| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 课题选题背景及研究目的与意义 | 第14-15页 |
| 1.1.1 课题研究的背景 | 第14页 |
| 1.1.2 课题研究的目的和意义 | 第14-15页 |
| 1.1.3 课题来源 | 第15页 |
| 1.2 风电机组齿轮箱故障诊断技术的研究现状及发展趋势 | 第15-23页 |
| 1.2.1 大型风机齿轮箱故障诊断技术概述 | 第15-17页 |
| 1.2.2 风电机组传动系统行星轮系动力学模型研究现状及发展趋势 | 第17-18页 |
| 1.2.3 微弱信号预处理方法的研究现状及发展趋势 | 第18-19页 |
| 1.2.4 变转速变工况信号特征提取方法研究现状及发展趋势 | 第19-20页 |
| 1.2.5 基于流形学习的故障诊断方法研究现状及发展趋势 | 第20-21页 |
| 1.2.6 基于润滑油磨粒在线检测的风机齿轮箱故障诊断研究现状及趋势 | 第21-23页 |
| 1.3 本文研究主要内容 | 第23-26页 |
| 1.3.1 论文技术路线 | 第23-24页 |
| 1.3.2 主要研究内容 | 第24-26页 |
| 第二章 风电机组行星齿轮箱动态特性研究 | 第26-39页 |
| 2.1 非线性动力学基本理论 | 第26-28页 |
| 2.1.1 基本理论 | 第26-27页 |
| 2.1.2 行星齿轮系动力学模型 | 第27-28页 |
| 2.2 非线性动力学模型的建立 | 第28-32页 |
| 2.2.1 行星轮非线性动力学模型条件假设 | 第29-31页 |
| 2.2.2 模型参数确定 | 第31-32页 |
| 2.3 仿真计算结果 | 第32-38页 |
| 2.3.1 正常工作条件下仿真计算结果 | 第33-35页 |
| 2.3.2 齿面啮合故障条件下仿真计算结果 | 第35-36页 |
| 2.3.3 轴承支撑故障条件下仿真计算结果 | 第36-38页 |
| 2.4 本章小节 | 第38-39页 |
| 第三章 风机齿轮箱信号的消噪处理方法研究 | 第39-59页 |
| 3.1 引言 | 第39页 |
| 3.2 基于相关系数谱阈值的信号消噪处理方法研究 | 第39-50页 |
| 3.2.1 相关频谱消噪原理 | 第39-41页 |
| 3.2.2 信号消噪的仿真验证 | 第41-44页 |
| 3.2.3 实测信号的实验分析 | 第44-45页 |
| 3.2.4 消除端点失真的改进方法 | 第45-46页 |
| 3.2.5 消除长信号序列失真的改进方法 | 第46-48页 |
| 3.2.6 阈值的自动获取方法 | 第48-50页 |
| 3.3 自适应LMS消噪处理 | 第50-58页 |
| 3.3.1 自适应消噪基本原理及结构 | 第50-53页 |
| 3.3.2 归一化LMS(NLMS) | 第53-54页 |
| 3.3.3 二阶NLMS算法 | 第54-55页 |
| 3.3.4 自相关阈值法与自适应LMS组合消噪 | 第55-56页 |
| 3.3.5 风机现场实测数据的试验验证 | 第56-58页 |
| 3.4 本章小结 | 第58-59页 |
| 第四章 变工况振动信号特征提取方法研究 | 第59-80页 |
| 4.1 引言 | 第59页 |
| 4.2 振动信号的计算阶次跟踪 | 第59-66页 |
| 4.2.1 计算阶次跟踪的原理及过程 | 第60-62页 |
| 4.2.2 计算阶次的仿真信号分析 | 第62-66页 |
| 4.3 振动信号的包络解调 | 第66-71页 |
| 4.3.1 平方计算解调 | 第66页 |
| 4.3.2 能量算子解调 | 第66-67页 |
| 4.3.3 希尔伯特变换解调 | 第67-68页 |
| 4.3.4 包络解调的仿真信号分析 | 第68-71页 |
