| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 风电机组的故障诊断研究现状 | 第12-13页 |
| 1.2.2 齿轮箱研究现状 | 第13-16页 |
| 1.2.3 局域均值分解方法的研究现状 | 第16-17页 |
| 1.2.4 支持向量机的研究现状 | 第17-18页 |
| 1.3 论文的主要研究内容 | 第18-19页 |
| 第二章 风电机组齿轮箱失效模式与振动信号特性分析 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 风电机组原理及其组成结构 | 第19-20页 |
| 2.2.1 风电机组主要类型 | 第19-20页 |
| 2.2.2 双馈型异步发电机组结构 | 第20页 |
| 2.3 风电齿轮箱失效模式 | 第20-24页 |
| 2.3.1 疲劳模式 | 第20-21页 |
| 2.3.2 磨损模式 | 第21-22页 |
| 2.3.3 过载模式 | 第22-23页 |
| 2.3.4 腐蚀模式 | 第23-24页 |
| 2.4 齿轮故障类型 | 第24-25页 |
| 2.5 齿轮箱振动的分析 | 第25-26页 |
| 2.5.1 齿轮的振动模型 | 第25-26页 |
| 2.5.2 齿轮故障的振动特征信号 | 第26页 |
| 2.6 本章小结 | 第26-29页 |
| 第三章 改进的局域均值分解方法的研究 | 第29-41页 |
| 3.1 引言 | 第29页 |
| 3.2 LMD的原理及算法研究 | 第29-33页 |
| 3.2.1 LMD的基本过程 | 第29页 |
| 3.2.2 LMD的基本原理和算法 | 第29-32页 |
| 3.2.3 LMD分解的仿真示例 | 第32-33页 |
| 3.3 LMD方法的主要特点 | 第33-35页 |
| 3.3.1 自适应性 | 第33-34页 |
| 3.3.2 独立性 | 第34页 |
| 3.3.3 正交性 | 第34-35页 |
| 3.3.4 完备性 | 第35页 |
| 3.4 LMD的端点效应及解决方法的研究 | 第35-40页 |
| 3.4.1 LMD的端点效应 | 第35-36页 |
| 3.4.2 自适应波形匹配延拓 | 第36-38页 |
| 3.4.3 仿真示例 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于改进的LMD与IRLS-SVM风电机组齿轮故障诊断方法 | 第41-57页 |
| 4.1 引言 | 第41页 |
| 4.2 风电机组齿轮故障诊断系统 | 第41-42页 |
| 4.3 IRLS-SVM模式识别方法 | 第42-43页 |
| 4.4 基于改进的LMD与IRLS-SVM风电机组齿轮故障诊断 | 第43-47页 |
| 4.4.1 诊断流程 | 第44页 |
| 4.4.2 实验数据的采集 | 第44-45页 |
| 4.4.3 齿轮信号改进的LMD分解 | 第45-47页 |
| 4.4.4 IRLS-SVM的故障模式识别 | 第47页 |
| 4.5 BP神经网络 | 第47-52页 |
| 4.5.1 BP神经网络结构 | 第47-49页 |
| 4.5.2 BP神经网络学习算法 | 第49-51页 |
| 4.5.3 BP神经网络的设计 | 第51-52页 |
| 4.6 最小二乘支持向量机 | 第52-55页 |
| 4.6.1 支持向量机 | 第52页 |
| 4.6.2 最小二乘支持向量机 | 第52-55页 |
| 4.7 实验对比分析 | 第55-56页 |
| 4.8 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 附录A (攻读硕士学位期间发表论文) | 第67-69页 |
| 附录B (攻读硕士学位期间申请的软件著作权) | 第69页 |