| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第15-23页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 煤矿主通风机故障诊断现状 | 第16-20页 |
| 1.3 神经网络与粗糙集在通风机故障诊断中结合的必要性 | 第20-21页 |
| 1.4 本文的主要工作及研究内容 | 第21-23页 |
| 2 煤矿主通风机的故障机理 | 第23-31页 |
| 2.1 主通风机故障机理分析 | 第23-26页 |
| 2.2 主通风机的故障机理与粗糙集诊断相结合的探讨 | 第26-27页 |
| 2.3 原始数据的采集分析 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 粗糙集理论与属性约简研究 | 第31-41页 |
| 3.1 粗糙集的基本概念 | 第31-35页 |
| 3.2 基于二进制可分辨矩阵的属性约简 | 第35-36页 |
| 3.3 改进的二进制可分辨矩阵属性约简算法 | 第36-39页 |
| 3.4 本章小结 | 第39-41页 |
| 4 基于启发式SOM离散模型的研究 | 第41-51页 |
| 4.1 连续数据离散化 | 第41-44页 |
| 4.2 基于SOM网络的粗糙集离散化模型的建立 | 第44-46页 |
| 4.3 粗糙集与LVQ神经网络相结合的故障诊断系统的构成 | 第46-49页 |
| 4.4 本章小结 | 第49-51页 |
| 5 基于粗糙集与LVQ神经网络的煤矿主通风机故障诊断的研究 | 第51-71页 |
| 5.1 粗糙集神经网络故障诊断系统总体结构设计 | 第51-54页 |
| 5.2 粗糙集数据预处理 | 第54-59页 |
| 5.3 煤矿主通风机诊断系统模型的建立 | 第59-61页 |
| 5.4 仿真结果的分析 | 第61-66页 |
| 5.5 基于DDE的Matlab与组态王的实时故障诊断系统的实现 | 第66-69页 |
| 5.6 本章小结 | 第69-71页 |
| 6 总结与展望 | 第71-73页 |
| 6.1 论文的主要工作与总结 | 第71-72页 |
| 6.2 存在不足与研究展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 作者简历 | 第78-80页 |
| 学位论文数据集 | 第80页 |
