| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究的背景和意义 | 第8-11页 |
| 1.2 国内外研究现状和发展趋势 | 第11-13页 |
| 1.2.1 故障预警和诊断技术发展概述 | 第11-12页 |
| 1.2.2 风电机组齿轮箱的发展概况 | 第12-13页 |
| 1.2.3 齿轮箱在线监测与故障诊断技术发展概况 | 第13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 第二章 齿轮箱故障类型及诊断方法研究 | 第14-24页 |
| 2.1 风电机组齿轮箱的介绍 | 第14-16页 |
| 2.1.1 风电机组齿轮箱的结构与用途 | 第14-15页 |
| 2.1.2 风电机组齿轮箱的工作状况 | 第15-16页 |
| 2.2 风电机组齿轮箱的故障统计 | 第16-20页 |
| 2.2.1 风电机组齿轮箱的故障类型 | 第16-19页 |
| 2.2.2 风电机组齿轮箱的故障原因 | 第19-20页 |
| 2.2.3 风电机组齿轮箱的维护 | 第20页 |
| 2.3 风电机组齿轮箱的故障诊断方法 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 风电齿轮箱温度趋势状态监测及分析方法 | 第24-38页 |
| 3.1 数据预处理 | 第24-26页 |
| 3.1.1 数据预处理原则 | 第24-25页 |
| 3.1.2 研究对象选取及数据预处理 | 第25-26页 |
| 3.2 齿轮箱温度 NSET 建模及预测 | 第26-33页 |
| 3.2.1 非线性状态估计法原理 | 第26-28页 |
| 3.2.2 齿轮箱温度 NSET 建模变量选取 | 第28-31页 |
| 3.2.3 模型结果分析与评价 | 第31-33页 |
| 3.3 神经网络与 NSET 建模对比 | 第33-36页 |
| 3.3.1 BP 神经网络与 NSET 模型对比 | 第33-34页 |
| 3.3.2 Elman 神经网络与 NSET 模型对比 | 第34-35页 |
| 3.3.3 遗传算法优化 BP 神经网络与 NSET 模型对比 | 第35-36页 |
| 3.3.4 遗传算法函数极值寻优BP 神经网络与 NSET 模型对比 | 第36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 融合 FTA 和 BAM 的齿轮箱故障诊断方法 | 第38-48页 |
| 4.1 故障树理论研究 | 第38-39页 |
| 4.1.1 故障树分析法 | 第38-39页 |
| 4.1.2 故障树的建立 | 第39页 |
| 4.2 神经网络和 BAM 算法 | 第39-43页 |
| 4.2.1 神经网络的基本特点 | 第39-40页 |
| 4.2.2 BAM 神经网络 | 第40-43页 |
| 4.3 基于 FTA 的样本整理 | 第43-45页 |
| 4.4 基于 BAM 网络的故障诊断 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 齿轮箱状态监测与故障诊断系统设计与研究 | 第48-62页 |
| 5.1 状态监测与故障诊断系统设计 | 第48-51页 |
| 5.2 故障诊断模型及流程 | 第51-55页 |
| 5.2.1 需求分析 | 第51-52页 |
| 5.2.2 故障诊断模型 | 第52-54页 |
| 5.2.3 故障诊断工作流程 | 第54-55页 |
| 5.3 系统模块设计 | 第55-59页 |
| 5.3.1 开发环境 | 第55页 |
| 5.3.2 故障诊断故障树设计 | 第55-57页 |
| 5.3.3 数据库设计 | 第57-59页 |
| 5.4 实验验证 | 第59-61页 |
| 5.4.1 故障树查询 | 第59-60页 |
| 5.4.2 BAM 网络诊断 | 第60-61页 |
| 5.4.3 BAM 网络的稳定性与收敛性 | 第61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间所取得的相关科研成果 | 第70页 |
