| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.2 课题研究现状 | 第13-17页 |
| 1.2.1 风电机组故障诊断技术研究现状 | 第13页 |
| 1.2.2 风电机组振动信号特征提取和状态识别技术现状 | 第13-16页 |
| 1.2.3 风电机组振动监测和故障诊断系统研究现状 | 第16-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 第2章 风电机组齿轮箱的故障类型和特征分析 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 风力发电机组结构 | 第18-20页 |
| 2.3 风力发电机齿轮箱结构及其各部件特征频率的计算 | 第20-22页 |
| 2.4 风电机组齿轮故障类型及信号特征 | 第22-23页 |
| 2.5 风电机组滚动轴承故障类型及信号特征 | 第23-25页 |
| 2.5.1 风电机组滚动轴承的基本结构 | 第23-24页 |
| 2.5.2 风电机组滚动轴承的失效形式及原因 | 第24-25页 |
| 2.5.3 风电机组滚动轴承的故障特征频率 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 风电机组齿轮箱振动信号特征提取方法研究 | 第26-33页 |
| 3.1 引言 | 第26页 |
| 3.2 传统的风电机组齿轮箱故障特征提取方法 | 第26-30页 |
| 3.2.1 振动信号的时域分析方法 | 第26-27页 |
| 3.2.2 振动信号的频域分析方法 | 第27-28页 |
| 3.2.3 振动信号的时频域分析方法 | 第28-30页 |
| 3.3 基于深度学习的风电机组齿轮箱故障特征提取方法 | 第30-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 基于深度学习和粒子群支持向量机的风电机组齿轮的故障诊断方法研究 | 第33-48页 |
| 4.1 引言 | 第33页 |
| 4.2 风电机组齿轮箱振动信号特征提取 | 第33-36页 |
| 4.2.1 时域和频域统计特征 | 第33-34页 |
| 4.2.2 深度学习提取特征 | 第34-36页 |
| 4.3 风电机组齿轮箱振动信号特征分类 | 第36-39页 |
| 4.3.1 粒子群算法 | 第36页 |
| 4.3.2 支持向量机 | 第36-39页 |
| 4.4 基于深度学习和粒子群支持向量机的风电机组齿轮的故障诊断方法 | 第39-40页 |
| 4.5 齿轮故障诊断实例研究 | 第40-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 基于EMD和深度学习的风电机组滚动轴承的故障诊断方法研究 | 第48-58页 |
| 5.1 引言 | 第48页 |
| 5.2 基于EMD及其能量熵的特征提取 | 第48-50页 |
| 5.2.1 EMD方法 | 第48-50页 |
| 5.2.2 EMD能量熵 | 第50页 |
| 5.3 基于特征距离评估的特征选择 | 第50-51页 |
| 5.4 基于EMD和深度学习的风电机组滚动轴承的故障诊断方法 | 第51-52页 |
| 5.5 滚动轴承故障诊断实例研究 | 第52-57页 |
| 5.6 本章小结 | 第57-58页 |
| 第6章 基于MATLAB和LabVIEW编程的风电机组齿轮箱状态监测和诊断系统 | 第58-68页 |
| 6.1 引言 | 第58页 |
| 6.2 MATLAB和LabVIEW开发平台简介 | 第58-59页 |
| 6.3 风电机组齿轮箱状态监测和诊断系统设计 | 第59-67页 |
| 6.3.1 信号采集模块 | 第59-63页 |
| 6.3.2 时域分析模块 | 第63-64页 |
| 6.3.3 频谱分析模块 | 第64-66页 |
| 6.3.4 EMD分解模块 | 第66-67页 |
| 6.4 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第75-76页 |
| 致谢 | 第76页 |
