风电齿轮箱齿轮故障预警与诊断的研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 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 本文的研究内容 | 第14-16页 |
| 第2章 齿轮故障与振动机理分析 | 第16-27页 |
| 2.1 齿轮故障 | 第16-18页 |
| 2.1.1 齿轮故障分类 | 第16-17页 |
| 2.1.2 齿轮故障成因 | 第17-18页 |
| 2.2 齿轮的振动模型与机理分析 | 第18-20页 |
| 2.3 齿轮典型故障的振动信号特征 | 第20-22页 |
| 2.3.1 断齿振动特征分析 | 第20-21页 |
| 2.3.2 齿面点蚀振动特征分析 | 第21页 |
| 2.3.3 齿面磨损振动特征分析 | 第21页 |
| 2.3.4 齿根裂纹振动特征分析 | 第21-22页 |
| 2.4 行星齿轮箱类型及结构 | 第22-23页 |
| 2.5 齿轮故障知识库的建立 | 第23-25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 行星齿轮系的振动信号模型及分析 | 第27-41页 |
| 3.1 行星齿轮的计算频率 | 第27-28页 |
| 3.2 行星轮系故障振动分析及特征频率的计算 | 第28-34页 |
| 3.2.1 行星轮系分布式故障 | 第28-31页 |
| 3.2.2 行星轮系局部故障 | 第31-34页 |
| 3.3 仿真信号模型及特征分析 | 第34-40页 |
| 3.3.1 正常状态 | 第35-36页 |
| 3.3.2 行星轮系分布故障 | 第36-37页 |
| 3.3.3 行星轮系局部故障 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于多参数融合的行星齿轮箱故障预警与诊断 | 第41-73页 |
| 4.1 基于区间划分的SCADA数据故障预警 | 第41-45页 |
| 4.1.1 在线故障预警方法框架 | 第41-42页 |
| 4.1.2 数据筛选 | 第42页 |
| 4.1.3 运行区间划分 | 第42-43页 |
| 4.1.4 预警限和预警指标设定 | 第43-45页 |
| 4.2 基于遗传神经网络的无量纲故障预警 | 第45-59页 |
| 4.2.1 无量纲指标 | 第45-48页 |
| 4.2.2 振动信号预处理 | 第48-51页 |
| 4.2.3 遗传神经网络学习算法 | 第51-54页 |
| 4.2.4 实验验证 | 第54-59页 |
| 4.3 基于散度指标的故障诊断 | 第59-68页 |
| 4.3.1 故障特征量的提取 | 第60-61页 |
| 4.3.2 故障部位及程度诊断方法 | 第61-63页 |
| 4.3.3 仿真数据及结果分析 | 第63-66页 |
| 4.3.4 实际应用中的改进 | 第66-68页 |
| 4.4 多参数融合的故障预警与诊断流程 | 第68-71页 |
| 4.5 本章小结 | 第71-73页 |
| 第5章 预警与诊断系统的开发与应用 | 第73-88页 |
| 5.1 故障预警与诊断方法的应用 | 第73-78页 |
| 5.1.1 SCADA数据分析 | 第73-74页 |
| 5.1.2 振动数据分析 | 第74-78页 |
| 5.2 预警与诊断系统平台开发 | 第78-86页 |
| 5.2.1 总体设计 | 第78-79页 |
| 5.2.2 传感器测点布置 | 第79-81页 |
| 5.2.3 系统功能 | 第81-86页 |
| 5.3 本章小结 | 第86-88页 |
| 第6章 总结与展望 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第94-95页 |
| 致谢 | 第95页 |
