风电机组轴承智能故障诊断系统研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-20页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 相关技术的研究现状 | 第10-18页 |
| 1.2.1 风电机组故障诊断的国内外研究现状 | 第10-12页 |
| 1.2.2 轴承故障诊断的方法及研究现状 | 第12-15页 |
| 1.2.3 轴承故障状态的识别方法及研究现状 | 第15-18页 |
| 1.3 论文的主要研究内容 | 第18-20页 |
| 第二章 风电机组轴承的故障及关键诊断技术 | 第20-29页 |
| 2.1 风力发电机的结构 | 第20页 |
| 2.2 滚动轴承的概念和分类 | 第20-23页 |
| 2.2.1 滚动轴承的基本结构 | 第20-22页 |
| 2.2.2 滚动轴承的性能和用途 | 第22-23页 |
| 2.3 滚动轴承的失效形式 | 第23-24页 |
| 2.4 滚动轴承智能故障诊断原理 | 第24-26页 |
| 2.4.1 滚动轴承的振动机理 | 第24-25页 |
| 2.4.2 滚动轴承故障特征频率 | 第25-26页 |
| 2.5 滚动轴承智能故障诊断系统的关键技术 | 第26-28页 |
| 2.5.1 信号采集模块的关键技术 | 第26-27页 |
| 2.5.2 特征提取模块的关键技术 | 第27页 |
| 2.5.3 状态识别模块的关键技术 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 风电机组轴承故障诊断方法的理论研究 | 第29-46页 |
| 3.1 LMD理论 | 第29-35页 |
| 3.1.1 LMD概述 | 第29页 |
| 3.1.2 LMD分解原理 | 第29-32页 |
| 3.1.3 LMD分解算法的信号仿真 | 第32-35页 |
| 3.2 数学形态学滤波 | 第35-40页 |
| 3.2.1 数学形态滤波概述 | 第35页 |
| 3.2.2 数学形态的基本运算 | 第35-36页 |
| 3.2.3 数学形态滤波器 | 第36-38页 |
| 3.2.4 数学形态滤波器的结构元素 | 第38页 |
| 3.2.5 数学形态滤波仿真验证 | 第38-40页 |
| 3.3 排列熵理论及参数选取 | 第40-42页 |
| 3.3.1 排列熵的基本理论 | 第40-41页 |
| 3.3.2 排列熵的参数选取 | 第41-42页 |
| 3.4 BP神经网络 | 第42-44页 |
| 3.4.1 BP神经网络的结构 | 第42-43页 |
| 3.4.2 BP神经网络的学习过程 | 第43-44页 |
| 3.5 轴承的故障诊断流程 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 风电机组轴承的故障诊断试验 | 第46-62页 |
| 4.1 试验设备和仪器的介绍 | 第46-47页 |
| 4.2 试验方案 | 第47页 |
| 4.3 滚动轴承故障诊断的试验数据分析 | 第47-58页 |
| 4.3.1 滚动轴承理论故障特征频率的计算 | 第47-48页 |
| 4.3.2 滚动轴承内套圈故障试验数据分析 | 第48-51页 |
| 4.3.3 滚动轴承外套圈故障试验数据分析 | 第51-54页 |
| 4.3.4 滚动轴承正常工作时试验数据分析 | 第54-58页 |
| 4.4 基于BP神经网络的轴承智能故障诊断 | 第58-61页 |
| 4.4.1 BP神经网络输入特征向量的选取 | 第58-59页 |
| 4.4.2 BP神经网络模型的建立 | 第59-60页 |
| 4.4.3 滚动轴承智能故障诊断的仿真试验 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 风电机组轴承智能故障诊断系统的实现 | 第62-72页 |
| 5.1 概述 | 第62页 |
| 5.2 开发工具简介 | 第62页 |
| 5.3 系统基本功能的介绍 | 第62-71页 |
| 5.3.1 系统的主界面 | 第63-64页 |
| 5.3.2 参数设置模块 | 第64-65页 |
| 5.3.3 幅值域分析模块 | 第65-66页 |
| 5.3.4 频谱分析模块 | 第66-71页 |
| 5.3.5 智能故障诊断模块 | 第71页 |
| 5.4 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 攻读学位期间取得的研究成果 | 第79-80页 |
| 致谢 | 第80页 |
