| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 选题背景及研究意义 | 第8-9页 |
| 1.2 本课题国内外研究现状 | 第9-12页 |
| 1.2.1 通风机状态监测的国内外研究现状 | 第9-10页 |
| 1.2.2 通风机故障诊断的国内外研究现状 | 第10-12页 |
| 1.3 论文的主要研究内容及章节安排 | 第12-14页 |
| 2 主风机故障分析及数据采集 | 第14-26页 |
| 2.1 主风机的结构及监测状态参数 | 第14-16页 |
| 2.1.1 主风机的结构及工作原理 | 第14-15页 |
| 2.1.2 状态参数与采样位置 | 第15-16页 |
| 2.2 主风机故障机理 | 第16-18页 |
| 2.3 监测系统研究 | 第18-24页 |
| 2.3.1 系统总体结构 | 第18-20页 |
| 2.3.2 数据采集硬件设计 | 第20-23页 |
| 2.3.3 通信节点软件设计 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 3 主风机振动信号的特征向量提取 | 第26-38页 |
| 3.1 常用时频分析方法 | 第26-27页 |
| 3.2 Hilbert-Huang变换的信号分析 | 第27-32页 |
| 3.2.1 瞬时频率与固有模态函数 | 第28页 |
| 3.2.2 经验模态分解(EMD) | 第28-31页 |
| 3.2.3 Hilbert谱与Hilbert边际谱 | 第31-32页 |
| 3.3 EEMD信号分解 | 第32-34页 |
| 3.3.1 EMD存在的问题 | 第32-33页 |
| 3.3.2 EEMD基本原理 | 第33-34页 |
| 3.4 主风机故障特征的提取 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于IPSO-ELM的主风机故障诊断研究 | 第38-56页 |
| 4.1 极限学习机算法理论 | 第38-41页 |
| 4.1.1 ELM基本原理 | 第38-40页 |
| 4.1.2 ELM算法特点及流程 | 第40-41页 |
| 4.2 基于ELM的主风机故障诊断分析 | 第41-46页 |
| 4.2.1 ELM仿真实验 | 第41-44页 |
| 4.2.2 基于BP/SVM/ELM算法的诊断结果比较 | 第44-46页 |
| 4.3 ELM诊断模型的优化 | 第46-51页 |
| 4.3.1 PSO优化算法 | 第47-48页 |
| 4.3.2 改进粒子群算法 | 第48-50页 |
| 4.3.3 改进粒子群优化极限学习机 | 第50-51页 |
| 4.4 基于IPSO-ELM算法的主风机故障诊断 | 第51-55页 |
| 4.4.1 IPSO-ELM算法仿真与分析 | 第51-54页 |
| 4.4.2 基于PSO优化算法的结果比较 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 通风机故障诊断系统测试 | 第56-63页 |
| 5.1 故障诊断系统平台 | 第56-57页 |
| 5.2 主风机诊断测试 | 第57-62页 |
| 5.3 本章小结 | 第62-63页 |
| 6 结论 | 第63-65页 |
| 6.1 结论 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69页 |