| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景和意义 | 第11-13页 |
| 1.2 风机轴承故障检测方法的国内外研究现状 | 第13-16页 |
| 1.3 盲源分离方法的产生和发展 | 第16-17页 |
| 1.4 本论文的主要内容 | 第17-18页 |
| 第2章 风电机组轴承系统 | 第18-25页 |
| 2.1 风力发电机组概述 | 第18-20页 |
| 2.1.1 风力发电机组的结构 | 第18页 |
| 2.1.2 风力发电机组的传动系统 | 第18-20页 |
| 2.2 风力发电机组的轴承分类 | 第20-21页 |
| 2.2.1 变桨轴承 | 第20页 |
| 2.2.2 偏航轴承 | 第20页 |
| 2.2.3 主轴轴承 | 第20页 |
| 2.2.4 齿轮箱轴承 | 第20-21页 |
| 2.2.5 发电机用绝缘轴承 | 第21页 |
| 2.3 风机轴承的主要失效形式和故障发展过程 | 第21-22页 |
| 2.3.1 滚动轴承的主要失效形式 | 第21-22页 |
| 2.3.2 滚动轴承的故障发展过程 | 第22页 |
| 2.4 风机轴承的故障特征分析 | 第22-24页 |
| 2.4.1 滚动轴承的基本结构 | 第22-23页 |
| 2.4.2 滚动轴承的故障特征频率 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 盲源分离方法 | 第25-41页 |
| 3.1 盲源分离的基本理论 | 第25-28页 |
| 3.1.1 盲源分离的数学模型 | 第25-26页 |
| 3.1.2 盲源分离的基本假设 | 第26页 |
| 3.1.3 盲源分离的算法评价标准 | 第26-28页 |
| 3.2 盲信号的源数目估计 | 第28-31页 |
| 3.2.1 SVD方法的基本原理和步骤 | 第28-29页 |
| 3.2.2 基于奇异值的源数估计方法 | 第29-31页 |
| 3.3 盲源分离的ICA算法 | 第31-33页 |
| 3.3.1 ICA的目标函数 | 第31-33页 |
| 3.3.2 ICA的优化算法 | 第33页 |
| 3.4 基于Fast ICA的盲源分离算法 | 第33-35页 |
| 3.5 基于最大信噪比的盲源分离算法 | 第35-36页 |
| 3.6 盲源分离算法仿真实验 | 第36-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 基于小波包络解调—Fast ICA算法的风机轴承的故障特征提取 | 第41-48页 |
| 4.1 利用小波包络解调去噪处理 | 第41-42页 |
| 4.2 小波包络解调—Fast ICA算法提取风机主轴承故障特征 | 第42页 |
| 4.3 实例仿真分析 | 第42-47页 |
| 4.3.1 主轴承处于良好运行时的振动信号分离 | 第43-44页 |
| 4.3.2 主轴承外圈故障时的振动信号分离 | 第44-45页 |
| 4.3.3 主轴承内圈故障时的振动信号分离 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 基于EMD-Fast ICA的单一通道盲源分离的风机轴承的故障特征提取 | 第48-62页 |
| 5.1 单一通道盲源分离 | 第48-49页 |
| 5.1.1 单一通道盲源分离模型 | 第48页 |
| 5.1.2 可分离性分析 | 第48-49页 |
| 5.2 基于EMD-Fast ICA的单一通道盲源分离算法 | 第49-51页 |
| 5.2.1 EMD理论介绍 | 第49-50页 |
| 5.2.2 基于EMD-Fast ICA的单一通道盲源分离算法 | 第50-51页 |
| 5.3 算例仿真实验 | 第51-54页 |
| 5.4 实际风机轴承的故障特征提取 | 第54-59页 |
| 5.5 风机轴承的早期故障特征提取 | 第59-61页 |
| 5.6 本章小结 | 第61-62页 |
| 第6章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第67-68页 |
| 攻读硕士学位期间参与的科研项目 | 第68-69页 |
| 致谢 | 第69页 |
