| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 致谢 | 第10-16页 |
| 第1章 绪论 | 第16-36页 |
| 1.1 课题研究的背景与意义 | 第16-19页 |
| 1.2 非平稳信号处理方法研究现状 | 第19-24页 |
| 1.2.1 短时Fourier变换 | 第19-20页 |
| 1.2.2 Wigner-Ville分布 | 第20页 |
| 1.2.3 小波分析 | 第20-21页 |
| 1.2.4 阶次谱分析 | 第21-23页 |
| 1.2.5 S变换 | 第23-24页 |
| 1.3 风电齿轮箱故障诊断方法研究现状 | 第24-28页 |
| 1.3.1 基于信号分析的故障诊断技术 | 第24-25页 |
| 1.3.2 智能故障诊断技术 | 第25-28页 |
| 1.3.2.1 专家系统 | 第25页 |
| 1.3.2.2 模糊理论 | 第25-26页 |
| 1.3.2.3 人工神经网络 | 第26页 |
| 1.3.2.4 故障树分析 | 第26-27页 |
| 1.3.2.5 支持向量机 | 第27-28页 |
| 1.4 风电齿轮箱试验台研究与应用现状 | 第28-31页 |
| 1.5 本文的主要研究内容 | 第31-36页 |
| 第2章 风电齿轮箱振动信号角域重采样与阶次谱分析研究 | 第36-52页 |
| 2.1 引言 | 第36页 |
| 2.2 阶次谱分析基本原理 | 第36-39页 |
| 2.2.1 阶次与阶次谱 | 第36-37页 |
| 2.2.2 阶次谱分析与FFT频谱分析的比较 | 第37-39页 |
| 2.3 计算阶次谱分析方法 | 第39-42页 |
| 2.3.1 重采样时间点计算 | 第40-41页 |
| 2.3.2 幅值插值算法 | 第41-42页 |
| 2.4 风电齿轮箱模拟试验台振动信号的阶次谱分析研究 | 第42-50页 |
| 2.4.1 风电齿轮箱模拟试验台搭建 | 第42-46页 |
| 2.4.1.1 机械结构 | 第43-44页 |
| 2.4.1.2 电气控制系统 | 第44-45页 |
| 2.4.1.3 测试系统 | 第45-46页 |
| 2.4.2 模拟试验台中风电齿轮箱振动信号的阶次谱分析 | 第46-50页 |
| 2.5 本章小结 | 第50-52页 |
| 第3章 基于径向基神经网络的风电齿轮箱智能故障诊断方法研究 | 第52-74页 |
| 3.1 引言 | 第52页 |
| 3.2 RBF神经网络 | 第52-55页 |
| 3.2.1 RBF神经网络结构 | 第52-54页 |
| 3.2.2 RBF神经网络学习算法分析 | 第54-55页 |
| 3.3 风电齿轮箱RBF神经网络的智能故障诊断 | 第55-65页 |
| 3.3.1 故障特征参量提取 | 第56-60页 |
| 3.3.1.1 角域故障特征参量 | 第56-58页 |
| 3.3.1.2 阶次域故障特征参量 | 第58-60页 |
| 3.3.2 模拟试验台中风电齿轮箱RBF神经网络的故障诊断 | 第60-65页 |
| 3.3.2.1 RBF神经网络训练 | 第60-63页 |
| 3.3.2.2 RBF神经网络性能测试及故障诊断 | 第63-65页 |
| 3.4 遗传算法优化RBF神经网络的风电齿轮箱智能故障诊断 | 第65-72页 |
| 3.4.1 遗传算法优化RBF网络中心 | 第65-69页 |
| 3.4.1.1 染色体编码 | 第66页 |
| 3.4.1.2 种群初始化 | 第66页 |
| 3.4.1.3 适应度值计算与评价 | 第66-67页 |
| 3.4.1.4 遗传算子 | 第67-68页 |
