第1章 绪论
1.1 风能产业与特点概述
1.1.1 风能产业发展概述
1.1.2 风电机组故障诊断与寿命预测的意义
1.2 风电机组状态监测技术
1.2.1 振动监测技术
1.2.2 油液监测技术
1.2.3 无损检测技术
1.2.4 不平衡状态监测技术
1.2.5 基于模态分析的状态监测技术
1.3 风电机组传动链故障诊断方法
1.3.1 风电齿轮箱故障动力学模型
1.3.2 变转速工况下故障特征提取
1.3.3 故障信息增强方法
1.3.4 智能故障诊断方法
1.3.5 风电机组关键部件寿命预测方法
1.4 风电机组振动诊断与预测技术难点
1.5 风电机组监测、诊断技术发展的关键
第2章 风电机组结构及运行控制
2.1 风电机组总体结构
2.2 双馈机组传动链结构
2.3 直驱机组结构
2.4 半直驱机组结构
2.5 风电机组运行控制原理
2.5.1 风力发电的空气动力学模型
2.5.2 风电机组的控制技术
第3章 风电机组振动监测基础
3.1 风电机组传动链失效原因
3.1.1 交变载荷引起的疲劳损伤
3.1.2 过载引起的损伤
3.1.3 维护不当引起的故障
3.2 齿轮、轴承故障状态下的振动机理
3.2.1 齿轮故障振动调制机理
3.2.2 轴承故障振动调制机理
3.3 风电齿轮箱故障特征频率
3.3.1 一级行星+两级平行结构齿轮箱特征频率
3.3.2 二级行星+一级平行结构齿轮箱特征频率
3.3.3 行星级各齿轮故障特征频率
3.3.4 定轴轴承故障特征频率
3.3.5 行星轴承故障特征频率
3.4 风电机组传动链振动监测系统
3.4.1 在线振动监测系统
3.4.2 离线振动监测系统
3.4.3 振动采样频率的确定
3.5 风电机组传动链振动评价标准
3.5.1 风电检测认证及振动测试标准
3.5.2 风电机组振动评价标准
第4章 风电机组传动链故障特征提取
4.1 振动信号基本分析方法
4.1.1 时域分析
4.1.2 频域分析
4.1.3 包络解调分析
4.1.4 倒频谱分析
4.2 行星部件故障特征提取
4.2.1 行星轮系局部故障
4.2.2 行星轮系分布式故障
4.2.3 行星轴承故障
4.3 风电齿轮箱典型故障特征提取
4.3.1 中间轴小齿轮崩齿故障
4.3.2 高速轴齿轮故障
4.3.3 齿轮、轴承复合故障
4.4 发电机轴承故障特征描述与提取
4.4.1 轴承润滑不良
4.4.2 轴承电腐蚀故障
4.4.3 轴承打滑跑圈故障
4.4.4 发电机轴承保持架故障
4.4.5 电磁振动下发电机轴承故障
4.5 自适应故障特征提取
4.5.1 自适应特征提取方法
4.5.2 基于经验模态分解的齿轮故障特征提取
4.5.3 基于经验小波变换的轴承故障特征提取
4.6 风轮不平衡故障特征提取
第5章 风电机组群智能故障诊断
5.1 智能故障诊断基础
5.1.1 有监督学习的模式识别原理
5.1.2 无监督学习的模式识别原理
5.1.3 两种模式识别方法的比较
5.2 基于自适应共振神经网络的风电机组趋势分析
5.2.1 ART-2神经网络结构
5.2.2 ART-2神经网络学习算法
5.2.3 基于ART-2神经网络的发电机轴承健康趋势分析
5.3 结合ART-2神经网络和C-均值聚类的机组群智能诊断
5.3.1 ART-2神经网络算法存在的问题
5.3.2 C-均值聚类算法
5.3.3 结合ART-2神经网络和C-均值聚类的分类算法
5.3.4 风电机组设备群故障诊断
5.4 基于模糊核聚类的风电机组故障诊断
5.4.1 模糊核聚类算法
5.4.2 优化模糊核聚类算法
5.4.3 基于模糊核聚类算法的故障诊断
5.4.4 风电机组故障诊断案例
第6章 风电机组轴承剩余使用寿命预测
6.1 风电机组轴承剩余使用寿命预测基本概念
6.2 基于神经网络滚动更新的风电齿轮箱轴承剩余使用寿命预测
6.2.1 短期趋势预测的神经网络
6.2.2 剩余使用寿命预测流程
6.2.3 案例分析
6.3 基于改进无迹粒子滤波的发电机轴承剩余使用寿命预测
6.3.1 贝叶斯滤波
6.3.2 剩余使用寿命预测流程
6.3.3 案例分析
6.4 基于特征融合与自约束状态空间估计的轴承剩余使用寿命预测
6.4.1 轴承健康指标构建
6.4.2 自约束状态空间估计器
6.4.3 案例分析
参考文献
展开
