风力发电机叶片故障诊断研究及实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 声发射技术的发展与研究现状 | 第10-12页 |
| 1.2.2 模式识别和智能优化的发展与研究现状 | 第12-13页 |
| 1.2.3 风力发电机叶片故障诊断研究现状 | 第13-15页 |
| 1.3 问题的提出 | 第15页 |
| 1.4 论文的主要研究内容 | 第15-16页 |
| 2 风电机组叶片损伤声发射检测技术 | 第16-22页 |
| 2.1 风机叶片常见的损伤类型 | 第16-17页 |
| 2.1.1 裂纹和开裂 | 第16页 |
| 2.1.2 表面磨损和脱落 | 第16-17页 |
| 2.1.3 边缘损伤 | 第17页 |
| 2.2 叶片损伤识别的常见方法 | 第17-19页 |
| 2.2.1 超声波检测技术 | 第18页 |
| 2.2.2 红外热成像检测技术 | 第18-19页 |
| 2.2.3 振动检测技术 | 第19页 |
| 2.2.4 声发射检测技术 | 第19页 |
| 2.3 叶片损伤的声发射检测 | 第19-22页 |
| 2.3.1 声发射信号的产生原理 | 第20页 |
| 2.3.2 声发射信号的传播和影响其特性的因素 | 第20-22页 |
| 3 风电机组叶片声发射信号采集实验 | 第22-33页 |
| 3.1 系统方案概述 | 第22-23页 |
| 3.2 实验平台搭建 | 第23-30页 |
| 3.2.1 实验设备选择 | 第23-27页 |
| 3.2.2 整机组装和调试 | 第27-30页 |
| 3.3 数据采集 | 第30-33页 |
| 4 叶片损伤识别模型建立 | 第33-53页 |
| 4.1 声发射信号预处理 | 第33-44页 |
| 4.1.1 数据归一化 | 第33-34页 |
| 4.1.2 小波分析 | 第34-41页 |
| 4.1.3 数据频谱分析 | 第41-42页 |
| 4.1.4 能量特征提取 | 第42-44页 |
| 4.2 支持向量机模型建立 | 第44-53页 |
| 4.2.1 支持向量机算法基本原理 | 第45-50页 |
| 4.2.2 预测模型建立 | 第50-53页 |
| 5 支持向量机模型优化和损伤识别系统验证 | 第53-62页 |
| 5.1 粒子群优化算法优化支持向量机 | 第53-56页 |
| 5.2 果蝇优化算法优化支持向量机 | 第56-60页 |
| 5.3 预测模型验证 | 第60-62页 |
| 结论 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间的研究成果 | 第68页 |
