| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 选题的背景及意义 | 第11-14页 |
| 1.1.1 选题的背景 | 第11-12页 |
| 1.1.2 选题的意义 | 第12-14页 |
| 1.2 风电机组故障诊断国内外发展概况 | 第14-17页 |
| 1.3 齿轮、轴承几种故障形式和机理分析 | 第17-20页 |
| 1.4 论文研究内容 | 第20-21页 |
| 第二章 风力发电机组齿轮箱故障振动机理及信号分析方法 | 第21-38页 |
| 2.1 风力发电机组的基本结构 | 第21-23页 |
| 2.1.1 风力发电机组的基本构成 | 第21-22页 |
| 2.1.2 风力发电机组齿轮箱结构 | 第22-23页 |
| 2.2 齿轮、轴承的故障特征分析 | 第23-25页 |
| 2.2.1 齿轮的基本参数、故障特征频率及频谱特征 | 第23-24页 |
| 2.2.2 轴承的基本参数、故障特征频率及频谱特征 | 第24-25页 |
| 2.3 振动信号调制现象 | 第25-27页 |
| 2.4 基于振动信号的故障诊断方法 | 第27-31页 |
| 2.4.1 时域特征分析 | 第28-29页 |
| 2.4.2 频域特征分析 | 第29-31页 |
| 2.5 时频分析方法 | 第31-37页 |
| 2.5.1 小波变换理论 | 第31-34页 |
| 2.5.2 小波包理论 | 第34-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 风力发电机组齿轮箱振动信号消噪方法研究 | 第38-50页 |
| 3.1 小波阈值降噪 | 第38-40页 |
| 3.1.1 阈值选取规则 | 第39-40页 |
| 3.1.2 阈值函数 | 第40页 |
| 3.2 小波包降噪 | 第40-41页 |
| 3.3 数学形态学滤波消噪 | 第41-43页 |
| 3.3.1 形态学的基本原理 | 第41-42页 |
| 3.3.2 组合形态滤波算法 | 第42-43页 |
| 3.4 实验平台简介 | 第43-47页 |
| 3.5 实验验证 | 第47-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 故障特征提取技术与故障诊断方法 | 第50-67页 |
| 4.1 主成分分析 | 第50页 |
| 4.2 小波包能量熵分析方法 | 第50-52页 |
| 4.3 集成经验模态分解方法 | 第52-56页 |
| 4.3.1 经验模态分解 | 第52-54页 |
| 4.3.2 集成经验模态分解 | 第54-56页 |
| 4.4 支持向量机理论 | 第56-59页 |
| 4.4.1 最优超平面 | 第57-58页 |
| 4.4.2 核函数 | 第58-59页 |
| 4.5 基于小波包-能量熵的故障特征提取 | 第59-62页 |
| 4.6 基于EEMD-能量熵的故障特征提取及故障诊断 | 第62-65页 |
| 4.7 故障特征提取方法诊断结果比较 | 第65-66页 |
| 4.8 本章小节 | 第66-67页 |
| 第五章 基于EEMD-改进神经网络风电机组齿轮箱故障诊断 | 第67-80页 |
| 5.1 神经网络基本理论 | 第67-69页 |
| 5.2 神经网络权值和阈值参数的优化算法 | 第69-74页 |
| 5.3 基于EEMD－MPQGANN算法的风电机组齿轮箱故障诊断 | 第74-75页 |
| 5.4 实验验证 | 第75-79页 |
| 5.5 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 总结 | 第80页 |
| 6.2 展望 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-89页 |
| 攻读硕士学位期间取得的研究成果 | 第89页 |
