风力发电机组故障诊断中健康度模型的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 设备故障诊断和健康度研究现状 | 第11-15页 |
| 1.2.1 概述 | 第11页 |
| 1.2.2 基于模型的方法 | 第11-12页 |
| 1.2.3 数据驱动方法 | 第12-14页 |
| 1.2.4 混合方法 | 第14页 |
| 1.2.5 各种方法的比较 | 第14-15页 |
| 1.3 论文创新点 | 第15页 |
| 1.4 论文的组织架构 | 第15-17页 |
| 第二章 特征选择及机器学习概述 | 第17-42页 |
| 2.1 SCADA系统 | 第17页 |
| 2.2 特征选择概述 | 第17-22页 |
| 2.2.1 特征选择的相关概念 | 第17-18页 |
| 2.2.2 特征选择的一般过程 | 第18-22页 |
| 2.3 机器学习概述 | 第22-34页 |
| 2.3.1 机器学习的一般流程 | 第22-23页 |
| 2.3.2 机器学习的相关概念 | 第23-28页 |
| 2.3.3 常见的机器学习模型 | 第28-34页 |
| 2.4 Hadoop生态系统概述 | 第34-41页 |
| 2.4.1 HDFS简介 | 第35-36页 |
| 2.4.2 MapReduce简介 | 第36-37页 |
| 2.4.3 Hbase简介 | 第37-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第三章 风力发电机组健康度模型的设计 | 第42-53页 |
| 3.1 风电机组健康度模型的系统架构图 | 第42-43页 |
| 3.2 数据预处理 | 第43页 |
| 3.3 基于信息增益比算法的特征预筛选 | 第43-44页 |
| 3.3.1 信息增益比算法 | 第43-44页 |
| 3.3.2 特征预筛选 | 第44页 |
| 3.4 传算法种群初始化 | 第44-45页 |
| 3.5 基于遗传算法的特征选择 | 第45-47页 |
| 3.5.1 遗传算法 | 第45-46页 |
| 3.5.2 遗传算法适应度函数 | 第46-47页 |
| 3.6 基于逻辑回归的健康度模型 | 第47-51页 |
| 3.6.1 逻辑回归 | 第47-51页 |
| 3.6.2 模型的测试方法与评价指标 | 第51页 |
| 3.7 本章小结 | 第51-53页 |
| 第四章 风力发电机组健康度模型的实现 | 第53-64页 |
| 4.1 信息增益比算法实现 | 第53-54页 |
| 4.2 遗传算法的种群初始化实现 | 第54-57页 |
| 4.3 遗传算法实现 | 第57-61页 |
| 4.4 逻辑回归实现 | 第61-63页 |
| 4.5 本章小节 | 第63-64页 |
| 第五章 实验结果及分析 | 第64-71页 |
| 5.1 实验环境 | 第64-65页 |
| 5.1.1 硬件环境 | 第64页 |
| 5.1.2 软件环境 | 第64页 |
| 5.1.3 实验数据 | 第64-65页 |
| 5.2 实验结果 | 第65-70页 |
| 5.2.1 基于信息增益比的特征预筛选 | 第65-68页 |
| 5.2.2 遗传算法的参数设置 | 第68-69页 |
| 5.2.3 逻辑回归的参数设置 | 第69页 |
| 5.2.4 健康度模型 | 第69-70页 |
| 5.3 结果分析 | 第70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.1.1 论文的主要工作 | 第71-72页 |
| 6.1.2 论文的创新点 | 第72页 |
| 6.1.3 论文的不足之处 | 第72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-79页 |
| 攻读学位期间发表的学术论文目录 | 第79页 |
