| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 背景及意义 | 第12-14页 |
| 1.2 风电机组故障诊断技术及其研究现状 | 第14-18页 |
| 1.2.1 风电机组故障诊断技术 | 第14-15页 |
| 1.2.2 国外风电机组故障诊断技术研究现状 | 第15-16页 |
| 1.2.3 国内风电机组故障诊断技术研究现状 | 第16-18页 |
| 1.3 本文研究思路 | 第18-20页 |
| 第二章 风机齿轮箱基本结构及其故障机理 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 风力发电机的基本结构 | 第20-21页 |
| 2.3 风机齿轮箱常见的故障类型 | 第21-24页 |
| 2.3.1 滚动轴承常见的故障类型 | 第21-23页 |
| 2.3.2 齿轮常见的故障类型 | 第23-24页 |
| 2.4 风机齿轮箱的基本结构 | 第24-25页 |
| 2.5 风机齿轮箱振动信号频率形式 | 第25-28页 |
| 2.5.1 滚动轴承振动信号的频率形式 | 第25-28页 |
| 2.5.2 齿轮振动信号的频率形式 | 第28页 |
| 2.6 小结 | 第28-30页 |
| 第三章 风机齿轮箱振动信号的特征提取方法 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 基于时域和频域的振动信号的特征提取方法 | 第30-31页 |
| 3.3 基于时频域的振动信号的特征提取方法 | 第31-41页 |
| 3.3.1 改进粒子群算法(IPSO)及函数验证 | 第31-35页 |
| 3.3.2 VMD算法原理 | 第35-37页 |
| 3.3.3 IPSO-VMD-FE特征提取方法 | 第37-38页 |
| 3.3.4 IPSO-VMD-FE在轴承特征提取中的应用 | 第38-41页 |
| 3.4 卷积神经网络 | 第41-44页 |
| 3.4.1 CNN的原理 | 第41-42页 |
| 3.4.2 CNN的组成 | 第42-43页 |
| 3.4.3 CNN特征提取的优点 | 第43-44页 |
| 3.5 小结 | 第44-46页 |
| 第四章 基于CART-XGBOOST模型的风机齿轮箱滚动轴承故障诊断方法 | 第46-66页 |
| 4.1 引言 | 第46页 |
| 4.2 XGBoost算法 | 第46-49页 |
| 4.2.1 XGBoost算法原理 | 第46-48页 |
| 4.2.2 参数优化 | 第48-49页 |
| 4.3 CART-XGBoost模型 | 第49-52页 |
| 4.3.1 CART决策树的原理 | 第49-50页 |
| 4.3.2 特征重要性 | 第50-52页 |
| 4.3.3 CART-XGBoost模型 | 第52页 |
| 4.4 CART-XGBoost模型在风机滚动轴承故障诊断中的应用 | 第52-61页 |
| 4.4.1 实验平台 | 第53页 |
| 4.4.2 数据采集 | 第53-57页 |
| 4.4.3 参数调节 | 第57-58页 |
| 4.4.4 模型对比 | 第58-61页 |
| 4.5 CART-XGBoost模型在实际风机滚动轴承故障诊断中的应用 | 第61-64页 |
| 4.6 小结 | 第64-66页 |
| 第五章 基于DCNN-XGBOOST模型的风机齿轮箱齿轮故障诊断方法 | 第66-82页 |
| 5.1 引言 | 第66页 |
| 5.2 DCNN算法 | 第66-67页 |
| 5.2.1 DCNN原理 | 第66页 |
| 5.2.2 DCNN结构设计 | 第66-67页 |
| 5.3 DCNN-XGBoost模型 | 第67-68页 |
| 5.4 DCNN-XGBoost模型在齿轮故障诊断中的应用 | 第68-78页 |
| 5.4.1 实验平台 | 第68-69页 |
| 5.4.2 数据采集 | 第69-73页 |
| 5.4.3 特征提取 | 第73页 |
| 5.4.4 模型对比 | 第73-78页 |
| 5.5 DCNN-XGBoost模型在实际齿轮故障诊断中的应用 | 第78-81页 |
| 5.6 小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 总结 | 第82-83页 |
| 6.2 展望 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 致谢 | 第90-92页 |
| 攻读硕士学位期间取得的研究成果 | 第92页 |