| 3.4.1.5 运行参数设置 | 第68-69页 |
| 3.4.2 模拟试验台中风电齿轮箱的优化RBF神经网络故障诊断 | 第69-72页 |
| 3.5 本章小结 | 第72-74页 |
| 第4章 风电齿轮箱角域振动信号的S变换谱分析与平均化处理研究 | 第74-88页 |
| 4.1 引言 | 第74页 |
| 4.2 S变换 | 第74-77页 |
| 4.2.1 S变换与短时Fourier变换 | 第75-76页 |
| 4.2.2 连续S变换与Morlet小波变换 | 第76-77页 |
| 4.3 仿真角域振动信号的S变换谱分析 | 第77-79页 |
| 4.4 模拟试验台中风电齿轮箱角域振动信号的S变换谱分析 | 第79-80页 |
| 4.5 风电齿轮箱角域振动信号的S变换谱平均化处理与分析 | 第80-85页 |
| 4.5.1 角域振动信号S变换谱平均化原理 | 第81-82页 |
| 4.5.2 仿真角域振动信号的S变换谱平均化分析 | 第82-83页 |
| 4.5.3 模拟试验台中风电齿轮箱角域振动信号的S变换谱平均化分析 | 第83-85页 |
| 4.6 本章小结 | 第85-88页 |
| 第5章 风电齿轮箱角域振动信号S变换谱降噪的冲击特征提取方法研究 | 第88-106页 |
| 5.1 引言 | 第88-89页 |
| 5.2 角域振动信号S变换谱SVD降噪的冲击特征提取方法 | 第89-96页 |
| 5.2.1 SVD降噪原理 | 第89页 |
| 5.2.2 SVD数据矩阵构造 | 第89-90页 |
| 5.2.3 S变换谱SVD降噪的冲击特征提取方法 | 第90-91页 |
| 5.2.4 仿真角域振动信号的冲击特征提取 | 第91-93页 |
| 5.2.5 模拟试验台中风电齿轮箱角域振动信号的冲击特征提取 | 第93-96页 |
| 5.3 角域振动信号S变换谱阈值收缩降噪的冲击特征提取方法 | 第96-105页 |
| 5.3.1 阈值收缩对象 | 第96-97页 |
| 5.3.2 阈值及阈值函数的确定 | 第97-98页 |
| 5.3.3 S变换谱阈值收缩降噪的冲击特征提取方法 | 第98-100页 |
| 5.3.4 仿真角域振动信号的冲击特征提取 | 第100-102页 |
| 5.3.5 模拟试验台中风电齿轮箱角域振动信号的冲击特征提取 | 第102-105页 |
| 5.4 本章小结 | 第105-106页 |
| 第6章 基于支持向量机的风电齿轮箱智能故障诊断方法研究 | 第106-124页 |
| 6.1 引言 | 第106页 |
| 6.2 支持向量机 | 第106-112页 |
| 6.2.1 线性可分SVM | 第107-109页 |
| 6.2.2 非线性可分SVM | 第109-111页 |
| 6.2.3 多分类SVM | 第111-112页 |
| 6.3 风电齿轮箱SVM的智能故障诊断 | 第112-122页 |
| 6.3.1 故障特征参量选择 | 第113-114页 |
| 6.3.2 模拟试验台中风电齿轮箱SVM的故障诊断 | 第114-118页 |
| 6.3.2.1 故障特征向量提取 | 第114-117页 |
| 6.3.2.2 SVM故障诊断系统的训练与测试 | 第117-118页 |
| 6.3.3 模拟试验台中风电齿轮箱的优化SVM故障诊断 | 第118-122页 |
| 6.4 本章小结 | 第122-124页 |
| 第7章 总结与展望 | 第124-128页 |
| 7.1 主要工作和结论 | 第124-126页 |
| 7.2 展望 | 第126-128页 |
| 参考文献 | 第128-142页 |
| 作者简历 | 第142页 |
