基于神经网络的矿井风机故障诊断
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·课题的背景 | 第10-11页 |
| ·课题的意义 | 第11页 |
| ·国内外研究现状与发展趋势 | 第11-14页 |
| ·课题的国内外研究现状 | 第12-13页 |
| ·课题的发展趋势 | 第13-14页 |
| ·课题的主要内容与解决的关键问题 | 第14-16页 |
| ·主要内容 | 第14-15页 |
| ·解决的关键问题 | 第15-16页 |
| 第二章 基于振动特征的矿井风机常见故障分析 | 第16-29页 |
| ·矿井风机振动原理分析 | 第16-19页 |
| ·常见故障模式的原因和故障信号的振动特征 | 第19-22页 |
| ·转子不平衡 | 第19-20页 |
| ·转子不对中 | 第20-21页 |
| ·碰磨故障 | 第21页 |
| ·基础或连接松动故障 | 第21-22页 |
| ·油膜振荡 | 第22页 |
| ·轴承失效故障 | 第22页 |
| ·对于故障诊断的几种方法 | 第22-23页 |
| ·振动信号处理技术 | 第23-28页 |
| ·时域分析法 | 第24-26页 |
| ·频域分析法 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 小波技术对故障信号的特征提取 | 第29-41页 |
| ·概述 | 第29页 |
| ·信号的时频分析法 | 第29-32页 |
| ·短时傅里叶变换 | 第30-31页 |
| ·小波分析的产生 | 第31-32页 |
| ·小波技术理论分析 | 第32-36页 |
| ·连续和离散小波变换 | 第32-34页 |
| ·多分辨率分析 | 第34-35页 |
| ·小波包理论分析 | 第35-36页 |
| ·利用小波技术提取故障信号特征值 | 第36-40页 |
| ·小波基的选取 | 第37-38页 |
| ·故障信号特征值提取 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 神经网络技术在故障诊断系统中的应用 | 第41-60页 |
| ·人工神经网络概述 | 第41-46页 |
| ·单个神经元数学模型 | 第41-42页 |
| ·神经网络的特点类别 | 第42-44页 |
| ·神经网络的几种模型结构 | 第44-45页 |
| ·神经网络的故障诊断原理分析 | 第45-46页 |
| ·BP 神经网络 | 第46-51页 |
| ·BP 神经网络的结构 | 第46-47页 |
| ·BP 神经网络的学习算法 | 第47-50页 |
| ·BP 网络的算法改进 | 第50-51页 |
| ·利用 BP 网络进行故障诊断的步骤 | 第51-59页 |
| ·建立故障诊断样本集 | 第52-54页 |
| ·BP 神经网络层数和节点的确定 | 第54-55页 |
| ·BP 神经网络的参数选择 | 第55-56页 |
| ·训练 BP 神经网络 | 第56-58页 |
| ·故障验证和出现一种以上故障的界定 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 基于虚拟仪器平台的故障诊断系统设计 | 第60-80页 |
| ·虚拟仪器（LABVIEW）简介 | 第60-62页 |
| ·虚拟仪器的概念 | 第60页 |
| ·LabVIEW 软件介绍 | 第60-61页 |
| ·LabVIEW 的特点 | 第61-62页 |
| ·矿井风机故障诊断系统的硬件设计 | 第62-65页 |
| ·振动传感器介绍和选型 | 第63-64页 |
| ·信号调理系统 | 第64页 |
| ·数据采集卡 | 第64页 |
| ·工控机 | 第64-65页 |
| ·矿井风机故障诊断系统的软件设计 | 第65-79页 |
| ·系统的软件结构划分 | 第65-66页 |
| ·数据采集模块 | 第66-67页 |
| ·小波特征值提取模块 | 第67-72页 |
| ·神经网络训练模块 | 第72-74页 |
| ·神经网络诊断模块 | 第74-76页 |
| ·诊断系统测试 | 第76-79页 |
| ·本章小结 | 第79-80页 |
| 第六章 全文总结 | 第80-82页 |
| ·主要结论 | 第80-81页 |
| ·研究展望 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 致谢 | 第85-86页 |
| 攻读硕士学位期间已发表或录用的论文 | 第86-88页 |
