| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第16-29页 |
| 1.1 引言 | 第16-21页 |
| 1.1.1 课题研究背景 | 第16-19页 |
| 1.1.2 课题研究的目的和意义 | 第19-21页 |
| 1.2 国内外研究现状 | 第21-26页 |
| 1.2.1 风电机组传动链状态监测与故障诊断的研究 | 第21-25页 |
| 1.2.2 滚动轴承健康状态实时评价的研究 | 第25-26页 |
| 1.3 论文研究内容和技术路线 | 第26-29页 |
| 1.3.1 研究内容 | 第26-28页 |
| 1.3.2 技术路线 | 第28-29页 |
| 第2章 风电机组传动链报警模式研究 | 第29-37页 |
| 2.1 引言 | 第29页 |
| 2.2 误报警率定义 | 第29-30页 |
| 2.3 基于单参数的风电机组传动链报警模式 | 第30-33页 |
| 2.3.1 基于风速的运行工况分类 | 第31-32页 |
| 2.3.2 误报警率计算 | 第32-33页 |
| 2.4 基于多参数的风电机组传动链报警模式 | 第33-36页 |
| 2.4.1 基于多参数的运行工况分类 | 第34-35页 |
| 2.4.2 阈值设定 | 第35页 |
| 2.4.3 误报警率计算 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于优化支持向量机的风电机组传动链状态监测研究 | 第37-51页 |
| 3.1 引言 | 第37页 |
| 3.2 基于引力搜索算法优化最小二乘支持向量机 | 第37-42页 |
| 3.2.1 最小二乘支持向量机 | 第37-39页 |
| 3.2.2 引力搜索算法 | 第39-41页 |
| 3.2.3 最小二乘支持向量机优化 | 第41-42页 |
| 3.3 算例及分析 | 第42-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第4章 基于优化神经网络的风电机组传动链故障诊断研究 | 第51-69页 |
| 4.1 引言 | 第51页 |
| 4.2 人工神经网络优化 | 第51-58页 |
| 4.2.1 人工神经网络 | 第51-54页 |
| 4.2.2 粒子群算法优化神经网络 | 第54-57页 |
| 4.2.3 引力搜索算法优化神经网络 | 第57-58页 |
| 4.3 特征提取 | 第58-61页 |
| 4.4 算例及分析 | 第61-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 基于优化支持向量机的风电机组传动链故障诊断研究 | 第69-93页 |
| 5.1 引言 | 第69页 |
| 5.2 基于优化最小二乘支持向量机的故障诊断方法 | 第69-75页 |
| 5.2.1 基于遗传算法优化最小二乘支持向量机的故障诊断方法 | 第69-73页 |
| 5.2.2 基于萤火虫群算法优化最小二乘支持向量机的故障诊断方法 | 第73-75页 |
| 5.3 算例及分析 | 第75-91页 |
| 5.3.1 故障位置诊断 | 第76-81页 |
| 5.3.2 故障程度诊断 | 第81-91页 |
| 5.4 本章小结 | 第91-93页 |
| 第6章 风电机组传动链状态实时评价及状态诊断系统的研究 | 第93-112页 |
| 6.1 引言 | 第93页 |
| 6.2 风电机组传动链健康状态实时评价 | 第93-104页 |
| 6.2.1 高斯混合模型 | 第94-95页 |
| 6.2.2 Copula函数 | 第95-96页 |
| 6.2.3 基于高斯混合Copula模型的健康状态实时评价方法 | 第96-97页 |
| 6.2.4 算例及分析 | 第97-104页 |
| 6.3 大型风电机组在线运行状态与性能评估系统研究 | 第104-110页 |
| 6.3.1 风电机组状态监测与故障诊断系统发展现状 | 第104-105页 |
| 6.3.2 系统设计 | 第105-107页 |
| 6.3.3 数据采集与通讯 | 第107-108页 |
| 6.3.4 系统界面 | 第108-110页 |
| 6.4 本章小结 | 第110-112页 |
| 第7章 结论与展望 | 第112-115页 |
| 7.1 结论 | 第112-113页 |
| 7.2 创新点 | 第113-114页 |
| 7.3 展望 | 第114-115页 |
| 参考文献 | 第115-125页 |
| 攻读博士学位期间发表的论文及其它成果 | 第125-126页 |
| 攻读博士学位期间参加的科研工作 | 第126-127页 |
| 致谢 | 第127-129页 |
| 作者简介 | 第129页 |
