| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-16页 |
| ·论文研究背景及意义 | 第12-13页 |
| ·风力发电机组故障诊断发展现状 | 第13-14页 |
| ·本文的主要研究内容 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第2章 风力发电机齿轮箱的故障原理分析 | 第16-24页 |
| ·风力发电机结构 | 第16-17页 |
| ·风力发电机齿轮箱结构 | 第17-18页 |
| ·齿轮故障及振动信号产生 | 第18-21页 |
| ·齿轮的啮合频率 | 第18-19页 |
| ·齿轮振动信号的调制 | 第19-20页 |
| ·齿轮故障形式及信号特征 | 第20-21页 |
| ·轴承故障及振动信号产生 | 第21-22页 |
| ·齿轮箱中滚动轴承的振动机理 | 第21页 |
| ·轴承故障频率 | 第21-22页 |
| ·本章小结 | 第22-24页 |
| 第3章 基于小波包神经网络的故障诊断算法分析 | 第24-42页 |
| ·常用的故障算法介绍 | 第24-26页 |
| ·时域分析 | 第24-25页 |
| ·频域分析 | 第25-26页 |
| ·小波包分析 | 第26-33页 |
| ·小波变换原理 | 第27-30页 |
| ·小波消噪 | 第30-32页 |
| ·小波包变换 | 第32-33页 |
| ·BP 神经网络 | 第33-38页 |
| ·神经元特性 | 第33-34页 |
| ·神经网络结构 | 第34-35页 |
| ·BP 神经网络的建立 | 第35-38页 |
| ·基于小波包和 BP 神经网络的齿轮箱故障诊断模型 | 第38-41页 |
| ·小波包和 BP 神经网络的结合方式 | 第38-39页 |
| ·基于小波包的振动信号特征向量提取 | 第39-40页 |
| ·基于 BP 神经网络的智能故障诊断 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于虚拟仪器的齿轮箱故障诊断系统开发 | 第42-62页 |
| ·虚拟仪器技术介绍 | 第42-43页 |
| ·系统整体设计 | 第43页 |
| ·齿轮箱实验台设计 | 第43-44页 |
| ·基于 PXI 平台的振动信号采集 | 第44-50页 |
| ·PXI 平台总体设计 | 第44-46页 |
| ·振动信号采集 | 第46-47页 |
| ·转速信号采集 | 第47-49页 |
| ·采集的触发同步问题 | 第49-50页 |
| ·基于 DataSocket 技术的数据传输 | 第50-52页 |
| ·监控中心软件实现 | 第52-60页 |
| ·BP 网络训练模块 | 第53-55页 |
| ·BP 网络诊断启停模块 | 第55-57页 |
| ·数据保存启停模块 | 第57-58页 |
| ·离线分析模块 | 第58-60页 |
| ·数据采集启停模块 | 第60页 |
| ·系统退出 | 第60页 |
| ·本章小结 | 第60-62页 |
| 第5章 故障诊断实例分析 | 第62-68页 |
| ·数据的小波消噪处理 | 第62-63页 |
| ·故障特征向量提取 | 第63-65页 |
| ·BP 网络诊断分析 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| ·总结 | 第68-69页 |
| ·展望 | 第69-70页 |
| 参考文献 | 第70-78页 |
| 作者简介及在学期间所取得的科研成果 | 第78-80页 |
| 致谢 | 第80页 |