| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 引言 | 第10-17页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 研究现状 | 第12-17页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究现状 | 第14-15页 |
| 1.3.3 本课题研究内容 | 第15-17页 |
| 第2章 风力发电机组故障诊断技术简介 | 第17-24页 |
| 2.1 常见风力发电机的故障 | 第17-20页 |
| 2.1.1 齿轮箱 | 第19-20页 |
| 2.1.2 发电机 | 第20页 |
| 2.1.3 主轴 | 第20页 |
| 2.2 故障产生原因分析 | 第20-21页 |
| 2.3 常用的故障诊断技术 | 第21-24页 |
| 2.3.1 数理统计 | 第22-23页 |
| 2.3.2 信号处理模式 | 第23页 |
| 2.3.3 人工智能模式 | 第23-24页 |
| 第3章 数据挖掘技术在风力发电机组故障诊断中的应用 | 第24-33页 |
| 3.1 相关的数据挖掘技术 | 第24-29页 |
| 3.1.1 分类 | 第24-25页 |
| 3.1.2 聚类 | 第25-26页 |
| 3.1.3 关联 | 第26-27页 |
| 3.1.4 回归 | 第27-29页 |
| 3.2 数据挖掘工具的选择 | 第29-31页 |
| 3.2.1 SQL server数据提取 | 第29页 |
| 3.2.2 RapidMiner数据分析 | 第29-30页 |
| 3.2.3 Matlab算法调试 | 第30-31页 |
| 3.3 故障诊断的应用体系设计 | 第31-33页 |
| 第4章 数据集群分析与数据预处理 | 第33-43页 |
| 4.1 风场多台风力发电机的并分析 | 第33-36页 |
| 4.1.1 集群分析 | 第33-34页 |
| 4.1.2 分时统计 | 第34-36页 |
| 4.2 数据清洗 | 第36页 |
| 4.2.1 空值处理 | 第36页 |
| 4.2.2 异常值处理 | 第36页 |
| 4.3 数据预处理 | 第36-38页 |
| 4.3.1 抽样 | 第37页 |
| 4.3.2 标准化 | 第37-38页 |
| 4.3.3 聚类处理 | 第38页 |
| 4.4 特征提取及属性选择 | 第38-43页 |
| 4.4.1 经验选取 | 第39-40页 |
| 4.4.2 启发式搜索法 | 第40页 |
| 4.4.3 随机生成法 | 第40-41页 |
| 4.4.4 维规约 | 第41-43页 |
| 第5章 故障预测 | 第43-55页 |
| 5.1 线性回归的主轴承故障预测 | 第43-45页 |
| 5.2 时间序列的主轴承故障预测 | 第45-47页 |
| 5.3 支持向量机齿轮箱轴承故障预测 | 第47-49页 |
| 5.4 神经网络齿轮箱轴承故障预测 | 第49-51页 |
| 5.5 对比各种数据挖掘方法的效果 | 第51-55页 |
| 5.5.1 交叉验证法 | 第52-53页 |
| 5.5.2 预测结果评价 | 第53-55页 |
| 第6章 基于K-means和神经网络的风力发电机齿轮箱轴承故障预测 | 第55-65页 |
| 6.1 K-means数据预处理 | 第55-58页 |
| 6.2 优化神经网络建模 | 第58-59页 |
| 6.3 实际应用 | 第59-65页 |
| 第7章 总结 | 第65-66页 |
| 感谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70页 |