| 4.4 增速齿轮箱实测信号的计算阶次跟踪及包络解调分析 | 第71-78页 |
| 4.4.1 固定转速条件下实测信号分析 | 第71-76页 |
| 4.4.2 变转速条件下实测信号分析 | 第76-78页 |
| 4.5 本章小结 | 第78-80页 |
| 第五章 基于流形学习的早期故障诊断研究 | 第80-96页 |
| 5.1 引言 | 第80页 |
| 5.2 t分布的随机近邻嵌入(t-SNE)理论 | 第80-83页 |
| 5.2.1 随机近邻嵌入(SNE)基本原理 | 第80-82页 |
| 5.2.2 对称SNE原理 | 第82页 |
| 5.2.3 t-SNE原理 | 第82-83页 |
| 5.3. 基于流形学习算法的故障诊断 | 第83-94页 |
| 5.3.1 基于统计特征的流形学习故障诊断 | 第84-87页 |
| 5.3.2 基于小波包阈值熵的流形学习故障诊断 | 第87-90页 |
| 5.3.4 基于小波包时域及频域特征的流形学习故障诊断 | 第90-94页 |
| 5.4 本章小结 | 第94-96页 |
| 第六章 基于全液流磨粒在线检测的风机齿轮箱早期故障预判 | 第96-114页 |
| 6.1 引言 | 第96页 |
| 6.2 在线金属磨粒检测原理及传感器设计 | 第96-98页 |
| 6.2.1 差动电感式在线金属磨粒检测原理 | 第96-97页 |
| 6.2.2 差动电感式传感器的设计制作 | 第97-98页 |
| 6.3 全液流金属磨粒在线检测仪器系统设计 | 第98-110页 |
| 6.3.1 检测仪器系统总体设计 | 第98-99页 |
| 6.3.2 差动式电感线圈的激励模块设计 | 第99-102页 |
| 6.3.3 数字锁定放大模块设计 | 第102-106页 |
| 6.3.4 传感器激励及磨粒信号检测试验 | 第106-107页 |
| 6.3.5 磨粒在线检测软件设计 | 第107-108页 |
| 6.3.6 研发仪器的磨粒检测试验 | 第108-110页 |
| 6.4 基于全液流金属磨粒在线检测的早期故障预判 | 第110-113页 |
| 6.4.1 齿轮箱齿轮磨损形式与磨粒粒度大小 | 第110-111页 |
| 6.4.2 油液磨粒识别方法研究 | 第111-112页 |
| 6.4.3 基于油液磨粒的早期故障状态判别方法 | 第112-113页 |
| 6.5 本章小结 | 第113-114页 |
| 第七章 风机齿轮箱远程在线早期故障诊断系统开发 | 第114-132页 |
| 7.1 引言 | 第114页 |
| 7.2 远程在线风机齿轮箱早期故障诊断系统集成 | 第114-127页 |
| 7.2.1 嵌入式数据采集系统设计 | 第115-122页 |
| 7.2.2 数据服务器软件开发 | 第122-123页 |
| 7.2.3 数据存储数据库设计 | 第123-125页 |
| 7.2.4 网页服务器软件开发 | 第125-127页 |
| 7.3 风机齿轮箱早期故障征兆在线监测诊断系统构建 | 第127-131页 |
| 7.4 本章小结 | 第131-132页 |
| 第八章 研究总结与展望 | 第132-135页 |
| 8.1 研究总结 | 第132-133页 |
| 8.2 本文创新点 | 第133-134页 |
| 8.3 研究展望 | 第134-135页 |
| 参考文献 | 第135-141页 |
| 致谢 | 第141-142页 |
| 附录 1-目与微米对应表 | 第142-143页 |
| 附录 2-润滑油液磨粒在线检测仪器电路原理 | 第143-145页 |
| 附录 3-数据库创建代码 | 第145-146页 |
| 在学期间发表的学术论文和参加科研情况 | 第146-148页 |
| 在学期间发表的学术论文 | 第146页 |
| 参加科研情况 | 第146-148页 |
| 作者简介 | 第148页 |
