矿井风机振动趋势预测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 选题背景及意义 | 第10页 |
| 1.2 机械设备振动信号 | 第10-12页 |
| 1.2.1 振动信号的重要性 | 第10页 |
| 1.2.2 振动信号的分类 | 第10-12页 |
| 1.3 机械设备状态趋势预测方法 | 第12-15页 |
| 1.3.1 回归预测方法 | 第12-13页 |
| 1.3.2 时间序列分析法 | 第13页 |
| 1.3.3 人工神经网络预测 | 第13-14页 |
| 1.3.4 灰色预测 | 第14-15页 |
| 1.4 经验模态分解 | 第15页 |
| 1.5 研究课题的主要内容 | 第15-17页 |
| 第2章 理论依据 | 第17-22页 |
| 2.1 时间序列模型的类型 | 第17-18页 |
| 2.1.1 AR模型 | 第17页 |
| 2.1.2 MA模型 | 第17页 |
| 2.1.3 ARMA模型 | 第17-18页 |
| 2.2 时间序列模型的判定 | 第18-19页 |
| 2.3 经验模态分解 | 第19页 |
| 2.4 神经网络预测 | 第19-21页 |
| 2.5 组合预测 | 第21-22页 |
| 第3章 时间序列模型预测 | 第22-37页 |
| 3.1 AR时间序列模型的建立 | 第22-24页 |
| 3.1.1 模型的识别 | 第22-23页 |
| 3.1.2 阶数判定 | 第23页 |
| 3.1.3 建立模型，实现预测 | 第23-24页 |
| 3.2 EMD—时间序列模型的建立 | 第24-36页 |
| 3.2.1 每层固有模态函数的时间序列模型的建立 | 第26-35页 |
| 3.2.2 重构预测 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 动态神经网络预测 | 第37-52页 |
| 4.1 传统的NAR动态神经网络预测 | 第37-40页 |
| 4.1.1 网络训练 | 第38-39页 |
| 4.1.2 实现预测 | 第39-40页 |
| 4.2 EMD—NAR动态神经网络预测 | 第40-51页 |
| 4.2.1 IMF1数据预测 | 第40-41页 |
| 4.2.2 IMF2数据预测 | 第41-43页 |
| 4.2.3 IMF3数据预测 | 第43-45页 |
| 4.2.4 IMF4数据预测 | 第45-46页 |
| 4.2.5 IMF5数据预测 | 第46-48页 |
| 4.2.6 IMF6数据预测 | 第48-50页 |
| 4.2.7 重构预测 | 第50-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 矿井风机振动趋势预测模型的建立 | 第52-57页 |
| 5.1 矿井风机振动信号分析 | 第52-55页 |
| 5.1.1 矿井风机振动信号的非平稳性检验 | 第52-54页 |
| 5.1.2 矿井风机振动趋势预测模型比较分析 | 第54-55页 |
| 5.1.3 本节结论 | 第55页 |
| 5.2 矿井风机振动趋势预测模型的建立 | 第55-56页 |
| 5.3 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 导师简介 | 第62页 |
| 企业导师简介 | 第62-63页 |
| 作者简介 | 第63-64页 |
| 学位论文数据集 | 第64页 |
