| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 论文选题背景和意义 | 第9页 |
| 1.2 风力发电机发展概况 | 第9-12页 |
| 1.2.1 国外发展概况 | 第9-10页 |
| 1.2.2 国内发展概况 | 第10-12页 |
| 1.2.3 风力发电存在的问题 | 第12页 |
| 1.3 风力发电机齿轮箱故障诊断方法研究进展 | 第12-13页 |
| 1.4 本文主要研究内容 | 第13-14页 |
| 第2章 风力机齿轮箱振动信号特征及时域指标诊断方法研究 | 第14-26页 |
| 2.1 引言 | 第14页 |
| 2.2 齿轮的振动信号特征 | 第14-19页 |
| 2.2.1 正常齿轮的振动信号特征 | 第14-15页 |
| 2.2.2 故障齿轮的振动信号特征 | 第15-19页 |
| 2.3 滚动轴承的振动信号特征 | 第19-22页 |
| 2.3.1 内滚道产生损伤故障的振动特征 | 第19-20页 |
| 2.3.2 外滚道产生损伤故障的振动特征 | 第20-21页 |
| 2.3.3 滚动体产生损伤故障的振动特征 | 第21-22页 |
| 2.4 时域指标诊断方法研究 | 第22-25页 |
| 2.4.1 有效值和峰值判别法 | 第22页 |
| 2.4.2 峰值因数法 | 第22-23页 |
| 2.4.3 峭度系数法 | 第23-25页 |
| 2.4.4 其他常用指标 | 第25页 |
| 2.5 小结 | 第25-26页 |
| 第3章 去趋势波动分析的优化与改进 | 第26-37页 |
| 3.1 去趋势波动分析 | 第26-28页 |
| 3.1.1 去趋势波动分析的理论简述 | 第26-27页 |
| 3.1.2 多重分形去趋势波动分析（MF-DFA） | 第27-28页 |
| 3.2 去趋势波动分析的优化 | 第28-34页 |
| 3.2.1 不同区间长度 s 对长程相关性指数 hq 的影响 | 第28-29页 |
| 3.2.2 基于互信息方法确定区间参数 | 第29-34页 |
| 3.3 基于分形图偏离程度的故障识别 | 第34-36页 |
| 3.3.1 算法设计 | 第34-35页 |
| 3.3.2 DGD 特征因子与调制信号的关系研究 | 第35-36页 |
| 3.4 小结 | 第36-37页 |
| 第4章 基于改进去趋势波动分析故障识别的仿真验证 | 第37-48页 |
| 4.1 滚动轴承信号仿真 | 第37-43页 |
| 4.1.1 信号仿真原理 | 第37页 |
| 4.1.2 滚动轴承振动的特征频率 | 第37-38页 |
| 4.1.3 故障信号仿真 | 第38-43页 |
| 4.2 仿真信号对算法的验证 | 第43-47页 |
| 4.2.1 正常轴承的振动信号与噪声信号的分形图及 DGD 特征因子分析 | 第43页 |
| 4.2.2 加入噪声正常轴承的振动信号的分形图及 DGD 特征因子 | 第43-44页 |
| 4.2.3 故障仿真信号的分形图及 DGD 特征因子 | 第44-45页 |
| 4.2.4 加入噪声的故障仿真信号的的分形图及 DGD 特征因子 | 第45-46页 |
| 4.2.5 仿真信号中 DGD 特征因子的对比分析 | 第46-47页 |
| 4.3 小结 | 第47-48页 |
| 第5章 去趋势波动分析改进算法在实际中的应用 | 第48-60页 |
| 5.1 算法在传统齿轮箱故障诊断中的应用 | 第48-54页 |
| 5.1.1 滚动轴承故障信号的分形图及 DGD 特征因子 | 第48-49页 |
| 5.1.2 齿轮故障信号的分形图及 DGD 特征因子 | 第49-51页 |
| 5.1.3 振动信号的时域指标对比分析 | 第51-54页 |
| 5.2 算法在风力发电机齿轮箱故障诊断中的应用 | 第54-59页 |
| 5.2.1 风力发电机齿轮箱数据采集 | 第54-55页 |
| 5.2.2 风力机齿轮箱故障信号的分形图及 DGD 特征因子 | 第55-57页 |
| 5.2.3 风力机齿轮箱振动信号的时域指标对比分析 | 第57-59页 |
| 5.4 小结 | 第59-60页 |
| 第6章 结论与展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第64-65页 |
| 致谢 | 第65页 |
