本书从风电机组传动系统的智能运维角度出发，对风电机组传动系统构成、风电机组传动系统故障诊断的方法、微弱故障信号增强方法、微弱故障信号特征提取方法、故障诊断的浅层学习方法及基本理论、深度学习方法及基本理论、风电机组传动系统故障诊断系统的设计，进行了较系统的介绍和讨论。

吕中亮，博士，副教授，重庆科技学院机械与动力工程学院副院长。中国振动工程学会*会员，中国自动化学会会员。主要擅长机械设备状态监测、设备运行与智能维护。

第1章绪论（1）

1.1风电机组传动系统构成（2）

1.2风电机组传动系统智能运维的意义（3）

1.3风电机组传动系统故障诊断的方法与分类（5）

1.3.1基于定性知识经验的风电机组传动系统诊断（5）

1.3.2基于分析模型的风电机组传动系统诊断（6）

1.3.3基于数据驱动的风电机组传动系统诊断（7）

第2章风电机组传动系统微弱故障信号增强（13）

2.1共振解调故障增强方法（14）

2.1.1共振解调技术的原理及优点（14）

2.1.2共振解调的过程（14）

2.1.3希尔伯特（Hilbert）变换和包络分析（15）

2.2自适应*大相关峭度反卷积增强方法（16）

2.2.1*小熵解卷积原理（16）

2.2.2变步长网格搜索法（17）

2.2.3目标函数确定及参数优化（18）

2.2.4自适应*大相关峭度反卷积性能分析（19）

2.3多点*优*小熵反卷积增强方法（21）

2.3.1多点*优*小熵反卷积原理（21）

2.3.2MED和MOMEDA方法的实验（22）

第3章风电机组传动系统故障特征提取（29）

3.1时域和频域的特征提取方法（30）

3.1.1时域的特征指标集（30）

3.1.2频域的特征指标集（31）

3.2时频域特征提取方法（33）

3.2.1小波包分解（33）

3.2.2经验模态分解（35）

3.2.3变分模态分解方法及准则（41）

3.2.4自适应变分模态分解（43）

3.2.5局部均值分解（47）

3.3模糊熵特征集构建的实验验证（49）

3.3.1模糊熵的原理（49）

3.3.2模糊熵特征集构建的方法步骤及流程（50）

3.3.3试验台验证（51）

第4章风电机组传动系统早期故障辨识（55）

4.1浅层学习基本理论（57）

4.1.1人工神经网络（57）

4.1.2多核支持向量机算法（58）

4.1.3*大熵模型（62）

4.2深度学习基本理论（64）

4.2.1卷积神经网络（65）

4.2.2自动编码器（67）

4.2.3深度置信网络（69）

4.3小子样分析方法（71）

第5章风电机组传动系统故障诊断系统设计（73）

5.1系统的总体设计（74）

5.1.1系统的需求分析（74）

5.1.2系统的总体结构（75）

5.2系统功能的实现（76）

5.2.1前端采集设备选择（76）

5.2.2测点布置与传感器安装（77）

5.2.3监测系统软件功能实现（79）

5.3应用实例（87）

参考文献（90）