风电机组传动链轴承故障诊断
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 课题研究意义 | 第10-11页 |
| 1.3 国内外研究现状及发展趋势 | 第11-14页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.3.3 风电机组轴承故障诊断技术的发展趋势 | 第13-14页 |
| 1.4 本文主要研究内容 | 第14-16页 |
| 第2章 风电机组传动链轴承故障分析 | 第16-26页 |
| 2.1 双馈风电机组中的轴承 | 第16-18页 |
| 2.2 轴承的失效形式及故障演化 | 第18-19页 |
| 2.3 轴承的故障树分析 | 第19-22页 |
| 2.3.1 故障树分析方法概述: | 第19-20页 |
| 2.3.2 故障树分析基本流程 | 第20-21页 |
| 2.3.3 传动链轴承故障树建立 | 第21-22页 |
| 2.4 风机传动链轴承故障机理分析 | 第22-25页 |
| 2.4.1 风机传动链轴承振动机理 | 第22-23页 |
| 2.4.2 风机传动链轴承故障特征频率 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 风机传动链轴承振动数据特征向量提取 | 第26-42页 |
| 3.1 经验小波分解 | 第26-37页 |
| 3.1.1 经验小波分解原理 | 第27-29页 |
| 3.1.2 模拟信号验证 | 第29-31页 |
| 3.1.3 风机轴承振动信号分解 | 第31-37页 |
| 3.2 故障特征向量提取 | 第37-38页 |
| 3.3 故障特征向量归一化 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于PS0-BP神经网络的轴承故障诊断 | 第42-51页 |
| 4.1 BP神经网络理论 | 第42页 |
| 4.2 粒子群优化算法 | 第42-43页 |
| 4.3 粒子群优化BP神经网络的实现 | 第43-50页 |
| 4.3.1 BP的参数设置及网络结构 | 第44-46页 |
| 4.3.2 PSO-BP故障诊断 | 第46-48页 |
| 4.3.3 算法测试 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 基于PS0-SVM神经网络的轴承故障诊断 | 第51-57页 |
| 5.1 支持向量机基本理论 | 第51页 |
| 5.2 支持向量机算法优化 | 第51-52页 |
| 5.3 改进支持向量机故障诊断 | 第52-54页 |
| 5.4 算法测试 | 第54-55页 |
| 5.5 本章小结 | 第55-57页 |
| 第6章 结论与展望 | 第57-59页 |
| 6.1 论文总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第63-64页 |
| 致谢 | 第64页 |
