| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-14页 |
| 1.2.1 研究现状 | 第12-13页 |
| 1.2.2 发展趋势 | 第13-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 第2章 风电机组主轴承的振动信号特征向量提取 | 第15-27页 |
| 2.1 风电机组的结构 | 第15页 |
| 2.2 风电机组主轴承的结构以及主要故障形式 | 第15-16页 |
| 2.2.1 风电机组主轴承的结构 | 第15-16页 |
| 2.2.2 风电机组主轴承的主要故障形式 | 第16页 |
| 2.3 基于小波包变换的主轴承振动信号特征提取 | 第16-26页 |
| 2.3.1 小波包变换原理 | 第16-18页 |
| 2.3.2 小波阈值降噪 | 第18-23页 |
| 2.3.3 小波包能量特征提取 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于极限学习机的风电机组主轴承故障诊断 | 第27-36页 |
| 3.1 引言 | 第27页 |
| 3.2 极限学习机理论 | 第27-31页 |
| 3.2.1 极限学习机理论背景 | 第27-30页 |
| 3.2.2 极限学习机算法 | 第30-31页 |
| 3.3 基于极限学习机的风电机组主轴承故障诊断 | 第31-34页 |
| 3.3.1 基于ELM的风电机组主轴承故障诊断模型 | 第31-32页 |
| 3.3.2 特征量与样本的选取 | 第32页 |
| 3.3.3 隐含层激活函数的选取 | 第32页 |
| 3.3.4 ELM的参数选取 | 第32-33页 |
| 3.3.5 风电机组主轴承的状态编码 | 第33页 |
| 3.3.6 基于ELM的风电机组主轴承的故障诊断实现过程 | 第33-34页 |
| 3.4 实例分析 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于核极限学习机的风电机组主轴承故障诊断 | 第36-42页 |
| 4.1 引言 | 第36页 |
| 4.2 核极限学习机理论 | 第36-37页 |
| 4.2.1 核函数 | 第36页 |
| 4.2.2 核极限学习机算法 | 第36-37页 |
| 4.3 核极限学习机的参数优化 | 第37-39页 |
| 4.3.1 遗传算法基本要素 | 第37-38页 |
| 4.3.2 遗传算法基本流程 | 第38-39页 |
| 4.4 基于KELM的风电机组主轴承故障诊断 | 第39-40页 |
| 4.4.1 基于KELM的风电机组主轴承故障诊断模型 | 第39页 |
| 4.4.2 特征量与样本的选取 | 第39页 |
| 4.4.3 基于KELM的风电机组主轴承故障诊断实现过程 | 第39-40页 |
| 4.5 实例分析 | 第40-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第5章 基于混合核极限学习机的风电机组主轴承故障诊断 | 第42-50页 |
| 5.1 引言 | 第42页 |
| 5.2 混合核函数 | 第42页 |
| 5.3 混合核极限学习机的参数优化 | 第42-44页 |
| 5.3.1 交叉验证 | 第42-43页 |
| 5.3.2 MKELM的参数优化 | 第43-44页 |
| 5.4 基于MKELM的风电机组主轴承故障诊断 | 第44-46页 |
| 5.4.1 基于MKELM的风电机组主轴承故障诊断模型 | 第44-45页 |
| 5.4.2 特征量与样本的选取 | 第45页 |
| 5.4.3 基于MKELM的风电机组主轴承故障诊断过程 | 第45-46页 |
| 5.5 实例分析 | 第46-48页 |
| 5.5.1 不同优化方法的对比 | 第46-47页 |
| 5.5.2 不同机器学习方法的对比 | 第47-48页 |
| 5.5.3 不同ELM方法的对比 | 第48页 |
| 5.6 本章小结 | 第48-50页 |
| 第6章 结论与展望 | 第50-52页 |
| 6.1 结论 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-56页 |
| 攻读硕士学位期间参加的科研工作 | 第56-57页 |
| 致谢 | 第57页 |
