基于现场数据的大型风电机组故障诊断研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 风电发展存在的问题 | 第11-12页 |
| 1.3 风电状态监测和故障诊断技术发展现状 | 第12-13页 |
| 1.4 本文的研究思路和方法 | 第13-15页 |
| 第2章 风电机组运行特性分析 | 第15-26页 |
| 2.1 风电机组类型 | 第15页 |
| 2.2 风电机组组成 | 第15-16页 |
| 2.3 风电机组运行原理 | 第16-25页 |
| 2.3.1 变桨系统 | 第16页 |
| 2.3.2 传动系统 | 第16-18页 |
| 2.3.3 发电机系统 | 第18-19页 |
| 2.3.4 偏航系统 | 第19-21页 |
| 2.3.5 制动系统 | 第21-22页 |
| 2.3.6 液压系统 | 第22页 |
| 2.3.7 控制系统 | 第22-24页 |
| 2.3.8 电源系统 | 第24页 |
| 2.3.9 风电机组运行模式切换 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 风电机组状态监测 | 第26-42页 |
| 3.1 风电机组状态监测现状 | 第26页 |
| 3.2 基于改进BP神经网络的风电机组状态监测 | 第26-33页 |
| 3.2.1 改进BP神经网络 | 第26-27页 |
| 3.2.2 变量选取 | 第27页 |
| 3.2.3 变量相关性分析 | 第27页 |
| 3.2.4 模型建立 | 第27-29页 |
| 3.2.5 仿真 | 第29-30页 |
| 3.2.6 故障检测 | 第30-33页 |
| 3.3 基于支持向量机的风电机组状态监测 | 第33-36页 |
| 3.3.1 支持向量机 | 第33-34页 |
| 3.3.2 模型建立 | 第34-35页 |
| 3.3.3 模型验证 | 第35页 |
| 3.3.4 故障检测 | 第35-36页 |
| 3.4 基于MSET的发电机轴承温度状态监测 | 第36-41页 |
| 3.4.1 MSET模型 | 第37-38页 |
| 3.4.2 建模变量选取 | 第38页 |
| 3.4.3 变量相关性分析 | 第38-39页 |
| 3.4.4 仿真 | 第39-40页 |
| 3.4.5 故障检验 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于劣化度的风电机组模糊故障定位 | 第42-54页 |
| 4.1 风电机组层次模型分析法 | 第42-44页 |
| 4.2 劣化度分析 | 第44-46页 |
| 4.3 计算特征变量的劣化度 | 第46-49页 |
| 4.4 历史运行风险 | 第49-51页 |
| 4.5 确定变量权重 | 第51-52页 |
| 4.6 选取模糊隶属函数 | 第52-53页 |
| 4.7 模糊综合评价 | 第53页 |
| 4.8 本章小结 | 第53-54页 |
| 第5章 结论与展望 | 第54-55页 |
| 5.1 结论 | 第54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-61页 |
| 致谢 | 第61页 |
