基于多变量数据的矿井风机故障预测系统的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 引言 | 第9-10页 |
| 1.2 选题背景和研究意义 | 第10-11页 |
| 1.2.1 选题背景 | 第10页 |
| 1.2.2 研究意义 | 第10-11页 |
| 1.3 国内外发展现状及发展趋势 | 第11-14页 |
| 1.3.1 信号获取和状态监测方面发展动向 | 第11-12页 |
| 1.3.2 诊断方法和信号处理方面发展动向 | 第12-13页 |
| 1.3.3 诊断系统网络化发展动向 | 第13-14页 |
| 1.4 本课题的主要研究内容 | 第14-16页 |
| 1.4.1 主要研究内容 | 第14页 |
| 1.4.2 拟解决的关键问题及研究技术路线 | 第14-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 矿井主扇通风机的结构特点及故障分析 | 第17-29页 |
| 2.1 矿井主扇风机概况 | 第17-22页 |
| 2.1.1 矿井通风机类型 | 第17页 |
| 2.1.2 矿井通风机通风方式 | 第17-18页 |
| 2.1.3 矿井主扇风机结构 | 第18-22页 |
| 2.1.4 矿井主扇风机的主要性能参数 | 第22页 |
| 2.2 风机系统常见故障及原因分析 | 第22-28页 |
| 2.2.1 通风系统硬件故障及原因 | 第22-28页 |
| 2.2.2 通风系统软件故障及处理方法 | 第28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 矿井通风机故障检测方法的研究 | 第29-47页 |
| 3.1 故障诊断方法的研究 | 第29-44页 |
| 3.1.1 现有风机系统故障诊断方法 | 第30-32页 |
| 3.1.2 基于解析模型的方法 | 第32-33页 |
| 3.1.3 基于人工神经网络算法的方法 | 第33-34页 |
| 3.1.4 基于多变量数据的故障诊断方法 | 第34-44页 |
| 3.2 信号处理方法的研究 | 第44-46页 |
| 3.2.1 循环信号处理方法 | 第44-45页 |
| 3.2.2 畸变信号处理方法 | 第45-46页 |
| 3.3 本章小结 | 第46-47页 |
| 第4章 风机故障预测系统的搭建 | 第47-64页 |
| 4.1 风机故障预测系统硬件选型 | 第47-49页 |
| 4.1.1 风机监测系统的整体设计 | 第47-48页 |
| 4.1.2 传感器的选型 | 第48页 |
| 4.1.3 数据采集及网络配电 | 第48-49页 |
| 4.2 风机故障预测系统软件平台的建立 | 第49-63页 |
| 4.2.1 组态监测界面的建立 | 第49-56页 |
| 4.2.2 组态软件与数据库的连接 | 第56-59页 |
| 4.2.3 组态软件与Matlab的连接 | 第59-60页 |
| 4.2.4 风机监测界面的联网共享 | 第60-63页 |
| 4.3 本章小结 | 第63-64页 |
| 第5章 矿井风机故障预测机制的建立 | 第64-77页 |
| 5.1 预测机制的整体构建 | 第64页 |
| 5.2 在线预测机制的软件实现 | 第64-72页 |
| 5.2.1 对写入Matlab的数据进行分组 | 第65-67页 |
| 5.2.2 对写入数据进行测试 | 第67-68页 |
| 5.2.3 信号判断方法的确定 | 第68-72页 |
| 5.3 软件的链接测试 | 第72-76页 |
| 5.4 本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-83页 |
| 作者简介 | 第83页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第83-84页 |
