基于多尺度排列熵和支持向量机的风力发电机组齿轮箱振动故障诊断
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-20页 |
| 1.1 研究背景、意义及目的 | 第8-11页 |
| 1.1.1 背景和意义 | 第8-11页 |
| 1.1.2 研究目的 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国外故障诊断研究现状 | 第12-13页 |
| 1.2.2 国内故障诊断研究现状 | 第13-15页 |
| 1.3 研究存在问题及发展趋势 | 第15-17页 |
| 1.3.1 研究难点及存在问题 | 第15-16页 |
| 1.3.2 发展趋势 | 第16-17页 |
| 1.4 本文研究内容与技术路线 | 第17-20页 |
| 1.4.1 主要研究内容 | 第17-18页 |
| 1.4.2 技术路线 | 第18-20页 |
| 2 风电机组结构及其齿轮箱故障分析 | 第20-32页 |
| 2.1 风力发电机组齿轮箱结构 | 第21-24页 |
| 2.1.1 齿轮箱结构及工作原理 | 第21-22页 |
| 2.1.2 齿轮箱结构分类比较 | 第22-24页 |
| 2.2 风电机组齿轮箱的故障机理 | 第24-28页 |
| 2.2.1 齿轮故障 | 第25-27页 |
| 2.2.2 轴承故障 | 第27-28页 |
| 2.3 齿轮箱的测点布置及其故障信号振动特征 | 第28-31页 |
| 2.3.1 齿轮箱测点布置 | 第28-30页 |
| 2.3.2 齿轮箱故障信号振动特征 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 排列熵原理 | 第32-42页 |
| 3.1 相空间重构 | 第32-37页 |
| 3.1.1 互信息函数法确定延时时间 | 第33-34页 |
| 3.1.2 最佳嵌入维数确定方法 | 第34-36页 |
| 3.1.3 仿真验证 | 第36-37页 |
| 3.2 排列熵原理 | 第37-39页 |
| 3.3 仿真信号的排列熵分析 | 第39-40页 |
| 3.4 多尺度排列熵分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 支持向量机理论 | 第42-54页 |
| 4.1 统计学理论的主要内容 | 第42-44页 |
| 4.1.1 VC维 | 第42-43页 |
| 4.1.2 泛化性能界 | 第43-44页 |
| 4.2 机器学习本质 | 第44-45页 |
| 4.2.1 机器学习问题的本质表示 | 第44-45页 |
| 4.2.2 经验风险最小归纳原则 | 第45页 |
| 4.3 结构风险最小化 | 第45-47页 |
| 4.4 支持向量机分类器（分类方法） | 第47-53页 |
| 4.4.1 基本原理 | 第47-51页 |
| 4.4.2 分类算法推导 | 第51-52页 |
| 4.4.3 核函数 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 基于GA-SVM的智能诊断模型 | 第54-62页 |
| 5.1 C与σ~2参数优化 | 第54-55页 |
| 5.2 遗传算法 | 第55-60页 |
| 5.2.1 解空间编码及初始种群生成 | 第56页 |
| 5.2.2 适应度函数 | 第56页 |
| 5.2.3 遗传操作 | 第56-60页 |
| 5.3 GA-SVM模型建立 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 6 实例验证 | 第62-68页 |
| 6.1 实验平台介绍 | 第62-63页 |
| 6.2 信号特征提取 | 第63-65页 |
| 6.3 诊断结果与分析 | 第65-67页 |
| 6.4 本章小结 | 第67-68页 |
| 7 总结与展望 | 第68-70页 |
| 7.1 总结 | 第68页 |
| 7.2 展望 | 第68-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 附录 | 第77页 |
| A. 作者在攻读硕士学位期间发表的论文 | 第77页 |
| B. 作者在攻读硕士学位期间参加的科研工作 | 第77页 |
