| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-11页 |
| 1.1 论文的研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 国外研究现状 | 第9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.3 论文的主要研究内容 | 第10-11页 |
| 2 风电叶片损伤的声发射检测 | 第11-17页 |
| 2.1 风电叶片常见损伤类型 | 第11-12页 |
| 2.1.1 裂纹与开裂 | 第11页 |
| 2.1.2 表面磨损 | 第11页 |
| 2.1.3 表面脱落与砂眼 | 第11-12页 |
| 2.2 叶片损伤识别的常用方法 | 第12-13页 |
| 2.2.1 超声波检测技术 | 第12页 |
| 2.2.2 红外热成像检测技术 | 第12页 |
| 2.2.3 声发射检测技术 | 第12-13页 |
| 2.3 叶片损伤的声发射检测技术 | 第13-17页 |
| 2.3.1 声发射信号的产生 | 第13页 |
| 2.3.2 声发射信号的特点 | 第13-14页 |
| 2.3.3 声发射信号处理方法 | 第14-15页 |
| 2.3.4 风电叶片现有监测手段的不足 | 第15-16页 |
| 2.3.5 声发射检测技术的优势及可行性 | 第16-17页 |
| 3 风电叶片损伤识别模型 | 第17-32页 |
| 3.1 小波分析理论 | 第17-21页 |
| 3.1.1 小波分析 | 第17-19页 |
| 3.1.2 小波包分析 | 第19-21页 |
| 3.2 谐波小波理论 | 第21-23页 |
| 3.2.1 谐波小波变换 | 第21-22页 |
| 3.2.2 谐波小波包 | 第22-23页 |
| 3.3 SVM | 第23-30页 |
| 3.3.1 统计学习基本理论 | 第23-25页 |
| 3.3.2 SVM 基本思想 | 第25-28页 |
| 3.3.3 核函数 | 第28-29页 |
| 3.3.4 SVM 的分类算法 | 第29-30页 |
| 3.3.5 LIBSVM | 第30页 |
| 3.4 信号的特征选择与特征提取理论 | 第30-32页 |
| 3.4.1 特征选择与特征提取 | 第30-31页 |
| 3.4.2 特征选择和提取的目的 | 第31-32页 |
| 4 风电叶片损伤信号采集实验 | 第32-36页 |
| 4.1 实验设备 | 第32-34页 |
| 4.2 实验方案设计 | 第34-36页 |
| 5 风电叶片损伤识别研究 | 第36-46页 |
| 5.1 频带分析技术 | 第36页 |
| 5.2 特征向量提取 | 第36-38页 |
| 5.3 小波包特征提取结果 | 第38-42页 |
| 5.3.1 db10 小波包特征提取结果 | 第38-40页 |
| 5.3.2 谐波小波包特征提取结果 | 第40-42页 |
| 5.4 基于 LIBSVM 叶片损伤识别 | 第42-46页 |
| 5.4.1 建立叶片损伤识别模型 | 第42页 |
| 5.4.2 基于 db10 小波包和 SVM 的叶片损伤识别结果 | 第42-44页 |
| 5.4.3 基于谐波小波包和 SVM 的叶片损伤识别结果 | 第44-46页 |
| 结论 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-51页 |
| 攻读学位期间的研究成果 | 第51页 |