| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-29页 |
| 1.1 论文研究背景及意义 | 第15-18页 |
| 1.2 国内外研究现状 | 第18-25页 |
| 1.2.1 风电机组状态监测与故障诊断技术现状 | 第18-21页 |
| 1.2.2 智能故障诊断技术现状 | 第21-22页 |
| 1.2.3 基于模式识别方法的故障诊断研究现状 | 第22-25页 |
| 1.3 本文的主要研究内容和结构 | 第25-29页 |
| 1.3.1 主要研究内容 | 第25-27页 |
| 1.3.2 论文章节结构 | 第27-29页 |
| 第2章 风电机组及模式识别方法理论基础 | 第29-52页 |
| 2.1 风电机组传动链基本结构 | 第29-35页 |
| 2.1.1 双馈型风电机组传动链基本结构 | 第30-31页 |
| 2.1.2 直驱型风电机组传动链基本结构 | 第31-32页 |
| 2.1.3 风电机组齿轮箱基本结构 | 第32-34页 |
| 2.1.4 风电机组轴承 | 第34-35页 |
| 2.2 风电机组故障分析 | 第35-37页 |
| 2.2.1 我国风电场故障统计分析 | 第35-36页 |
| 2.2.2 国外风电场故障统计分析 | 第36-37页 |
| 2.3 风电机组传动链主要部件故障分析 | 第37-40页 |
| 2.3.1 齿轮故障 | 第37-38页 |
| 2.3.2 轴承故障 | 第38-39页 |
| 2.3.3 轴故障 | 第39-40页 |
| 2.4 智能故障诊断理论基础 | 第40-50页 |
| 2.4.1 基于有监督学习的模式识别基本原理 | 第40-47页 |
| 2.4.2 基于无监督学习的模式识别基本原理 | 第47-50页 |
| 2.4.3 两种模式识别方法的比较 | 第50页 |
| 2.5 本章小结 | 第50-52页 |
| 第3章 基于自适应共振神经网络的故障诊断方法研究 | 第52-79页 |
| 3.1 引言 | 第52-53页 |
| 3.2 ART-2神经网络基本原理 | 第53-57页 |
| 3.2.1 ART-2神经网络结构 | 第53页 |
| 3.2.2 ART-2神经网络学习算法 | 第53-57页 |
| 3.3 小波变换基本原理 | 第57-60页 |
| 3.3.1 连续小波变换 | 第57页 |
| 3.3.2 离散小波变换 | 第57-58页 |
| 3.3.3 小波包变换 | 第58-60页 |
| 3.3.4 相对小波包能量 | 第60页 |
| 3.4 基于ART-2神经网络的齿轮箱运行状态趋势分析 | 第60-71页 |
| 3.4.1 诊断方案 | 第60-61页 |
| 3.4.2 实验描述 | 第61-62页 |
| 3.4.3 信号时域、频域特征值分析 | 第62-65页 |
| 3.4.4 信号的相对小波包能量特征值 | 第65-66页 |
| 3.4.5 基于ART-2神经网络的模式识别 | 第66-71页 |
| 3.5 实际风电机组传动链故障诊断案例 | 第71-77页 |
| 3.5.1 案例描述 | 第71-72页 |
| 3.5.2 基于ART-2神经网络的状态趋势分析 | 第72-77页 |
| 3.6 本章小结 | 第77-79页 |
| 第4章 风电机组设备群故障诊断方法研究 | 第79-93页 |
| 4.1 引言 | 第79-80页 |
| 4.2 结合C均值聚类的ART-2神经网络 | 第80-82页 |
| 4.2.1 ART-2神经网络算法存在的问题 | 第80页 |
| 4.2.2 C-值聚类算法基本原理 | 第80-81页 |
| 4.2.3 结合C-值聚类的ART-2神经网络分类算法 | 第81-82页 |
| 4.3 算法验证 | 第82-88页 |
| 4.3.1 仿真验证 | 第82-85页 |
| 4.3.2 齿轮箱故障数据验证 | 第85-88页 |
| 4.4 风电机组设备群故障诊断实例 | 第88-92页 |
| 4.5 本章小结 | 第92-93页 |
| 第5章 基于模糊核聚类的故障诊断方法研究 | 第93-114页 |
| 5.1 引言 | 第93页 |
| 5.2 模糊核聚类算法基本理论 | 第93-99页 |
| 5.2.1 模糊集合概念 | 第93-95页 |
| 5.2.2 模糊聚类基本算法 | 第95-96页 |
| 5.2.3 核函数基本概念 | 第96-98页 |
| 5.2.4 模糊核聚类算法的实现 | 第98-99页 |
| 5.3 优化模糊核聚类算法 | 第99-102页 |
| 5.3.1 万有引力搜索算法基本原理 | 第99-101页 |
| 5.3.2 粒子群优化算法基本原理 | 第101-102页 |
| 5.4 基于模糊核聚类算法的故障诊断 | 第102-106页 |
| 5.4.1 聚类模型的建立 | 第102-103页 |
| 5.4.2 优化算法求解聚类模型 | 第103-105页 |
| 5.4.3 故障诊断方案 | 第105-106页 |
| 5.5 实例分析 | 第106-113页 |
| 5.5.1 风电机组齿轮箱测试描述 | 第106-107页 |
| 5.5.2 特征值提取 | 第107-109页 |
| 5.5.3 GSA优化KFCM的诊断结果 | 第109页 |
| 5.5.4 PSO优化KFCM的诊断结果 | 第109-111页 |
| 5.5.5 GSA和PSO优化KFCM的比较 | 第111-113页 |
| 5.6 本章小结 | 第113-114页 |
| 第6章 结论与展望 | 第114-116页 |
| 6.1 全文工作总结 | 第114-115页 |
| 6.2 研究工作展望 | 第115-116页 |
| 参考文献 | 第116-127页 |
| 攻读博士学位期间发表的论文及其它成果 | 第127-128页 |
| 攻读博士学位期间参加的科研工作 | 第128-129页 |
| 致谢 | 第129-130页 |
| 作者简介 | 第130页 |