| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 课题研究背景及意义 | 第12-15页 |
| 1.1.1 风电机组发展的背景 | 第12-13页 |
| 1.1.2 风电机组故障检测方法研究意义 | 第13-15页 |
| 1.2 风电机组故障检测技术方法与发展趋势 | 第15-17页 |
| 1.2.1 现有风电机组故障检测方法及其优缺点 | 第15-16页 |
| 1.2.2 国内外风电机组故障检测研究现状 | 第16-17页 |
| 1.3 目前风电机组故障检测存在的问题和研究内容 | 第17-18页 |
| 1.4 本文的主要组织结构 | 第18-20页 |
| 第二章 风电机组传动系统关键机械部件故障分析 | 第20-30页 |
| 2.1 风力发电机组结构 | 第20-21页 |
| 2.2 风力发电机组关键机械部件故障 | 第21-26页 |
| 2.2.1 滚动轴承故障 | 第22-23页 |
| 2.2.2 齿轮箱故障 | 第23-24页 |
| 2.2.3 发电机故障 | 第24-26页 |
| 2.3 风力发电机组传动系统典型故障振动信号频率特征 | 第26-29页 |
| 2.3.1 滚动轴承的频率特征 | 第26-28页 |
| 2.3.2 齿轮箱的频率特征 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于形态滤波降噪的滚动轴承故障特征提取 | 第30-49页 |
| 3.1 引言 | 第30-31页 |
| 3.2 形态滤波-小波降噪算法 | 第31-35页 |
| 3.2.1 形态滤波算法 | 第31-32页 |
| 3.2.2 小波分析方法 | 第32-35页 |
| 3.3 形态滤波-改进的小波降噪算法 | 第35-42页 |
| 3.3.1 改进的小波去噪方法 | 第35-38页 |
| 3.3.2 形态滤波降噪模型 | 第38-42页 |
| 3.4 在滚动轴承故障特征提取的应用 | 第42-48页 |
| 3.4.1 实验设计 | 第42-43页 |
| 3.4.2 故障特征提取模型建立 | 第43-44页 |
| 3.4.3 实验过程与结果 | 第44-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于多特征参数的PNN滚动轴承故障检测 | 第49-60页 |
| 4.1 引言 | 第49页 |
| 4.2 经验模态分解 | 第49-50页 |
| 4.3 概率神经网络 | 第50-54页 |
| 4.3.1 贝叶斯分类判决理论 | 第50-52页 |
| 4.3.2 概率神经网络模型 | 第52-53页 |
| 4.3.3 概率神经网络数学原理 | 第53页 |
| 4.3.4 概率神经网络特点 | 第53-54页 |
| 4.4 基于多特征参数的PNN滚动轴承故障检测模型 | 第54-59页 |
| 4.4.1 PNN故障检测模型 | 第54-55页 |
| 4.4.2 多特征参数提取 | 第55-56页 |
| 4.4.3 实验仿真 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 基于改进蛙跳算法优化的SVM齿轮的故障检测 | 第60-75页 |
| 5.1 引言 | 第60页 |
| 5.2 支持向量机 | 第60-62页 |
| 5.3 改进的蛙跳算法及其性能分析 | 第62-66页 |
| 5.3.1 基本蛙跳算法 | 第62-63页 |
| 5.3.2 改进的蛙跳算法 | 第63-64页 |
| 5.3.3 改进蛙跳算法的收敛性 | 第64-65页 |
| 5.3.4 改进蛙跳算法的时间复杂度分析 | 第65-66页 |
| 5.4 基于改进蛙跳算法的SVM模型 | 第66-70页 |
| 5.4.1 模型建立 | 第66页 |
| 5.4.2 ISFLA选择最佳参数c和g | 第66-67页 |
| 5.4.3 仿真实验 | 第67-70页 |
| 5.5 在风机齿轮故障检测中的应用 | 第70-74页 |
| 5.5.1 实验设计 | 第70-72页 |
| 5.5.2 实验步骤 | 第72页 |
| 5.5.3 实验结果与分析 | 第72-74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章 总结和展望 | 第75-77页 |
| 6.1 主要工作与创新点 | 第75页 |
| 6.2 后续研究工作 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间发表论文及专利 | 第83页 |
