第1章緒論（1）
1.1風電機組傳動系統(tǒng)構成（2）
1.2風電機組傳動系統(tǒng)智能運維的意義（3）
1.3風電機組傳動系統(tǒng)故障診斷的方法與分類（5）
1.3.1基于定性知識經(jīng)驗的風電機組傳動系統(tǒng)診斷（5）
1.3.2基于分析模型的風電機組傳動系統(tǒng)診斷（6）
1.3.3基于數(shù)據(jù)驅(qū)動的風電機組傳動系統(tǒng)診斷（7）
第2章風電機組傳動系統(tǒng)微弱故障信號增強（13）
2.1共振解調(diào)故障增強方法（14）
2.1.1共振解調(diào)技術的原理及優(yōu)點（14）
2.1.2共振解調(diào)的過程（14）
2.1.3希爾伯特（Hilbert）變換和包絡分析（15）
2.2自適應最大相關峭度反卷積增強方法（16）
2.2.1最小熵解卷積原理（16）
2.2.2變步長網(wǎng)格搜索法（17）
2.2.3目標函數(shù)確定及參數(shù)優(yōu)化（18）
2.2.4自適應最大相關峭度反卷積性能分析（19）
2.3多點最優(yōu)最小熵反卷積增強方法（21）
2.3.1多點最優(yōu)最小熵反卷積原理（21）
2.3.2MED和MOMEDA方法的實驗（22）
第3章風電機組傳動系統(tǒng)故障特征提�。�29）
3.1時域和頻域的特征提取方法（30）
3.1.1時域的特征指標集（30）
3.1.2頻域的特征指標集（31）
3.2時頻域特征提取方法（33）
3.2.1小波包分解（33）
3.2.2經(jīng)驗模態(tài)分解（35）
3.2.3變分模態(tài)分解方法及準則（41）
3.2.4自適應變分模態(tài)分解（43）
3.2.5局部均值分解（47）
3.3模糊熵特征集構建的實驗驗證（49）
3.3.1模糊熵的原理（49）
3.3.2模糊熵特征集構建的方法步驟及流程（50）
3.3.3試驗臺驗證（51）
第4章風電機組傳動系統(tǒng)早期故障辨識（55）
4.1淺層學習基本理論（57）
4.1.1人工神經(jīng)網(wǎng)絡（57）
4.1.2多核支持向量機算法（58）
4.1.3最大熵模型（62）
4.2深度學習基本理論（64）
4.2.1卷積神經(jīng)網(wǎng)絡（65）
4.2.2自動編碼器（67）
4.2.3深度置信網(wǎng)絡（69）
4.3小子樣分析方法（71）
第5章風電機組傳動系統(tǒng)故障診斷系統(tǒng)設計（73）
5.1系統(tǒng)的總體設計（74）
5.1.1系統(tǒng)的需求分析（74）
5.1.2系統(tǒng)的總體結構（75）
5.2系統(tǒng)功能的實現(xiàn)（76）
5.2.1前端采集設備選擇（76）
5.2.2測點布置與傳感器安裝（77）
5.2.3監(jiān)測系統(tǒng)軟件功能實現(xiàn)（79）
5.3應用實例（87）
參考文獻（90）