基于LabVIEW的小波支持向量机在煤矿通风机故障预测中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 1 绪论 | 第14-20页 |
| ·引言 | 第14页 |
| ·选题背景 | 第14-15页 |
| ·煤矿通风机故障预测研究现状 | 第15页 |
| ·煤矿通风机故障预测系统的研究意义 | 第15-16页 |
| ·煤矿通风机故障预测系统的发展 | 第16-18页 |
| ·煤矿通风机故障预测系统的发展趋势 | 第16-17页 |
| ·煤矿通通风机故障预测系统的方法 | 第17-18页 |
| ·本文的主要内容和结构 | 第18-20页 |
| 2 煤矿通风机故障预测整体规划及故障机理分析 | 第20-36页 |
| ·通风机故障预测系统结构 | 第20-21页 |
| ·煤矿通风机常见故障类型及机理分析 | 第21-29页 |
| ·通风机故障类型及特征频率分析 | 第21-27页 |
| ·风机的噪声分析 | 第27页 |
| ·故障分析理论与方法 | 第27-29页 |
| ·虚拟器技术 | 第29-34页 |
| ·虚拟器的概念 | 第29-30页 |
| ·虚拟器技术的简介 | 第30-31页 |
| ·虚拟仪器在数据采集中的应用 | 第31页 |
| ·虚拟仪器的发展方向 | 第31-32页 |
| ·LabVIEW软件介绍及功能 | 第32-34页 |
| ·本章小结 | 第34-36页 |
| 3 样本数据的采集 | 第36-42页 |
| ·振动传感器的选择 | 第36-38页 |
| ·数据采集设备 | 第38-40页 |
| ·数据采集系统的基本功能 | 第38-39页 |
| ·数据采集系统的结构 | 第39-40页 |
| ·计算机 | 第40页 |
| ·本章小结 | 第40-42页 |
| 4 小波分析理论及其在风机故障预测中的应用 | 第42-56页 |
| ·小波分析概论 | 第42页 |
| ·傅里叶变换 | 第42-44页 |
| ·窗口傅里叶变换 | 第44-45页 |
| ·小波变换 | 第45-47页 |
| ·小波变换的定义 | 第45-46页 |
| ·离散小波变换 | 第46-47页 |
| ·多分辨分析 | 第47-48页 |
| ·小波包的分解与重构 | 第48-52页 |
| ·Mallat合成与分解算法 | 第48-50页 |
| ·小波包分析 | 第50-52页 |
| ·小波分析在风机故障预测中的应用 | 第52-55页 |
| ·特征值的提取 | 第52-53页 |
| ·小波分析用于信号消噪 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 5 统计学习理论与基于支持向量机的风机故障预测 | 第56-76页 |
| ·统计学习理论 | 第56-57页 |
| ·分类问题 | 第57-61页 |
| ·支持向量和最优分类面 | 第57-59页 |
| ·非线性支持向量机 | 第59-60页 |
| ·支持向量回归机 | 第60-61页 |
| ·支持向量机的研究现状以及应用 | 第61-62页 |
| ·自回归模型 | 第62-65页 |
| ·时间序列 | 第62页 |
| ·模型概述 | 第62-64页 |
| ·AR(p)模型预测 | 第64-65页 |
| ·基于支持向量机的煤矿通风机故障预测 | 第65-66页 |
| ·风机振动时间序列预测实验 | 第66-74页 |
| ·本章小结 | 第74-76页 |
| 6 基于LabVIEW软件平台的实现 | 第76-84页 |
| ·进入程序 | 第76-77页 |
| ·主程序设计 | 第77-82页 |
| ·数据采集卡驱动模块 | 第77-79页 |
| ·数据的存储模块 | 第79页 |
| ·小波消噪功能模块 | 第79-80页 |
| ·特征向量值的提取模块 | 第80-81页 |
| ·SVM故障预测结果显示模块 | 第81-82页 |
| ·本章小结 | 第82-84页 |
| 7 全文总结与展望 | 第84-86页 |
| ·全文总结 | 第84页 |
| ·展望 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-92页 |
| 作者简介及读研期间主要科研成果 | 第92页 |
