| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 选题的背景及意义 | 第12-14页 |
| 1.1.1 选题的背景 | 第12-13页 |
| 1.1.2 选题的意义 | 第13-14页 |
| 1.2 国内外风电机组故障诊断发展概况 | 第14-16页 |
| 1.3 齿轮、轴承常见的故障形式和原因分析 | 第16-18页 |
| 1.4 论文主要研究内容 | 第18-20页 |
| 第二章 风电机组齿轮箱故障振动机理及信号分析方法 | 第20-32页 |
| 2.1 风电机组的基本组成结构 | 第20-22页 |
| 2.1.1 风电机组的基本构成 | 第20-21页 |
| 2.1.2 风电机组齿轮箱结构 | 第21-22页 |
| 2.2 齿轮、轴承故障特征分析 | 第22-25页 |
| 2.2.1 齿轮的基本故障特征参数、频率及频谱特征 | 第22-24页 |
| 2.2.2 轴承的基本故障特征参数、频率及频谱特征 | 第24-25页 |
| 2.3 振动信号调制现象分析 | 第25-27页 |
| 2.4 风电机组故障诊断基本步骤流程 | 第27-29页 |
| 2.5 风电机组齿轮箱故障诊断常用方法 | 第29-31页 |
| 2.5.1 时域和频域分析方法 | 第29-30页 |
| 2.5.2 人工智能方法 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于MCKD-LMD模糊熵与BP神经网络的齿轮箱轴承故障诊断 | 第32-54页 |
| 3.1 MCKD算法基本原理 | 第32-36页 |
| 3.1.1 MCKD基本原理 | 第32-34页 |
| 3.1.2 MCKD算法实验验证 | 第34-36页 |
| 3.2 局部均值分解(LMD)基本理论 | 第36-37页 |
| 3.2.1 LMD算法实验验证 | 第36-37页 |
| 3.3 模糊熵特征量化 | 第37-39页 |
| 3.3.1 模糊熵理论实验验证 | 第38-39页 |
| 3.4 BP神经网络基本理论 | 第39-41页 |
| 3.5 齿轮箱轴承故障诊断实验 | 第41-43页 |
| 3.6 齿轮箱实验平台搭建 | 第43-48页 |
| 3.7 实验验证 | 第48-53页 |
| 3.7.1 故障特征提取 | 第50-52页 |
| 3.7.2 BP神经网络故障模式识别 | 第52-53页 |
| 3.8 本章小结 | 第53-54页 |
| 第四章 基于SVD-EMD复杂度和SVM的风电机组齿轮箱齿轮故障诊断 | 第54-72页 |
| 4.1 奇异值分解(SVD)降噪的基本原理 | 第54-56页 |
| 4.1.1 SVD算法降噪实验验证 | 第55-56页 |
| 4.2 经验模态分解(EMD)技术 | 第56-60页 |
| 4.3 信号复杂度特征提取方法 | 第60-61页 |
| 4.4 支持向量机(SVM)技术 | 第61-65页 |
| 4.4.1 最优超平面 | 第61-63页 |
| 4.4.2 核函数 | 第63-65页 |
| 4.4.3 参数的确定和优化 | 第65页 |
| 4.5 齿轮箱齿轮实验平台故障诊断 | 第65-67页 |
| 4.6 实验验证 | 第67-71页 |
| 4.7 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 总结 | 第72页 |
| 5.2 展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80页 |
