| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| ·课题背景 | 第10-11页 |
| ·国内外发展及研究现状概况 | 第11-16页 |
| ·研究现状总结与分析 | 第16页 |
| ·论文主要内容 | 第16-18页 |
| ·论文研究目标与研究内容 | 第16-17页 |
| ·论文主要章节内容 | 第17-18页 |
| 第二章 风力发电机传动系统关键机械部件故障机理及常用诊断分析方法 | 第18-32页 |
| ·引言 | 第18页 |
| ·风力发电机的基本结构 | 第18-20页 |
| ·风力发电机基本构成 | 第18-19页 |
| ·风力发电机齿轮箱结构 | 第19-20页 |
| ·风力发电机齿轮及轴承常见故障及故障特征分析 | 第20-26页 |
| ·齿轮故障基本形式及机理分析 | 第21页 |
| ·齿轮故障信号特征 | 第21-24页 |
| ·轴承故障基本形式及机理分析 | 第24-25页 |
| ·轴承的振动信号特征 | 第25-26页 |
| ·常用诊断分析方法 | 第26-31页 |
| ·时域分析方法 | 第26-27页 |
| ·频域分析方法 | 第27-29页 |
| ·小波相关滤波降噪方法 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 风机传动系统关键机械部件状态监测与故障诊断方法 | 第32-45页 |
| ·引言 | 第32页 |
| ·基于主元分析的齿轮箱统计过程状态监测 | 第32-37页 |
| ·主元分析法 | 第32-35页 |
| ·状态监测统计量 | 第35-36页 |
| ·基于小波相关滤波—主元分析的状态监测方法 | 第36-37页 |
| ·改进的极限学习机故障诊断 | 第37-42页 |
| ·极限学习机 | 第37-40页 |
| ·改进的极限学习机 | 第40-42页 |
| ·基于 PCA-IELM 的风机关键机械部件监测和诊断方法 | 第42-44页 |
| ·建立正常状态下的 PCA 多变量统计过程监控模型 | 第43-44页 |
| ·建立 IELM 故障诊断模型 | 第44页 |
| ·风机关键机械部件在线监控与故障诊断 | 第44页 |
| ·本章小结 | 第44-45页 |
| 第四章 风机传动系统关键机械部件状态监测与故障诊断实验与结果分析 | 第45-63页 |
| ·引言 | 第45页 |
| ·传动系统故障模拟实验台简介 | 第45-50页 |
| ·实验台主体装置 | 第45-47页 |
| ·故障部件 | 第47-48页 |
| ·传感器的选择与安装 | 第48-49页 |
| ·采集系统的确定 | 第49-50页 |
| ·实验方案 | 第50-52页 |
| ·实验准备 | 第51页 |
| ·实验过程 | 第51-52页 |
| ·特征提取 | 第52页 |
| ·结果分析 | 第52-62页 |
| ·基于小波相关滤波—PCA 的多变量统计过程监控 | 第52-57页 |
| ·基于 IELM 的传动系统关键机械部件故障诊断分析 | 第57-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 风机传动系统状态监测与故障诊断软件系统实现 | 第63-77页 |
| ·引言 | 第63页 |
| ·系统总体设计 | 第63-66页 |
| ·功能需求分析 | 第63-64页 |
| ·总体设计 | 第64-66页 |
| ·平台选择 | 第66页 |
| ·状态监测模块 | 第66-73页 |
| ·状态监测模块结构 | 第66-68页 |
| ·状态监测模块功能设计实现 | 第68-71页 |
| ·数据库设计 | 第71-73页 |
| ·故障诊断模块 | 第73-76页 |
| ·模块常用信号分析方法实现 | 第73-74页 |
| ·基于 IELM 的人工智能诊断方法实现 | 第74-76页 |
| ·本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| ·论文工作总结 | 第77-78页 |
| ·研究展望 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 致谢 | 第84-85页 |
| 攻读硕士学位期间取得的研究成果 | 第85页 |
