摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第10-17页 |
1.1 课题背景及研究意义 | 第10-11页 |
1.2 冷轧机故障诊断方法研究 | 第11-13页 |
1.2.1 状态监测 | 第11页 |
1.2.2 特征提取 | 第11页 |
1.2.3 故障诊断 | 第11-13页 |
1.2.4 维修决策 | 第13页 |
1.3 国内外冷轧机故障诊断技术研究现状及发展前景 | 第13-14页 |
1.3.1 国外冷轧机故障诊断技术研究现状 | 第13页 |
1.3.2 国内冷轧机故障诊断技术研究现状 | 第13-14页 |
1.3.3 冷轧机故障诊断技术发展前景 | 第14页 |
1.4 人工神经网络的发展与应用 | 第14-16页 |
1.5 本论文主要研究内容和工作 | 第16-17页 |
第2章 1700型冷轧机结构及常见故障分析 | 第17-25页 |
2.1 鞍钢一号冷轧线工艺设备路线简介 | 第17页 |
2.2 1 | 第17-19页 |
2.2.1 结构组成 | 第17-18页 |
2.2.2 主要技术参数 | 第18-19页 |
2.3 1700型冷轧机常见故障分析 | 第19-24页 |
2.3.1 工作机座常见故障 | 第19-21页 |
2.3.2 减速机常见故障 | 第21-23页 |
2.3.3 主电动机常见故障 | 第23-24页 |
2.4 本章小结 | 第24-25页 |
第3章 冷轧机特征信号提取方法研究 | 第25-42页 |
3.1 鞍钢一号冷轧线在线监测系统 | 第25-26页 |
3.2 数据采集系统 | 第26-41页 |
3.2.1 数据采集概念 | 第26页 |
3.2.2 数据采集传感器 | 第26-29页 |
3.2.3 信号的预处理 | 第29-30页 |
3.2.4 A/D转换 | 第30页 |
3.2.5 信号分析 | 第30-41页 |
3.3 本章小节 | 第41-42页 |
第4章 智能故障诊断原理 | 第42-51页 |
4.1 智能故障诊断概述 | 第42页 |
4.2 神经网络基本理论 | 第42-50页 |
4.2.1 神经网络的基本组成 | 第43页 |
4.2.2 人工神经网络的典型模型 | 第43-45页 |
4.2.3 神经网络的拓扑结构 | 第45-46页 |
4.2.4 神经网络诊断原理及学习方法 | 第46-47页 |
4.2.5 BP神经网络原理 | 第47-50页 |
4.3 本章小结 | 第50-51页 |
第5章 基于BP神经网络的冷轧机故障诊断系统研究 | 第51-65页 |
5.1 系统总体分析与设计 | 第51-53页 |
5.2 基于BP神经网络的冷轧机减速机故障诊断 | 第53-60页 |
5.2.1 训练样本的选择 | 第53页 |
5.2.2 减速机BP神经网络模型 | 第53-57页 |
5.2.3 网络传递函数构造 | 第57页 |
5.2.4 BP神经网络训练参数确定 | 第57-58页 |
5.2.5 BP神经网络的训练与测试 | 第58-60页 |
5.3 基于BP神经网络的冷轧机主电动机故障诊断 | 第60-62页 |
5.3.1 主电动机故障样本数据说明 | 第60页 |
5.3.2 主电动机BP神经网络模型及参数的确定 | 第60-61页 |
5.3.3 BP神经网络的训练与测试 | 第61-62页 |
5.4 基于BP神经网络的冷轧机工作机座故障诊断 | 第62-64页 |
5.4.1 工作机座故障样本数据说明 | 第62页 |
5.4.2 工作机座BP神经网络模型及参数的确定 | 第62-63页 |
5.4.3 BP神经网络的训练与测试 | 第63-64页 |
5.5 本章小结 | 第64-65页 |
第6章 冷轧机智能故障诊断系统的实现 | 第65-71页 |
6.1 系统的软件平台 | 第65-66页 |
6.1.1 MATLAB软件实现 | 第65页 |
6.1.2 Visual C++软件实现 | 第65-66页 |
6.2 软件功能设计 | 第66-67页 |
6.3 软件界面设计 | 第67-70页 |
6.3.1 智能诊断界面 | 第67-68页 |
6.3.2 数据管理界面 | 第68页 |
6.3.3 系统拓展界面 | 第68-69页 |
6.3.4 用户管理界面 | 第69-70页 |
6.4 本章小结 | 第70-71页 |
第7章 结论与展望 | 第71-72页 |
参考文献 | 第72-76页 |
致谢 | 第76页 |