基于小波包的风力发电机组齿轮箱故障诊断研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-13页 |
| 1.1 课题研究背景和意义 | 第6-9页 |
| 1.1.1 课题研究背景 | 第6-7页 |
| 1.1.2 课题研究意义 | 第7-9页 |
| 1.2 国内外研究的现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9页 |
| 1.2.2 国内研究现状 | 第9-11页 |
| 1.3 本文主要研究内容及安排 | 第11-13页 |
| 第二章 风力发电机结构特点与常见故障特征 | 第13-19页 |
| 2.1 引言 | 第13页 |
| 2.2 风力发电机结构组成 | 第13-14页 |
| 2.3 风力发电机齿轮箱故障的原因 | 第14-15页 |
| 2.4 风力发电机齿轮箱故障类型 | 第15-18页 |
| 2.4.1 风力发电机齿轮常见的的故障类型 | 第15页 |
| 2.4.2 风力发电机轴承常见的故障类型 | 第15-17页 |
| 2.4.3 风力发电机轴承故障频率分析 | 第17-18页 |
| 2.5 小结 | 第18-19页 |
| 第三章 基于小波包的故障诊断算法研究 | 第19-38页 |
| 3.1 引言 | 第19页 |
| 3.2 从傅里叶变换到小波变换 | 第19-21页 |
| 3.3 小波变换 | 第21-22页 |
| 3.4 小波包变换 | 第22-24页 |
| 3.5 基于小波包频段能量谱分析特征向量提取 | 第24-25页 |
| 3.6 支持向量机的理论基础 | 第25-32页 |
| 3.6.1 统计学习理论 | 第26-28页 |
| 3.6.2 线性可分支持向量机 | 第28-30页 |
| 3.6.3 非线性可分支持向量机 | 第30-31页 |
| 3.6.4 SVM的多分类问题 | 第31-32页 |
| 3.7 支持向量机参数优化选择方法 | 第32-37页 |
| 3.7.1 遗传算法的原理及流程 | 第32-33页 |
| 3.7.2 GA-SVM参数优化 | 第33-35页 |
| 3.7.3 粒子群算法的原理及流程 | 第35-36页 |
| 3.7.4 PSO-SVM参数优化 | 第36-37页 |
| 3.8 小结 | 第37-38页 |
| 第四章 风力发电机的故障诊断 | 第38-47页 |
| 4.1 引言 | 第38页 |
| 4.2 实验验证 | 第38-44页 |
| 4.2.1 振动信号的故障特征提取 | 第38-43页 |
| 4.2.2 基于SVM的故障分类 | 第43-44页 |
| 4.3 实例验证 | 第44-45页 |
| 4.4 小结 | 第45-47页 |
| 第五章 结论与展望 | 第47-49页 |
| 5.1 结论 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-54页 |
