声明
摘要
1 绪论
1.1 引言
1.2 选题背景
1.3 煤矿通风机故障预测研究现状
1.4 煤矿通风机故障预测系统的研究意义
1.5 煤矿通风机故障预测系统的发展
1.5.1 煤矿通风机故障预测系统的发展趋势
1.5.2 煤矿通风机故障预测系统的方法
1.6 本文的主要内容和结构
2 煤矿通风机故障预测整体规划及故障机理分析
2.1 通风机故障预测系统结构
2.2 煤矿通风机常见故障类型及机理分析
2.2.1 通风机故障类型及特征频率分析
2.2.2 风机的噪声分析
2.2.3 故障分析理论与方法
2.3 虚拟器技术
2.3.1 虚拟器的概念
2.3.2 虚拟器技术的简介
2.3.3 虚拟仪器在数据采集中的应用
2.3.4 虚拟仪器的发展方向
2.3.5 LabVIEW软件介绍及功能
2.4 本章小结
3 样本数据的采集
3.1 振动传感器的选择
3.2 数据采集设备
3.2.1 数据采集系统的基本功能
3.2.2 数据采集系统的结构
3.3 计算机
3.4 本章小结
4 小波分析理论及其在风机故障预测中的应用
4.1 小波分析概论
4.2 傅里叶变换
4.3 窗口傅里叶变换
4.4 小波变换
4.4.1 小波变换的定义
4.4.2 离散小波变换
4.5 多分辨分析
4.6 小波包的分解与重构
4.6.1 Mallat合成与分解算法
4.6.2 小波包分析
4.7 小波分析在风机故障预测中的应用
4.7.1 特征值的提取
4.7.2 小波分析用于信号消噪
4.8 本章小结
5 统计学习理论与基于支持向量机的风机故障预测
5.1 统计学习理论
5.2 分类问题
5.2.1 支持向量和最优分类面
5.2.2 非线性支持向量机
5.2.3 支持向量回归机
5.3 支持向量机的研究现状以及应用
5.4 自回归模型
5.4.1 时间序列
5.4.2 模型概述
5.4.3 AR(p)模型预测
5.5 基于支持向量机的煤矿通风机故障预测
5.6 风机振动时间序列预测实验
5.7 本章小结
6 基于LabVIEW软件平台的实现
6.1 进入程序
6.2 主程序设计
6.2.1 数据采集卡驱动模块
6.2.2 数据的存储模块
6.2.3 小波消噪功能模块
6.2.4 特征向量值的提取模块
6.2.5 SVM故障预测结果显示模块
6.3 本章小结
7 全文总结与展望
7.1 全文总结
7.2 展望
参考文献
致谢
作者简介及读研期间主要科研成果
安徽理工大学;