| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题的研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 风电齿轮箱评估的研究现状 | 第9-10页 |
| 1.2.2 风电齿轮箱故障诊断的研究现状 | 第10-11页 |
| 1.3 本文工作内容 | 第11-13页 |
| 1.3.1 工作目标 | 第11页 |
| 1.3.2 本文的内容结构 | 第11-13页 |
| 第二章 风电齿轮箱评估指标及故障特性 | 第13-20页 |
| 2.1 风电机组及齿轮箱基本介绍 | 第13-14页 |
| 2.2 风电齿轮箱评估 | 第14-15页 |
| 2.3 风电齿轮箱故障特征分析 | 第15-18页 |
| 2.3.1 风电齿轮箱常见故障形式 | 第16-17页 |
| 2.3.2 齿轮的固有特性 | 第17-18页 |
| 2.4 振动分析方法 | 第18-19页 |
| 2.4.1 时域统计分析 | 第18-19页 |
| 2.4.2 频谱分析 | 第19页 |
| 2.4.3 时频域分析 | 第19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 风电齿轮箱运行状态的评估 | 第20-33页 |
| 3.1 灰云模型状态评估 | 第20-25页 |
| 3.1.1 灰色理论 | 第20-21页 |
| 3.1.2 云模型 | 第21-22页 |
| 3.1.3 灰云模型 | 第22-24页 |
| 3.1.4 基于正态灰云模型的评估方法 | 第24-25页 |
| 3.2 云重心状态评估 | 第25-26页 |
| 3.3 风电齿轮箱综合评估方法 | 第26-29页 |
| 3.3.1 风电齿轮箱评估模型 | 第26-27页 |
| 3.3.2 确定指标权重 | 第27-28页 |
| 3.3.3 风电齿轮箱评估流程 | 第28-29页 |
| 3.4 案例分析 | 第29-31页 |
| 3.4.1 灰云模型实例评估 | 第29-31页 |
| 3.4.2 云重心偏移度实例评估 | 第31页 |
| 3.5 本章小结 | 第31-33页 |
| 第四章 风电齿轮箱齿轮故障诊断 | 第33-48页 |
| 4.1 振动信号的预处理 | 第33-37页 |
| 4.1.1 EEMD分解 | 第33-34页 |
| 4.1.2 小波阈值去噪 | 第34-36页 |
| 4.1.3 基于EEMD的小波阈值去噪方法 | 第36-37页 |
| 4.2 CS-BP神经网络的故障诊断 | 第37-40页 |
| 4.2.1 BP神经网络概述 | 第37-38页 |
| 4.2.2 布谷鸟算法 | 第38-39页 |
| 4.2.3 CS-BP故障诊断模型 | 第39-40页 |
| 4.3 基于EEMD小波阈值去噪和CS-BP的风电齿轮箱故障诊断模型 | 第40-41页 |
| 4.4 仿真分析 | 第41-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 风电齿轮箱故障评估诊断系统开发 | 第48-56页 |
| 5.1 软件设计目标 | 第48-49页 |
| 5.2 系统需求分析 | 第49-50页 |
| 5.3 数据库设计 | 第50-52页 |
| 5.4 模块功能介绍及展示 | 第52-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 发表论文和科研情况说明 | 第61-62页 |
| 致谢 | 第62页 |