中文摘要 | 第3-5页 |
英文摘要 | 第5-7页 |
1 绪论 | 第11-25页 |
1.1 课题来源 | 第11页 |
1.2 课题背景和研究意义 | 第11-14页 |
1.3 风电机组传动系统早期故障诊断方法研究现状 | 第14-21页 |
1.3.1 风电机组传动系统故障诊断技术研究现状 | 第15-19页 |
1.3.2 基于流形学习的故障诊断方法研究现状 | 第19-21页 |
1.4 基于泛化流形学习的风电机组传动系统早期故障诊断存在的难点 | 第21-22页 |
1.5 本文主要研究内容及结构安排 | 第22-25页 |
2 基于无监督流形学习的风电机组传动系统振动信号降噪 | 第25-49页 |
2.1 引言 | 第25-26页 |
2.2 时域信号噪声向小波系数空间的转化 | 第26-29页 |
2.2.1 小波包分解 | 第26-28页 |
2.2.2 时域信号噪声向小波系数空间的转化 | 第28-29页 |
2.3 相空间重构和无监督流形学习算法 | 第29-34页 |
2.3.1 相空间重构 | 第29-30页 |
2.3.2 局部切空间排列算法 | 第30-31页 |
2.3.3 参数设置 | 第31-34页 |
2.4 基于无监督流形学习的风电机组传动系统振动信号降噪 | 第34-48页 |
2.4.1 基于无监督流形学习的振动信号非线性降噪流程 | 第34-35页 |
2.4.2 仿真信号降噪实验 | 第35-43页 |
2.4.3 应用实例 | 第43-48页 |
2.5 本章小结 | 第48-49页 |
3 基于监督流形学习的风电机组传动系统早期微弱故障特征提取 | 第49-89页 |
3.1 引言 | 第49-50页 |
3.2 混合域特征提取 | 第50-60页 |
3.2.1 故障特征构造 | 第50-52页 |
3.2.2 故障特征选择 | 第52-54页 |
3.2.3 实验与分析 | 第54-60页 |
3.3 有监督流形学习早期故障特征提取 | 第60-74页 |
3.3.1 改进的有监督线性局部嵌入算法 | 第60-62页 |
3.3.2 有监督扩展线性局部切空间排列算法 | 第62-64页 |
3.3.3 迭代新增样本嵌入算法 | 第64-66页 |
3.3.4 实验与分析 | 第66-74页 |
3.4 半监督流形学习早期故障特征提取 | 第74-80页 |
3.4.1 半监督局部切空间排列算法 | 第74-77页 |
3.4.2 实验与分析 | 第77-80页 |
3.5 基于监督流形学习的微弱故障特征提取 | 第80-87页 |
3.5.1 基于监督流形学习的微弱故障特征提取流程 | 第80-81页 |
3.5.2 实例应用 | 第81-87页 |
3.6 本章小结 | 第87-89页 |
4 基于模式识别的风电机组传动系统小子样早期故障辨识 | 第89-107页 |
4.1 引言 | 第89-90页 |
4.2 最小二乘支持向量机算法(LS-SVM) | 第90-92页 |
4.2.1 支持向量机(SVM)算法 | 第90-91页 |
4.2.2 最小二乘支持向量机(LS-SVM)算法 | 第91-92页 |
4.3 改进PSO参数优化算法 | 第92-94页 |
4.3.1 PSO参数优化算法 | 第92-93页 |
4.3.2 改进PSO参数优化算法 | 第93-94页 |
4.4 基于改进PSO优化最小二乘支持矢量机的早期故障诊断模型 | 第94-96页 |
4.5 实验验证及实例应用 | 第96-105页 |
4.5.1 齿轮箱故障诊断实验 | 第96-102页 |
4.5.2 EPSO优化参数的LS-SVM在风电机组传动系统状态辨识中的应用 | 第102-105页 |
4.6 本章小结 | 第105-107页 |
5 系统集成及应用 | 第107-121页 |
5.1 引言 | 第107页 |
5.2 系统软件功能实现 | 第107-114页 |
5.3 应用实例 | 第114-120页 |
5.4 本章小结 | 第120-121页 |
6 结论与展望 | 第121-125页 |
6.1 结论 | 第121-122页 |
6.1.1 全文总结 | 第121-122页 |
6.1.2 主要创新点 | 第122页 |
6.2 研究展望 | 第122-125页 |
致谢 | 第125-127页 |
参考文献 | 第127-139页 |
附录 | 第139-140页 |
A. 作者在攻读博士学位期间发表的论文目录 | 第139-140页 |
B. 作者在攻读博士学位期间参加的科研项目 | 第140页 |