| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.2 风力发电状态监测及故障诊断的现状及发展方向 | 第10-12页 |
| 1.3 论文主要研究内容与章节安排 | 第12-14页 |
| 第二章 风力发电机组传动系统振动机理及典型故障 | 第14-27页 |
| 2.1 叶片振动 | 第14-15页 |
| 2.2 轴的振动 | 第15-19页 |
| 2.2.1 轴不对中 | 第15-17页 |
| 2.2.2 轴不平衡 | 第17-18页 |
| 2.2.3 转轴弯曲 | 第18-19页 |
| 2.3 齿轮箱振动 | 第19-24页 |
| 2.3.1 齿轮箱的主要失效形式 | 第19-21页 |
| 2.3.2 齿轮箱振动形式 | 第21-23页 |
| 2.3.3 齿轮各故障情况下的频域特征 | 第23-24页 |
| 2.4 滚动轴承振动 | 第24-26页 |
| 2.4.1 滚动轴承失效形式 | 第24-25页 |
| 2.4.2 滚动轴承信号分析方法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 振动信号分析技术 | 第27-46页 |
| 3.1 振动信号的时域分析方法 | 第27-29页 |
| 3.2 振动信号的频域分析方法 | 第29-35页 |
| 3.2.1 幅值谱和功率谱 | 第30页 |
| 3.2.2 希尔伯特解调分析 | 第30-32页 |
| 3.2.3 倒频谱分析 | 第32-35页 |
| 3.3 振动信号的时频分析方法 | 第35-45页 |
| 3.3.1 经验模态分解(EMD) | 第35-40页 |
| 3.3.2 总体平均经验模态分解(EEMD) | 第40-45页 |
| 3.4 小结 | 第45-46页 |
| 第四章 EEMD和神经网络在轴承故障诊断中的应用 | 第46-54页 |
| 4.1 神经网络在故障诊断中的应用 | 第46-50页 |
| 4.1.1 BP神经网络 | 第47-48页 |
| 4.1.2 BP神经网络的学习算法 | 第48-50页 |
| 4.2 基于EEMD和BP神经网络相结合的轴承故障诊断实例 | 第50-53页 |
| 4.3 小结 | 第53-54页 |
| 第五章 结论和展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62页 |