矿用通风机故障预警系统的研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 课题背景 | 第7-8页 |
| 1.2 研究目的和意义 | 第8-9页 |
| 1.3 国内外现状 | 第9-10页 |
| 1.4 课题的研究内容 | 第10-11页 |
| 1.5 本章小结 | 第11-12页 |
| 2 煤矿主通风机故障预警研究基础 | 第12-21页 |
| 2.1 故障预警的内容及方法 | 第12-13页 |
| 2.2 故障预警系统模型 | 第13-14页 |
| 2.3 常见通风机故障剖析 | 第14-16页 |
| 2.4 特征值的提取 | 第16-20页 |
| 2.4.1 小波基的选取 | 第16-17页 |
| 2.4.2 特征向量提取方法 | 第17-18页 |
| 2.4.3 转子不平衡故障信号分析与特征提取 | 第18-20页 |
| 2.5 本章小结 | 第20-21页 |
| 3 通风机故障预警系统硬件设计 | 第21-29页 |
| 3.1 通风机故障预警系统硬件选型 | 第21-22页 |
| 3.2 振动数据采集 | 第22-26页 |
| 3.2.1 传感器的组成 | 第22-23页 |
| 3.2.2 传感器的特性 | 第23-24页 |
| 3.2.3 振动信号传感器选型 | 第24-26页 |
| 3.3 数据采集设备 | 第26-28页 |
| 3.3.1 数据采集设备组成部分 | 第26-27页 |
| 3.3.2 NIPCI-6259性能指标 | 第27-28页 |
| 3.4 工控计算机 | 第28页 |
| 3.5 本章小结 | 第28-29页 |
| 4 小波神经网络与矿用通风机故障预警 | 第29-43页 |
| 4.1 小波分析 | 第29-33页 |
| 4.1.1 小波及小波分析理论 | 第29-30页 |
| 4.1.2 常用小波函数 | 第30-32页 |
| 4.1.3 神经网络 | 第32-33页 |
| 4.2 小波神经网络模型的构建 | 第33-35页 |
| 4.3 神经网络算法 | 第35-37页 |
| 4.4 优化的BP神经网络算法 | 第37-38页 |
| 4.5 通风机故障诊断实例 | 第38-42页 |
| 4.6 本章小结 | 第42-43页 |
| 5 系统软件平台的实现 | 第43-48页 |
| 5.1 登录模块 | 第43页 |
| 5.2 信号采集模块设计 | 第43-44页 |
| 5.3 信号预处理模块设计 | 第44-45页 |
| 5.4 BP神经网络模块设计 | 第45-46页 |
| 5.5 故障诊断及报警模块 | 第46页 |
| 5.6 本章小结 | 第46-48页 |
| 6 总结 | 第48-50页 |
| 6.1 结论 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-53页 |
