| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 选题背景及意义 | 第11-13页 |
| 1.2 课题研究目的与意义 | 第13-15页 |
| 1.3 风电机组齿轮箱状态监测与故障诊断的国内外研究现状 | 第15-19页 |
| 1.3.1 国内研究现状 | 第15-16页 |
| 1.3.2 国外研究现状 | 第16-17页 |
| 1.3.3 风力发电机常用故障诊断方法 | 第17-18页 |
| 1.3.4 风力发电机组齿轮箱故障诊断传统方法 | 第18-19页 |
| 1.4 课题研究的主要内容及章节安排 | 第19-21页 |
| 第二章 风力发电机组齿轮箱常见故障类型及特征 | 第21-30页 |
| 2.1 引言 | 第21页 |
| 2.2 风力发电机的结构原理 | 第21-22页 |
| 2.3 风力发电机组齿轮箱结构原理、常见故障及特征 | 第22-29页 |
| 2.3.1 风力发电机组齿轮箱结构 | 第24-25页 |
| 2.3.2 风力发电机组齿轮箱主要故障及特征 | 第25-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 风力发电机组齿轮箱振动信号的特征提取 | 第30-49页 |
| 3.1 引言 | 第30页 |
| 3.2 风力发电机组实验平台 | 第30-34页 |
| 3.2.1 小型风电机组模拟装置 | 第30-31页 |
| 3.2.2 风力发电机组齿轮箱故障诊断实验装置 | 第31-32页 |
| 3.2.3 风力发电机组齿轮箱部分实验数据 | 第32-34页 |
| 3.3 小波分析原理及降噪 | 第34-39页 |
| 3.3.1 小波变换原理 | 第34-35页 |
| 3.3.2 小波包原理与降噪 | 第35-39页 |
| 3.4 齿轮箱故障诊断特征量提取 | 第39-45页 |
| 3.4.1 时域特征量 | 第39-42页 |
| 3.4.2 频域特征量 | 第42-45页 |
| 3.5 特征量组合以及数据归一化 | 第45-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 基于改进KNN的风力发电机组齿轮箱故障诊断 | 第49-60页 |
| 4.1 引言 | 第49页 |
| 4.2 K-最近邻算法理论 | 第49-51页 |
| 4.3 改进的KNN算法 | 第51-52页 |
| 4.3.1 传统KNN算法的不足 | 第51页 |
| 4.3.2 改进的KNN算法 | 第51-52页 |
| 4.4 风力发电齿轮箱故障诊断实例分析 | 第52-59页 |
| 4.4.1 风力发电机组齿轮箱故障诊断数据获取 | 第53-55页 |
| 4.4.2 基于优化KNN的齿轮箱故障识别 | 第55-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 风力发电机组齿轮箱状态监测与故障诊断系统 | 第60-74页 |
| 5.1 引言 | 第60页 |
| 5.2 系统整体架构的设计 | 第60-61页 |
| 5.3 数据采集单元 | 第61-65页 |
| 5.3.1 传感器的选择与安装 | 第61-63页 |
| 5.3.2 数据采集处理 | 第63-65页 |
| 5.4 状态监测单元 | 第65-69页 |
| 5.5 故障诊断单元 | 第69-71页 |
| 5.5.1 数据处理 | 第70页 |
| 5.5.2 改进的KNN智能诊断算法在故障诊断系统中的应用 | 第70-71页 |
| 5.6 通信模块 | 第71-73页 |
| 5.7 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82页 |
