| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 选题背景及研究的目的和意义 | 第11-15页 |
| 1.2 风电机组关键部件故障诊断技术国内外研究现状 | 第15-17页 |
| 1.2.1 国外故障诊断技术研究现状 | 第15-16页 |
| 1.2.2 国内故障诊断技术研究现状 | 第16-17页 |
| 1.3 风电机组常用故障诊断方法概述 | 第17-18页 |
| 1.4 论文的主要研究内容 | 第18-20页 |
| 第二章 风电机组齿轮箱典型故障形式及故障特征分析 | 第20-38页 |
| 2.1 风电机组基本结构 | 第20页 |
| 2.2 风电机组齿轮箱结构组成 | 第20-22页 |
| 2.3 风电机组齿轮箱典型故障及振动故障特征分析 | 第22-26页 |
| 2.3.1 齿轮故障类型及信号特征 | 第22-24页 |
| 2.3.2 滚动轴承故障类型及信号特征 | 第24-26页 |
| 2.4 基于振动信号分析的传统故障识别方法 | 第26-37页 |
| 2.4.1 时域分析 | 第26-29页 |
| 2.4.2 频域分析 | 第29-31页 |
| 2.4.3 时频域分析 | 第31-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 风电机组齿轮箱振动信号消噪及特征提取分析 | 第38-57页 |
| 3.1 齿轮箱故障诊断实验平台简介 | 第38-42页 |
| 3.2 小波消噪 | 第42-46页 |
| 3.2.1 阈值选取规则 | 第44-45页 |
| 3.2.2 阈值函数 | 第45-46页 |
| 3.3 小波包消噪 | 第46页 |
| 3.4 形态学滤波消噪 | 第46-50页 |
| 3.4.1 形态学基本原理 | 第46-48页 |
| 3.4.2 组合形态滤波消噪方法 | 第48页 |
| 3.4.3 仿真分析 | 第48-50页 |
| 3.5 实验验证 | 第50-52页 |
| 3.6 基于希尔伯特变换的包络解调分析 | 第52-55页 |
| 3.7 本章小结 | 第55-57页 |
| 第四章 基于改进的PSO-LSSVM的风电机组齿轮箱故障诊断 | 第57-79页 |
| 4.1 引言 | 第57页 |
| 4.2 改进的粒子群优化算法及仿真验证 | 第57-64页 |
| 4.2.1 粒子群优化算法 | 第57-59页 |
| 4.2.2 模拟退火算法 | 第59页 |
| 4.2.3 改进的粒子群优化算法 | 第59-62页 |
| 4.2.4 算法有效性验证 | 第62-64页 |
| 4.3 支持向量机 | 第64-69页 |
| 4.3.1 最优分类超平面 | 第64-67页 |
| 4.3.2 核函数 | 第67-69页 |
| 4.4 RBH-ISAPSO-LSSVM算法模型的建立及仿真应用 | 第69-72页 |
| 4.4.1 基于RBH-ISAPSO算法的LSSVM参数选取 | 第69-70页 |
| 4.4.2 仿真测试 | 第70-72页 |
| 4.5 实验验证 | 第72-78页 |
| 4.5.1 故障特征值提取 | 第72-73页 |
| 4.5.2 基于RBH-ISAPSO-LSSVM算法的风电机组齿轮箱故障诊断 | 第73-78页 |
| 4.6 本章小结 | 第78-79页 |
| 第五章 基于EEMD-LSSVM的风电机组齿轮箱故障诊断 | 第79-93页 |
| 5.1 引言 | 第79页 |
| 5.2 主成分分析 | 第79-81页 |
| 5.3 集合经验模态分解 | 第81-88页 |
| 5.3.1 经验模态分解 | 第81-85页 |
| 5.3.2 集合经验模态分解 | 第85-88页 |
| 5.4 基于EEMD能量熵的故障特征提取 | 第88-91页 |
| 5.5 基于EEMD-LSSVM算法的风电机组齿轮箱故障诊断 | 第91-92页 |
| 5.6 本章小结 | 第92-93页 |
| 第六章 总结与展望 | 第93-95页 |
| 6.1 总结 | 第93页 |
| 6.2 展望 | 第93-95页 |
| 参考文献 | 第95-100页 |
| 致谢 | 第100-101页 |
| 攻读硕士学位期间取得的研究成果 | 第101页 |
