矿用电动机转子瞬时功率分析与故障诊断方法的研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.2 电动机故障诊断的研究现状及发展趋势 | 第10-12页 |
| 1.2.1 电动机故障诊断国外研究 | 第10-11页 |
| 1.2.2 电动机故障诊断国内研究 | 第11页 |
| 1.2.3 电动机故障诊断发展现状 | 第11-12页 |
| 1.3 本文研究的主要内容 | 第12-13页 |
| 1.4 本课题的来源及内容安排 | 第13-15页 |
| 2 瞬时功率诊断分析法 | 第15-19页 |
| 2.1 电动机转子故障诊断方法 | 第15页 |
| 2.2 电动机转子断条故障频率特征量分析 | 第15-17页 |
| 2.3 电动机转子偏心故障频率特征量分析 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 3 基于小波包矿用电动机信号分析与特征提取 | 第19-31页 |
| 3.1 小波分析理论 | 第19-20页 |
| 3.2 分辨率概念 | 第20-21页 |
| 3.3 Mallat重新构建算法 | 第21-22页 |
| 3.4 小波包基本理论 | 第22-24页 |
| 3.5 矿用电动机转子瞬时功率故障的实例分析 | 第24-30页 |
| 3.6 小结 | 第30-31页 |
| 4 粗糙集的基本理论及应用 | 第31-44页 |
| 4.1 粗糙集基本概念 | 第31-32页 |
| 4.2 上近似集、下近似集与依赖度 | 第32页 |
| 4.3 属性的约简与核 | 第32-34页 |
| 4.4 矿用电动机故障数据预处理实例分析 | 第34-43页 |
| 4.5 小结 | 第43-44页 |
| 5 支持向量机的分类在矿用电动机中的应用 | 第44-59页 |
| 5.1 统计学习基本理论 | 第44-46页 |
| 5.1.1 VC维 | 第44-45页 |
| 5.1.2 推广性的界 | 第45页 |
| 5.1.3 结构风险最小化原则 | 第45-46页 |
| 5.2 支持向量机基本理论 | 第46-50页 |
| 5.2.1 线性可分条件下的支持向量机 | 第47-48页 |
| 5.2.2 非线性条件下的支持向量机 | 第48-49页 |
| 5.2.3 多分类算法 | 第49-50页 |
| 5.3 核函数 | 第50-51页 |
| 5.4 模型参数的选择 | 第51-52页 |
| 5.5 矿用电动机故障诊断分类的实例分析 | 第52-58页 |
| 5.5.1 未约简的数据样本在支持向量机中的应用 | 第52-55页 |
| 5.5.2 经约简的数据样本在支持向量机中的应用 | 第55-58页 |
| 5.6 小结 | 第58-59页 |
| 6 结论与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录 | 第65页 |
