基于振动信号稀疏分解的风电机组故障诊断方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 选题背景及意义 | 第11-13页 |
| 1.2 国内外研究现状及发展动态分析 | 第13-17页 |
| 1.2.1 风电机组的状态监测与故障诊断 | 第13-14页 |
| 1.2.2 信号稀疏分解的国内外研究现状 | 第14-17页 |
| 1.3 论文主要研究内容 | 第17-18页 |
| 第2章 信号稀疏分解的基本理论及实现 | 第18-43页 |
| 2.1 引言 | 第18页 |
| 2.2 信号的稀疏分解 | 第18-25页 |
| 2.2.1 信号的分解 | 第18-19页 |
| 2.2.2 正交分解 | 第19-20页 |
| 2.2.3 信号的稀疏分解定义 | 第20-21页 |
| 2.2.4 稀疏分解算法 | 第21-25页 |
| 2.3 过完备字典的构建 | 第25-29页 |
| 2.3.1 分析字典 | 第25-27页 |
| 2.3.2 学习字典 | 第27-29页 |
| 2.4 轴承信号稀疏分解仿真 | 第29-34页 |
| 2.4.1 滚动轴承故障特征频率 | 第29-30页 |
| 2.4.2 仿真信号描述 | 第30-31页 |
| 2.4.3 仿真信号稀疏分解 | 第31-34页 |
| 2.5 齿轮信号稀疏分解仿真 | 第34-41页 |
| 2.5.1 齿轮故障特征描述 | 第34页 |
| 2.5.2 齿轮分布型故障仿真信号稀疏分解 | 第34-37页 |
| 2.5.3 齿轮集中型故障仿真信号稀疏分解 | 第37-41页 |
| 2.6 本章小结 | 第41-43页 |
| 第3章 风电机组传动链故障信号稀疏分解 | 第43-65页 |
| 3.1 概述 | 第43页 |
| 3.2 双馈型风电机组传动链 | 第43-45页 |
| 3.2.1 传动链结构描述 | 第43-44页 |
| 3.2.2 传动链CMS描述 | 第44-45页 |
| 3.3 信号分析案例 | 第45-63页 |
| 3.3.1 案例一: 齿轮箱振动 | 第45-49页 |
| 3.3.2 案例二: 齿轮箱振动 | 第49-54页 |
| 3.3.3 案例三: 发电机驱动端振动 | 第54-56页 |
| 3.3.4 案例四: 发电机驱动端振动 | 第56-59页 |
| 3.3.5 案例五: 发电机驱动端振动 | 第59-63页 |
| 3.4 本章小结 | 第63-65页 |
| 第4章 基于MED与稀疏分解相结合的分析方法 | 第65-80页 |
| 4.1 概述 | 第65页 |
| 4.2 最小（火商）解卷积 | 第65-68页 |
| 4.2.1 概述 | 第65-66页 |
| 4.2.2 最小熵解卷积方法及实现 | 第66-67页 |
| 4.2.3 MED参数选择 | 第67-68页 |
| 4.3 基于MED和稀疏分解结合的信号处理方案 | 第68-69页 |
| 4.3.1 MED滤波处理流程 | 第68-69页 |
| 4.3.2 MED与稀疏分解方法的诊断流程 | 第69页 |
| 4.4 仿真信号分析 | 第69-73页 |
| 4.5 风电机组实际信号故障分析 | 第73-79页 |
| 4.5.1 风电机组齿轮箱故障信号 | 第73-76页 |
| 4.5.2 风电机组发电机轴承故障信号 | 第76-79页 |
| 4.6 本章小结 | 第79-80页 |
| 第5章 基于稀疏分解的故障趋势分析 | 第80-87页 |
| 5.1 概述 | 第80页 |
| 5.2 特征提取方法描述 | 第80页 |
| 5.3 分析案例 | 第80-86页 |
| 5.3.1 对象描述 | 第80-81页 |
| 5.3.2 故障趋势数据描述 | 第81-84页 |
| 5.3.3 故障趋势数据特征提取效果 | 第84-86页 |
| 5.4 本章小结 | 第86-87页 |
| 第6章 结论与展望 | 第87-89页 |
| 6.1 结论 | 第87页 |
| 6.2 展望 | 第87-89页 |
| 参考文献 | 第89-96页 |
| 攻读硕士期间发表论文及其它成果 | 第96-97页 |
| 致谢 | 第97页 |
