| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 选题的背景及意义 | 第11-15页 |
| 1.1.1 选题的背景 | 第11-13页 |
| 1.1.2 选题的意义 | 第13-15页 |
| 1.2 风机齿轮箱故障诊断与状态监测国内外研究现状 | 第15-16页 |
| 1.2.1 国外研究现状 | 第15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 风机结构原理与齿轮箱故障分析 | 第16-21页 |
| 1.3.1 风机结构原理 | 第16-18页 |
| 1.3.2 齿轮箱故障分析 | 第18-21页 |
| 1.4 论文的主要内容与章节安排 | 第21-23页 |
| 第二章 风机齿轮箱振动信号去噪与特征提取 | 第23-35页 |
| 2.1 小波包去噪 | 第23-28页 |
| 2.1.1 小波原理 | 第23-24页 |
| 2.1.2 利用小波包对齿轮箱振动信号去噪 | 第24-28页 |
| 2.2 齿轮箱振动信号特征量提取 | 第28-33页 |
| 2.2.1 时域特征量提取 | 第28-29页 |
| 2.2.2 频域特征量提取 | 第29-33页 |
| 2.3 特征量归一化 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于ABCSEN的风机齿轮箱故障诊断研究 | 第35-44页 |
| 3.1 选择性神经网络集成理论 | 第35-38页 |
| 3.1.1 集成学习理论 | 第35-36页 |
| 3.1.2 选择性神经网络集成学习理论 | 第36-37页 |
| 3.1.3 基于遗传算法的选择性神经网络集成理论 | 第37-38页 |
| 3.2 基于人工蜂群的选择性神经网络集成理论 | 第38-42页 |
| 3.2.1 人工蜂群算法 | 第38页 |
| 3.2.2 基于人工蜂群算法的选择性神经网络集成算法 | 第38-40页 |
| 3.2.3 ABCSEN诊断方法的性能分析 | 第40-42页 |
| 3.3 基于ABCSEN的风机齿轮箱故障诊断 | 第42-43页 |
| 3.3.1 风机齿轮箱故障实验平台 | 第42页 |
| 3.3.2 利用ABCSEN诊断风机齿轮箱故障 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于MCABCSEN的风机齿轮箱状态监测研究 | 第44-60页 |
| 4.1 动态柯西蜂群算法 | 第44-46页 |
| 4.1.1 搜索步长的动态调整 | 第44-45页 |
| 4.1.2 侦查蜂根据柯西分布搜索新解 | 第45-46页 |
| 4.2 动态柯西蜂群算法性能分析 | 第46-49页 |
| 4.2.1 动态柯西蜂群算法流程 | 第46页 |
| 4.2.2 测试函数分析 | 第46-47页 |
| 4.2.3 测试结果分析 | 第47-49页 |
| 4.3 基于动态柯西蜂群的选择性神经网络集成算法 | 第49-51页 |
| 4.4 基于MCABCSEN的风机齿轮箱状态监测 | 第51-54页 |
| 4.4.1 基于MCABCSEN的齿轮箱油状态监测模型 | 第51-52页 |
| 4.4.2 基于MCABCSEN的齿轮箱状态监测算法 | 第52-54页 |
| 4.5 案例分析 | 第54-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 风力发电机故障诊断与状态监测系统设计 | 第60-74页 |
| 5.1 整体方案设计 | 第60-61页 |
| 5.2 硬件设计 | 第61-68页 |
| 5.3 软件设计 | 第68-70页 |
| 5.4 实验验证 | 第70-72页 |
| 5.5 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82页 |
