| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 风电机组故障诊断技术的国内外研究现状 | 第11-14页 |
| 1.3 论文研究内容 | 第14-16页 |
| 第二章 风电机组子系统常见故障分类及常用故障诊断方法 | 第16-34页 |
| 引言 | 第16页 |
| 2.1 风力发电机组的结构及各系统故障分析 | 第16-29页 |
| 2.2 风电机组智能故障诊断技术分类比较 | 第29-32页 |
| 2.3 风电机组故障诊断算法选择 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 风场中风电机组出力相关性统计分析 | 第34-41页 |
| 引言 | 第34页 |
| 3.1 相关性原理 | 第34-35页 |
| 3.2 风电机组出力互相关性统计分析 | 第35-37页 |
| 3.3 风电机组出力自相关与风速自相关性统计分析 | 第37-39页 |
| 3.4 相关性系数判别风电机组运行状态标准 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 模糊故障Petri网在风电机组故障诊断中的应用 | 第41-51页 |
| 引言 | 第41页 |
| 4.1 模糊故障Petri网定义 | 第41-42页 |
| 4.2 模糊故障Petri网产生规则 | 第42-44页 |
| 4.3 模糊故障Petri网推理方法 | 第44-46页 |
| 4.4 风电机组故障诊断的模糊故障Petri网模型 | 第46-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于大数据分析的风电机组健康运行状态评价 | 第51-62页 |
| 引言 | 第51页 |
| 5.1 设备健康状态管理系统框架及设备健康状态退化特性 | 第51-55页 |
| 5.2 基于大数据分析的风电机组健康运行状态评判 | 第55页 |
| 5.3 基于大数据分析的风电机组健康运行状态评判指标 | 第55-58页 |
| 5.4 基于大数据分析的风电机组健康运行状态决策算法 | 第58-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 风电机组的故障及健康运行状态判别算例 | 第62-67页 |
| 6.1 风电机组运行数据及算例条件 | 第62-63页 |
| 6.2 算例一：风电机组故障诊断 | 第63-64页 |
| 6.3 算例二：风电机组健康状态评判 | 第64-66页 |
| 6.4 本章小结 | 第66-67页 |
| 第七章 总结与展望 | 第67-69页 |
| 7.1 总结 | 第67页 |
| 7.2 展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间参加的项目和发表的论文 | 第75-76页 |
| 1 攻读硕士学位期间参加的项目 | 第75页 |
| 2 攻读硕士学位期间发表的论文 | 第75页 |
| 3 攻读硕士学位期间已获受理的发明专利 | 第75-76页 |
| 致谢 | 第76页 |
