| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 符号说明 | 第17-18页 |
| 第一篇 智能点巡检系统开发 | 第18-60页 |
| 第一章 绪论 | 第18-24页 |
| 1.1 前言 | 第18-19页 |
| 1.2 国内外现状 | 第19-21页 |
| 1.2.1 国内现状 | 第19-20页 |
| 1.2.2 国外现状 | 第20-21页 |
| 1.3 论文研究主要内容 | 第21-24页 |
| 第二章 系统功能需求分析 | 第24-30页 |
| 2.1 设备点巡检制度 | 第24页 |
| 2.2 我国企业设备管理现状 | 第24-26页 |
| 2.2.1 在线监测系统 | 第24-25页 |
| 2.2.2 离线式点巡检系统 | 第25-26页 |
| 2.3 功能需求分析 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 点巡检系统框架构建 | 第30-46页 |
| 3.1 网络框架构建 | 第30-33页 |
| 3.1.1 几种数据传输方式的介绍 | 第30-31页 |
| 3.1.2 网络类型的选择 | 第31-32页 |
| 3.1.3 点巡检系统网络模式 | 第32-33页 |
| 3.2 点巡检系统结构选择 | 第33-35页 |
| 3.2.1 C/S结构和B/S结构 | 第33-35页 |
| 3.2.2 点巡检系统结构确定 | 第35页 |
| 3.3 数据库总体设计 | 第35-39页 |
| 3.3.1 数据库类型选择 | 第35-36页 |
| 3.3.2 数据库结构设计 | 第36-39页 |
| 3.4 系统软件总体构思 | 第39-44页 |
| 3.4.1 系统功能模块 | 第39-40页 |
| 3.4.2 点巡检系统流程 | 第40-41页 |
| 3.4.3 系统开发语言选择 | 第41-42页 |
| 3.4.4 系统开发平台选择 | 第42-43页 |
| 3.4.5 系统软件开发模式 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 智能点巡检系统实现 | 第46-58页 |
| 4.1 服务器配置 | 第46-47页 |
| 4.2 数据库访问 | 第47页 |
| 4.3 ActiveX组件封装 | 第47-49页 |
| 4.4 C/S结构功能界面 | 第49-56页 |
| 4.4.1 登录权限设定 | 第49-50页 |
| 4.4.2 系统主体界面 | 第50-51页 |
| 4.4.3 信息维护、查询及分析 | 第51-55页 |
| 4.4.4 故障诊断辅助 | 第55-56页 |
| 4.5 B/S结构界面简介 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 第二篇 散热风扇状态监测智能方法研究 | 第60-106页 |
| 第一章 绪论 | 第60-64页 |
| 1.1 课题背景及意义 | 第60页 |
| 1.2 国内外研究现状 | 第60-62页 |
| 1.2.1 故障诊断 | 第61页 |
| 1.2.2 寿命预测 | 第61-62页 |
| 1.3 本课题主要研究内容 | 第62-64页 |
| 第二章 风冷实验介绍 | 第64-70页 |
| 2.1 散热风扇介绍 | 第64-66页 |
| 2.1.1 风扇结构 | 第64页 |
| 2.1.2 风扇主要故障形式 | 第64-66页 |
| 2.2 实验介绍 | 第66-67页 |
| 2.3 风扇数据采集 | 第67-69页 |
| 2.3.1 非振动数据采集 | 第67-68页 |
| 2.3.2 振动数据采集 | 第68-69页 |
| 2.4 本章小结 | 第69-70页 |
| 第三章 风扇滚动轴承故障诊断研究 | 第70-88页 |
| 3.1 风扇滚动轴承故障诊断方法选择 | 第70-71页 |
| 3.2 基于小波包和SVM的滚动轴承故障类型识别 | 第71-77页 |
| 3.2.1 小波包介绍 | 第71-72页 |
| 3.2.2 小波包分解与重构 | 第72-73页 |
| 3.2.3 小波包分解后特征参数提取 | 第73-75页 |
| 3.2.4 基于SVM的故障类型分类 | 第75-77页 |
| 3.3 实验数据分析 | 第77-86页 |
| 3.3.1 风扇滚动轴承信号特征 | 第77-80页 |
| 3.3.2 特征参数提取及样本构建 | 第80-83页 |
| 3.3.3 SVM样本训练及测试 | 第83-86页 |
| 3.3.4 同神经网络对比 | 第86页 |
| 3.4 本章小结 | 第86-88页 |
| 第四章 风扇剩余寿命预测研究 | 第88-104页 |
| 4.1 风扇剩余寿命评估参数确定 | 第88-89页 |
| 4.2 时间序列和神经网络组合预测模型 | 第89-93页 |
| 4.2.1 时间序列ARIMA模型 | 第89-91页 |
| 4.2.2 BP神经网络模型 | 第91-93页 |
| 4.2.3 基于ARIMA和BP神经网络的组合预测模型 | 第93页 |
| 4.3 数据处理及分析 | 第93-103页 |
| 4.3.1 数据预处理 | 第93-94页 |
| 4.3.2 数据平稳变换 | 第94-97页 |
| 4.3.3 时间序列模型的识别与定阶 | 第97-99页 |
| 4.3.4 ARIMA模型的建立与适应性检验 | 第99-100页 |
| 4.3.5 利用ARIMA模型进行趋势预测 | 第100-101页 |
| 4.3.6 结合BP神经网络 | 第101-103页 |
| 4.4 本章小结 | 第103-104页 |
| 第五章 总结与展望 | 第104-106页 |
| 5.1 总结 | 第104-105页 |
| 5.2 展望 | 第105-106页 |
| 参考文献 | 第106-112页 |
| 致谢 | 第112-114页 |
| 研究成果及发表的学术论文 | 第114-116页 |
| 作者及导师简介 | 第116-117页 |
| 附件 | 第117-118页 |