基于工况辨识的风电机组故障预警方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 风电机组状态监测系统应用现状 | 第11页 |
| 1.3 风电机组状态监测技术研究现状 | 第11-13页 |
| 1.3.1 SCADA数据监测与分析研究现状 | 第12页 |
| 1.3.2 机械振动监测与分析研究现状 | 第12-13页 |
| 1.4 风电机组工况辨识研究现状 | 第13-14页 |
| 1.5 本文主要研究内容 | 第14-16页 |
| 第2章 风电机组运行工况辨识 | 第16-24页 |
| 2.1 SCADA系统介绍 | 第16页 |
| 2.2 风电机组不同运行区域 | 第16-17页 |
| 2.3 数据来源 | 第17-18页 |
| 2.4 实际运行工况辨识 | 第18-22页 |
| 2.4.1 模糊C均值聚类 | 第18-20页 |
| 2.4.2 工况辨识参数选取 | 第20-21页 |
| 2.4.3 数据预处理及归一化 | 第21-22页 |
| 2.4.4 辨识仿真结果 | 第22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 基于MSET的风电机组故障预警 | 第24-34页 |
| 3.1 齿轮箱典型故障分析 | 第25-27页 |
| 3.2 MSET建模原理 | 第27-29页 |
| 3.3 建模变量选取 | 第29-30页 |
| 3.4 故障预警指标制定 | 第30-31页 |
| 3.5 MSET模型有效性验证 | 第31-32页 |
| 3.6 实例分析 | 第32-33页 |
| 3.7 本章小结 | 第33-34页 |
| 第4章 基于VMD的风电机组故障诊断 | 第34-47页 |
| 4.1 数据来源 | 第34-36页 |
| 4.1.1 风场数据 | 第34-35页 |
| 4.1.2 实验室数据 | 第35-36页 |
| 4.2 振动信号特征提取 | 第36-41页 |
| 4.2.1 VMD基本原理 | 第36-38页 |
| 4.2.2 VMD算法步骤 | 第38页 |
| 4.2.3 VMD有效性验证 | 第38-39页 |
| 4.2.4 AR模型 | 第39-40页 |
| 4.2.5 奇异值 | 第40-41页 |
| 4.3 振动信号分类 | 第41-44页 |
| 4.3.1 KPCA基本原理 | 第42-43页 |
| 4.3.2 KPCA算法步骤 | 第43-44页 |
| 4.4 滚动轴承状态识别 | 第44-46页 |
| 4.4.1 恒定工况下故障诊断 | 第44-45页 |
| 4.4.2 变工况下故障诊断 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 结论与展望 | 第47-49页 |
| 5.1 结论 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间发表的论文情况及其他成果 | 第52-53页 |
| 致谢 | 第53页 |
