| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 课题国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 课题主要研究内容 | 第14-15页 |
| 第2章 风电机组主轴轴承故障诊断分析 | 第15-20页 |
| 2.1 风机工况及主轴轴承类型特点 | 第15-17页 |
| 2.1.1 工况环境 | 第15页 |
| 2.1.2 主轴轴承的类型及载荷特点 | 第15-17页 |
| 2.2 主轴轴承振动原理及故障特征 | 第17-19页 |
| 2.2.1 主轴轴承振动原理 | 第17页 |
| 2.2.2 主轴轴承故障特征 | 第17-18页 |
| 2.2.3 主轴轴承故障诊断机理 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 主轴轴承故障振动信号采集及预处理 | 第20-32页 |
| 3.1 信号采集对象及位置 | 第20-21页 |
| 3.2 传感器的选择及安装 | 第21-22页 |
| 3.2.1 选择原则 | 第21-22页 |
| 3.2.2 传感器的安装 | 第22页 |
| 3.3 信号采集模块及系统构成 | 第22-23页 |
| 3.4 信号降噪处理 | 第23-31页 |
| 3.4.1 小波变换原理 | 第23-25页 |
| 3.4.2 小波基函数的选取 | 第25-26页 |
| 3.4.3 小波阈值降噪 | 第26-28页 |
| 3.4.4 小波软阈值降噪 | 第28-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于MEEMD的信号特征提取研究 | 第32-39页 |
| 4.1 经验模态分解与集合经验模态分解原理简介 | 第32-33页 |
| 4.1.1 经验模态分解原理 | 第32-33页 |
| 4.1.2 集合经验模态分解 | 第33页 |
| 4.2 改进的集合经验模态分解 | 第33-34页 |
| 4.3 基于MEEMD的特征提取 | 第34-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第5章 基于CPSO-BBO的支持向量机参数优化和故障识别 | 第39-57页 |
| 5.1 支持向量机原理及分类 | 第39-43页 |
| 5.1.1 线性可分支持向量机 | 第40-42页 |
| 5.1.2 线性不可分支持向量机 | 第42-43页 |
| 5.1.3 核函数 | 第43页 |
| 5.2 基于CPSO-BBO优化算法 | 第43-48页 |
| 5.2.1 云粒子群优化算法 | 第43-44页 |
| 5.2.2 生物地理学理论及优化算法 | 第44-47页 |
| 5.2.3 云粒子群优化生物地理学算法 | 第47-48页 |
| 5.3 CPSO-BBO算法测试 | 第48-50页 |
| 5.3.1 CPSO-BBO和BBO算法的优化测试 | 第48-50页 |
| 5.3.2 CPSO-BBO和BBO算法的优化结果对比 | 第50页 |
| 5.4 CPSO-BBO算法优化支持向量机参数 | 第50-52页 |
| 5.4.1 支持向量机的相关参数 | 第50-51页 |
| 5.4.2 CPSO-BBO算法优化支持向量机参数 | 第51-52页 |
| 5.5 CPSO-BBO算法优化SVM的故障识别方法 | 第52-54页 |
| 5.5.1 CPSO-BBO算法优化SVM参数结果 | 第52-53页 |
| 5.5.2 BBO算法优化SVM参数结果 | 第53-54页 |
| 5.6 基于CPSO-BBO和BBO算法优化SVM的故障识别 | 第54-55页 |
| 5.6.1 CPSO-BBO算法优化SVM故障识别结果 | 第54页 |
| 5.6.2 BBO算法优化SVM故障识别结果 | 第54-55页 |
| 5.7 对比两种算法优化SVM的故障识别结果 | 第55-56页 |
| 5.8 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |
