| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 风电机组监测与诊断技术的国内外研究现状 | 第12-15页 |
| 1.2.1 以解析模型为基础的诊断技术 | 第13页 |
| 1.2.2 以信号处理为基础的诊断技术 | 第13-14页 |
| 1.2.3 以机器学习为基础的智能诊断技术 | 第14-15页 |
| 1.3 本文的主要工作 | 第15-17页 |
| 第2章 风电机组传动系统故障分析 | 第17-23页 |
| 2.1 引言 | 第17页 |
| 2.2 风电机组传动系统基本结构 | 第17-19页 |
| 2.2.1 风轮 | 第17-18页 |
| 2.2.2 齿轮箱及传动轴 | 第18页 |
| 2.2.3 发电机 | 第18-19页 |
| 2.3 风电机组传动系统的振动故障原理 | 第19-20页 |
| 2.3.1 齿轮故障 | 第19-20页 |
| 2.3.2 轴承故障 | 第20页 |
| 2.4 监测点的选取 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于NSET的风电机组振动信号分析 | 第23-46页 |
| 3.1 引言 | 第23页 |
| 3.2 NSET的基本原理及计算方法 | 第23-28页 |
| 3.2.1 NSET的基本原理 | 第23页 |
| 3.2.2 NSET的计算方法 | 第23-28页 |
| 3.3 基于NSET的风电机组传动系统振动故障诊断分析 | 第28-45页 |
| 3.3.1 实验背景 | 第28页 |
| 3.3.2 参数的选取 | 第28-30页 |
| 3.3.3 残差的计算与分析方法 | 第30-36页 |
| 3.3.4 仿真建模 | 第36-43页 |
| 3.3.5 对仿真结果的分析 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于SVR改进NSET的风电机组振动信号分析 | 第46-70页 |
| 4.1 引言 | 第46页 |
| 4.2 支持向量回归机(SVR)的基本理论 | 第46-55页 |
| 4.2.1 故障智能诊断的本质——机器学习 | 第46-49页 |
| 4.2.2 支持向量机(SVM)的基本原理 | 第49-53页 |
| 4.2.3 支持向量回归机(SVR)的基本原理 | 第53-55页 |
| 4.3 结合SVR的改进NSET基本理论 | 第55-57页 |
| 4.3.1 Tikhonov正则化基本原理 | 第55页 |
| 4.3.2 结合SVR的改进NSET基本原理与数据选取方法 | 第55-57页 |
| 4.4 基于改进NSET的风电机组传动系统振动故障诊断分析 | 第57-69页 |
| 4.4.1 实验方法 | 第57页 |
| 4.4.2 参数的选择 | 第57-59页 |
| 4.4.3 健康残差的计算 | 第59页 |
| 4.4.4 仿真建模 | 第59-66页 |
| 4.4.5 对仿真结果的分析 | 第66-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第5章 风电机组振动监测与故障诊断系统的实现 | 第70-80页 |
| 5.1 引言 | 第70页 |
| 5.2 系统总体概况 | 第70-72页 |
| 5.2.1 总体要求 | 第70-71页 |
| 5.2.2 总体结构 | 第71-72页 |
| 5.3 系统硬件部分 | 第72-74页 |
| 5.3.1 前端采集设备 | 第72-73页 |
| 5.3.2 数据采集模块 | 第73-74页 |
| 5.3.3 数据库服务器 | 第74页 |
| 5.4 系统软件部分 | 第74-79页 |
| 5.4.1 辅助功能模块 | 第75-76页 |
| 5.4.2 信号预处理模块 | 第76页 |
| 5.4.3 特征提取模块 | 第76-78页 |
| 5.4.4 故障诊断模块 | 第78-79页 |
| 5.5 本章小结 | 第79-80页 |
| 第6章 结论与展望 | 第80-82页 |
| 6.1 结论 | 第80-81页 |
| 6.2 展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86页 |
