-25页 |
| 2.3 通风机故障诊断方法 | 第25-28页 |
| 2.3.1 基于信号处理的故障诊断 | 第25-27页 |
| 2.3.2 基于模型的故障诊断 | 第27页 |
| 2.3.3 基于人工智能的故障诊断 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于时间序列的故障预测 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 时间序列模型 | 第30-33页 |
| 3.2.1 常见模型 | 第30页 |
| 3.2.2 常见模型状态空间的建立 | 第30-33页 |
| 3.3 时间序列的信号处理 | 第33-36页 |
| 3.3.1 时间序列的变动趋势 | 第34-36页 |
| 3.4 时间序列预测 | 第36-39页 |
| 3.4.1 MATLAB动态神经网络 | 第36-37页 |
| 3.4.2 基于MATLAB动态神经网络的时间序列预测研究 | 第37-39页 |
| 3.5 报警系统 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于盲源分离的故障诊断方法 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 盲源分离的数学理论 | 第41-44页 |
| 4.2.1 盲源分离的模型 | 第41-43页 |
| 4.2.2 盲源分离的预处理方法 | 第43-44页 |
| 4.3 盲源分离算法 | 第44-47页 |
| 4.3.1 盲源分离的算法评价指标 | 第44-45页 |
| 4.3.2 基于Fast ICA的盲源分离算法 | 第45-46页 |
| 4.3.3 时间序列预测--Fast ICA算法提取风机轴承的故障特征 | 第46-47页 |
| 4.4 仿真研究 | 第47-53页 |
| 4.4.1 实验仿真 | 第47-50页 |
| 4.4.2 基于Fast ICA算法提取风机轴承信号的研究 | 第50-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 风机故障诊断 | 第55-69页 |
| 5.1 常见风机故障诊断 | 第55-59页 |
| 5.1.1 转子不平衡的诊断 | 第55-56页 |
| 5.1.2 转子的不对中的诊断 | 第56-57页 |
| 5.1.3 转子系统松动故障诊断 | 第57-58页 |
| 5.1.4 轴承故障诊断 | 第58-59页 |
| 5.2 轴流风机监测故障诊断报告 | 第59-68页 |
| 5.2.1 设备基本情况 | 第59-61页 |
| 5.2.2 实验设计 | 第61-62页 |
| 5.2.3 实验数据分析 | 第62-68页 |
| 5.2.4 诊断结果 | 第68页 |
| 5.3 本章小结 | 第68-69页 |
| 结论与展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 作者简介 | 第74页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第74-75页 |
