| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题背景及研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 发电机早期故障诊断方法研究现状 | 第13-15页 |
| 1.2.2 齿轮箱断齿故障诊断方法研究现状 | 第15-16页 |
| 1.3 深度信念网络概述及应用现状 | 第16-17页 |
| 1.4 本文主要研究内容 | 第17-19页 |
| 第2章 风电机组结构特点及故障分析 | 第19-28页 |
| 2.1 引言 | 第19页 |
| 2.2 风电机组结构组成及常见故障 | 第19-21页 |
| 2.3 风电机组主要部件常见故障及原因 | 第21-25页 |
| 2.3.1 风力发电机早期故障分析 | 第21-23页 |
| 2.3.2 风电齿轮箱故障分析 | 第23-25页 |
| 2.4 故障信号检测原理 | 第25-27页 |
| 2.4.1 齿轮断齿的振动信号特征 | 第25-26页 |
| 2.4.2 定子电流检测原理 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 深度信念网络基本原理 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 深度学习发展及其方法 | 第28-31页 |
| 3.3 深度信念网络相关工作 | 第31-37页 |
| 3.3.1 受限玻尔兹曼机基本模型 | 第31-33页 |
| 3.3.2 对比散度算法 | 第33-34页 |
| 3.3.3 误差反向传播网络 | 第34-36页 |
| 3.3.4 深度信念网络模型 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 风力发电机建模及早期故障检测 | 第38-53页 |
| 4.1 引言 | 第38页 |
| 4.2 笼型异步发电机建模 | 第38-45页 |
| 4.2.1 正常运行下发电机数学模型 | 第38-40页 |
| 4.2.2 定子绕组匝间短路故障下发电机数学模型 | 第40-42页 |
| 4.2.3 转子断条故障下发电机数学模型 | 第42-44页 |
| 4.2.4 仿真模型 | 第44-45页 |
| 4.3 基于多层深度信念网络的发电机早期故障检测 | 第45-47页 |
| 4.3.1 发电机早期故障信号获取 | 第45-46页 |
| 4.3.2 多层深度信念网络介绍 | 第46-47页 |
| 4.4 发电机早期故障仿真实验 | 第47-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于多模态深度信念网络的风电齿轮箱故障诊断 | 第53-64页 |
| 5.1 引言 | 第53页 |
| 5.2 信息融合理论研究 | 第53-54页 |
| 5.3 多模态学习的齿轮箱故障诊断方法研究 | 第54-56页 |
| 5.3.1 基于深度信念网络的齿轮箱故障特征提取 | 第54-56页 |
| 5.3.2 基于特征层的故障特征融合 | 第56页 |
| 5.4 齿轮箱故障实例分析 | 第56-63页 |
| 5.4.1 与其它方法对比 | 第59-62页 |
| 5.4.2 性能分析 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间承担的科研任务和主要成果 | 第70-71页 |
| 致谢 | 第71页 |