| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·课题背景 | 第10-12页 |
| ·故障诊断技术国内外研究现状 | 第12-14页 |
| ·风电机组及其故障诊断技术研究与应用现状 | 第14-15页 |
| ·国外现状 | 第14页 |
| ·国内现状 | 第14-15页 |
| ·课题研究意义和主要内容 | 第15-17页 |
| 第2章 大型风电机组机械系统及典型故障概述 | 第17-28页 |
| ·大型风电机组的基本组成 | 第17-19页 |
| ·大型风电机组传动系统 | 第19-20页 |
| ·风电机组传动系统典型故障 | 第20-22页 |
| ·增速齿轮箱故障 | 第20-22页 |
| ·低速轴和高速轴故障 | 第22页 |
| ·传动系统的故障信号振动特征 | 第22-26页 |
| ·齿轮箱典型故障振动信号特征 | 第23-25页 |
| ·高、低速轴典型故障振动信号特征 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 第3章 风电机组故障诊断方法分析 | 第28-43页 |
| ·风电机组故障诊断过程 | 第28-29页 |
| ·振动信号特征提取方法 | 第29-34页 |
| ·时域分析 | 第29-32页 |
| ·频域分析 | 第32-34页 |
| ·风电机组故障诊断方法分析 | 第34-41页 |
| ·阈值分析法 | 第34-38页 |
| ·趋势分析法 | 第38-40页 |
| ·专家系统 | 第40-41页 |
| ·本章小结 | 第41-43页 |
| 第4章 风电机组神经网络故障诊断实验研究 | 第43-56页 |
| ·神经网络方法概述 | 第43-47页 |
| ·人工神经元的基本模型 | 第44页 |
| ·BP 神经网络 | 第44-46页 |
| ·BP 算法 | 第46-47页 |
| ·神经网络模型的建立 | 第47-48页 |
| ·实验平台概述 | 第48-50页 |
| ·实验数据的分析 | 第50-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 风电机组基于贝叶斯网络故障诊断研究 | 第56-71页 |
| ·贝叶斯网络理论分析 | 第56-64页 |
| ·贝叶斯网络发展现状 | 第56-58页 |
| ·贝叶斯网络的概率论基础 | 第58-59页 |
| ·贝叶斯网络组成 | 第59-60页 |
| ·基于贝叶斯分类器的状态识别方法 | 第60-64页 |
| ·风电机组贝叶斯网络诊断模型和诊断推理 | 第64-70页 |
| ·贝叶斯网络诊断模型框架 | 第64-66页 |
| ·风电机组传动系统贝叶斯诊断网络的构建 | 第66-69页 |
| ·故障诊断的贝叶斯网络推理 | 第69-70页 |
| ·本章小结 | 第70-71页 |
| 第6章 基于贝叶斯网络的风电机组故障诊断信息系统设计与实现 | 第71-83页 |
| ·风电机组故障诊断系统总体设计 | 第71-72页 |
| ·网络构建模块设计 | 第72-74页 |
| ·网络推理模块设计 | 第74-77页 |
| ·证据信息的预处理 | 第74页 |
| ·网络推理 | 第74-77页 |
| ·诊断知识数据库管理模块设计 | 第77-79页 |
| ·数据库的选取 | 第77页 |
| ·数据库设计 | 第77-79页 |
| ·风电机组故障诊断信息系统原型 | 第79-82页 |
| ·网络构建与更新 | 第79-81页 |
| ·故障诊断信息系统界面 | 第81-82页 |
| ·本章小结 | 第82-83页 |
| 结论 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第90-91页 |
| 致谢 | 第91-92页 |
| 作者简介 | 第92页 |