| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景 | 第10页 |
| 1.2 课题研究意义 | 第10-11页 |
| 1.3 风电机组故障诊断研究现状 | 第11-12页 |
| 1.4 主要研究内容与组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第2章 风电机组基础知识 | 第14-19页 |
| 2.1 机组原理及其组成结构 | 第14-15页 |
| 2.1.1 风电机组主要类型 | 第14页 |
| 2.1.2 双馈型异步发电机组结构 | 第14-15页 |
| 2.2 风电机组常见故障 | 第15-16页 |
| 2.2.1 风轮故障 | 第15-16页 |
| 2.2.2 齿轮箱故障 | 第16页 |
| 2.2.3 发电机组故障 | 第16页 |
| 2.3 故障诊断的基本方法 | 第16-18页 |
| 2.3.1 故障诊断的概念 | 第16-17页 |
| 2.3.2 典型设备诊断方法 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 倒频谱相干分析法 | 第19-26页 |
| 3.1 概述 | 第19页 |
| 3.2 机械振动系统的基本关系 | 第19-21页 |
| 3.2.1 线性振动系统模型 | 第19-20页 |
| 3.2.2 平稳随机信号通过线性系统 | 第20-21页 |
| 3.3 振动信号倒频域相干分析方法 | 第21-23页 |
| 3.3.1 振动信号的相干分析 | 第21-22页 |
| 3.3.2 倒频谱分析 | 第22页 |
| 3.3.3 倒频域相干分析 | 第22-23页 |
| 3.4 算例分析 | 第23-25页 |
| 3.5 本章小结 | 第25-26页 |
| 第4章 小波包与倒频谱结合分析法 | 第26-32页 |
| 4.1 概述 | 第26页 |
| 4.2 齿轮振动信号小波包分析 | 第26-27页 |
| 4.3 齿轮振动信号倒频谱分析 | 第27页 |
| 4.4 算例分析 | 第27-31页 |
| 4.5 本章小结 | 第31-32页 |
| 第5章 基于信息融合的主成分-遗传神经网络算法 | 第32-48页 |
| 5.1 概述 | 第32页 |
| 5.2 主成分-遗传神经网络模型 | 第32-37页 |
| 5.2.1 主成分分析法 | 第32-33页 |
| 5.2.2 BP神经网络 | 第33-34页 |
| 5.2.3 遗传算法 | 第34-35页 |
| 5.2.4 主成分-遗传神经网络模型建立 | 第35-37页 |
| 5.3 基于同类信息融合的齿轮箱故障诊断方法 | 第37-42页 |
| 5.3.1 同类信息特征提取 | 第37页 |
| 5.3.2 基于同类信息融合的主成分-神经网络的故障诊断 | 第37-38页 |
| 5.3.3 仿真分析 | 第38-42页 |
| 5.4 基于异类信息融合的齿轮箱故障诊断方法 | 第42-46页 |
| 5.4.1 异类信息特征提取 | 第42-43页 |
| 5.4.2 基于异类信息融合的主成分-神经网络的故障诊断 | 第43页 |
| 5.4.3 仿真分析 | 第43-46页 |
| 5.5 本章小结 | 第46-48页 |
| 第6章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第53-54页 |
| 致谢 | 第54页 |