风力发电机组状态监控与故障诊断系统研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 课题研究的背景及选题意义 | 第12-14页 |
| 1.2 风力发电的发展现状 | 第14-17页 |
| 1.2.1 国外风力发电的发展现状 | 第14-16页 |
| 1.2.2 国内风力发电的发展现状 | 第16-17页 |
| 1.3 风力发电机组状态预测与故障诊断的主要方法 | 第17-21页 |
| 1.3.1 状态预测的主要方法 | 第17-19页 |
| 1.3.2 故障诊断的典型方法 | 第19-21页 |
| 1.4 论文的内容安排 | 第21-22页 |
| 第二章 风力发电机组基本结构及主要故障 | 第22-33页 |
| 2.1 风力发电机组工作原理与结构 | 第22-25页 |
| 2.1.1 风力发电机组工作原理 | 第22页 |
| 2.1.2 风电机组的结构 | 第22-25页 |
| 2.2 故障机理分析及主要故障 | 第25-29页 |
| 2.2.1 齿轮箱的故障类型和特征频率计算 | 第25-27页 |
| 2.2.2 发电机故障机理与故障特征分析 | 第27-29页 |
| 2.3 故障诊断基本理论与方法 | 第29-32页 |
| 2.3.1 故障及故障诊断的定义 | 第29-30页 |
| 2.3.2 状态监测方法的分析 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 风力发电机组特征量的提取 | 第33-44页 |
| 3.1 特征量提取概述和特征信号的选取 | 第33-36页 |
| 3.1.1 特征量提取概述 | 第33-34页 |
| 3.1.2 特征信号的选取 | 第34-36页 |
| 3.2 小波包分解法 | 第36-37页 |
| 3.3 故障特征量提取的实现 | 第37-43页 |
| 3.3.1 数据预处理 | 第37-38页 |
| 3.3.2 故障特征量提取 | 第38-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 时序ARMA建模及状态预测 | 第44-56页 |
| 4.1 时间顺序列的预测原理 | 第44-46页 |
| 4.1.1 线性预测函数 | 第44-45页 |
| 4.1.2 预测方差最小原则 | 第45-46页 |
| 4.2 ARMA模型的概述与建模流程 | 第46-51页 |
| 4.2.1 ARMA模型概述 | 第46-47页 |
| 4.2.2 建模流程 | 第47-51页 |
| 4.3 实例分析与仿真 | 第51-55页 |
| 4.3.1 数据检验和预处理 | 第52-53页 |
| 4.3.2 ARMA模型定阶、参数估计与检验 | 第53-54页 |
| 4.3.3 ARMA模型预测 | 第54-55页 |
| 4.3.4 结果分析 | 第55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 遗传算法优化BP网络的故障诊断 | 第56-71页 |
| 5.1 BP神经网络 | 第56-58页 |
| 5.1.1 BP网络算法原理 | 第56-57页 |
| 5.1.2 BP神经网络设计的关键点分析 | 第57-58页 |
| 5.2 遗传算法 | 第58-62页 |
| 5.2.1 遗传算法的实现 | 第58-61页 |
| 5.2.2 遗传算法的特点 | 第61-62页 |
| 5.3 遗传算法优化BP神经网络 | 第62-65页 |
| 5.3.1 用于故障诊断的BP网络设计 | 第62-64页 |
| 5.3.2 GA-BP算法流程 | 第64-65页 |
| 5.4 遗传BP神经网络的风力发电机组故障诊断 | 第65-67页 |
| 5.4.1 故障诊断流程 | 第65-66页 |
| 5.4.2 故障诊断结果及分析 | 第66-67页 |
| 5.5 状态预测与故障诊断系统现场调试 | 第67-70页 |
| 5.6 本章小结 | 第70-71页 |
| 总结与展望 | 第71-72页 |
| 1.总结 | 第71页 |
| 2.展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读学位期间发表的论文 | 第77-79页 |
| 致谢 | 第79页 |
