基于共振分量融合卷积神经网络的风电齿轮箱故障诊断
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 课题来源 | 第8页 |
| 1.2 课题研究背景及意义 | 第8-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.3.1 风电齿轮箱故障诊断国内外研究现状 | 第11-13页 |
| 1.3.2 卷积神经网络国内外研究现状 | 第13-14页 |
| 1.4 论文的主要研究内容和结构安排 | 第14-17页 |
| 2 风电齿轮箱振动机理及典型故障特性分析 | 第17-29页 |
| 2.1 风电齿轮箱结构与振动机理分析 | 第17-23页 |
| 2.1.1 风电齿轮箱的结构 | 第17-18页 |
| 2.1.2 风电齿轮箱中齿轮的振动机理分析 | 第18-21页 |
| 2.1.3 风电齿轮箱中滚动轴承的振动机理分析 | 第21-22页 |
| 2.1.4 风电齿轮箱振动信号模型 | 第22-23页 |
| 2.2 风电齿轮箱常见故障类型与振动信号特征 | 第23-27页 |
| 2.2.1 齿轮典型故障与振动信号特征 | 第23-25页 |
| 2.2.2 滚动轴承典型故障与振动信号特征 | 第25-27页 |
| 2.3 本章小结 | 第27-29页 |
| 3 共振分量融合卷积神经网络的风电齿轮箱故障诊断 | 第29-47页 |
| 3.1 信号共振稀疏分解 | 第29-34页 |
| 3.1.1 共振稀疏分解基础理论 | 第29-30页 |
| 3.1.2 可调品质因子小波变换 | 第30-33页 |
| 3.1.3 共振信号的分离 | 第33-34页 |
| 3.2 共振分量融合卷积神经网络方法 | 第34-39页 |
| 3.2.1 卷积神经网络结构 | 第34-38页 |
| 3.2.2 RCF-CNN故障诊断方法 | 第38-39页 |
| 3.3 实验验证 | 第39-46页 |
| 3.3.1 平行级齿轮和轴承故障实验验证 | 第39-43页 |
| 3.3.2 行星级齿轮和轴承故障实验验证 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 超参数对RCF-CNN模型的影响分析 | 第47-58页 |
| 4.1 批量大小对RCF-CNN模型的影响 | 第47-51页 |
| 4.2 卷积核尺寸对RCF-CNN模型的影响 | 第51-54页 |
| 4.3 卷积核个数对RCF-CNN模型的影响 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 论文工作总结 | 第58页 |
| 5.2 后续工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |
| A.作者在攻读学位期间发表的论文目录 | 第65页 |
| B.作者在攻读学位期间参与的科研项目 | 第65页 |
