| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 本课题研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 电机偏心故障诊断研究现状 | 第8-9页 |
| 1.2.2 电机轴承故障诊断研究现状 | 第9-10页 |
| 1.3 本文主要研究内容 | 第10-11页 |
| 第二章 风电机组主要故障类型及故障特性分析 | 第11-17页 |
| 2.1 风电机组主要故障统计 | 第11-13页 |
| 2.2 发电机转子偏心故障 | 第13-15页 |
| 2.2.1 转子偏心故障类型 | 第13-14页 |
| 2.2.2 转子偏心故障特性分析 | 第14-15页 |
| 2.3 发电机轴承故障 | 第15-16页 |
| 2.3.1 轴承故障类型 | 第15-16页 |
| 2.3.2 轴承故障特性分析 | 第16页 |
| 2.4 本章小结 | 第16-17页 |
| 第三章 数据采集及故障特征提取方法 | 第17-36页 |
| 3.1 风力发电机故障检测试验台简介 | 第17-18页 |
| 3.2 风电机组运行工况及故障模拟 | 第18-20页 |
| 3.2.1 风速突变工况的模拟 | 第18-19页 |
| 3.2.2 电网三相不平衡工况的模拟 | 第19-20页 |
| 3.2.3 轴承故障和偏心故障的模拟 | 第20页 |
| 3.3 多种工况下振动信号采集及故障特征提取 | 第20-32页 |
| 3.3.1 振动信号AR-Hankel矩阵特征参数的提取 | 第23-28页 |
| 3.3.2 基于小波分解的特征参数提取 | 第28-32页 |
| 3.4 多种工况下电流信号采集及故障特征提取 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 基于单一信息源的电机故障初步诊断 | 第36-45页 |
| 4.1 智能诊断模型的比较与选择 | 第37-39页 |
| 4.1.1 神经网络模型 | 第37页 |
| 4.1.2 支持向量机模型 | 第37-39页 |
| 4.2 基于后验概率输出的SVM多分类故障诊断模型 | 第39-41页 |
| 4.2.1 SVM多故障分类器的建立 | 第39-40页 |
| 4.2.2 二分类SVM概率输出 | 第40页 |
| 4.2.3 多分类后验概率输出 | 第40-41页 |
| 4.3 基于单一征兆的发电机故障初步诊断 | 第41-43页 |
| 4.3.1 基于振动信号的发电机故障初步诊断 | 第41-42页 |
| 4.3.2 基于电流信号的发电机故障初步诊断 | 第42-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第五章 振动、电流信息加权融合故障诊断 | 第45-53页 |
| 5.1 D-S证据融合理论 | 第45-46页 |
| 5.2 考虑证据可靠性和SVM泛化能力的加权融合方法 | 第46-48页 |
| 5.3 振动、电流加权融合诊断 | 第48-52页 |
| 5.3.1 加权融合诊断流程 | 第48-49页 |
| 5.3.2 诊断结果分析与评价 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文 | 第59-60页 |
| 致谢 | 第60-62页 |
