| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-21页 |
| ·课题研究背景与意义 | 第9-11页 |
| ·设备故障诊断技术的研究 | 第11-14页 |
| ·故障诊断技术的发展现状 | 第11-12页 |
| ·故障诊断技术的基本方法 | 第12-14页 |
| ·风力发电机的概述 | 第14-17页 |
| ·风力发电机的简介 | 第14-15页 |
| ·风力发电机的常见故障 | 第15-17页 |
| ·风机齿轮箱故障诊断的研究现状 | 第17-18页 |
| ·论文的主要内容 | 第18-21页 |
| 第2章 SVM相关性理论和LSSVM的介绍 | 第21-31页 |
| ·概述 | 第21页 |
| ·支持向量机理论 | 第21-25页 |
| ·最优超平面及其推广 | 第21-24页 |
| ·核函数 | 第24-25页 |
| ·支持向量机的分类算法 | 第25-27页 |
| ·最小二乘支持向量机算法 | 第27-28页 |
| ·LSSVM和SVM的比较 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 PSO算法的改进以及在LSSVM参数寻优上的应用 | 第31-48页 |
| ·概述 | 第31页 |
| ·粒子群算法的改进 | 第31-40页 |
| ·粒子群算法的算法原理 | 第31-33页 |
| ·非线性惯性权值的粒子群算法研究 | 第33页 |
| ·黑洞粒子群算法 | 第33-38页 |
| ·黑洞粒子群算法融合模拟退火算法 | 第38-40页 |
| ·粒子群模拟退火算法的函数优化实验 | 第40-43页 |
| ·函数优化的概述 | 第40-41页 |
| ·仿真结果 | 第41-43页 |
| ·RBH-IPSOSA算法在LSSVM参数优化上的应用 | 第43-46页 |
| ·LSSVM分类器的参数选择优化 | 第43-45页 |
| ·仿真结果 | 第45-46页 |
| ·本章小结 | 第46-48页 |
| 第4章 优化的LSSVM在风力发电机齿轮箱故障诊断中的应用 | 第48-65页 |
| ·概述 | 第48-49页 |
| ·风机齿轮箱的相关问题分析 | 第49-57页 |
| ·齿轮箱的常见故障类型及信号特征 | 第49-54页 |
| ·风机齿轮箱的故障诊断方法 | 第54-56页 |
| ·齿轮箱的故障信号的采集和特征提取 | 第56-57页 |
| ·基于RBH-IPSOSA算法的LSSVM分类器模型的建立 | 第57-60页 |
| ·风机齿轮箱故障诊断的仿真分析和比较 | 第60-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| ·本文总结 | 第65-66页 |
| ·展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 作者在攻读硕士学位期间发表的论文 | 第72页 |
