| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 风力发电的背景及意义 | 第10页 |
| 1.2 国内外风力发展现状 | 第10-12页 |
| 1.3 风电机组故障诊断技术概述 | 第12-14页 |
| 1.4 本文的主要研究内容 | 第14-16页 |
| 第2章 风电机组及其SCADA系统 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 风电机组简介 | 第16-21页 |
| 2.2.1 风电机组分类 | 第16-18页 |
| 2.2.2 风电机组构成及工作原理 | 第18-19页 |
| 2.2.3 风电机组常见故障分析 | 第19-21页 |
| 2.3 SCADA系统分析 | 第21-25页 |
| 2.3.1 SCADA系统简介 | 第22-23页 |
| 2.3.2 SCADA系统的监测数据 | 第23-24页 |
| 2.3.3 SCADA数据的利用 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于改进的非线性状态估计的建模方法 | 第26-35页 |
| 3.1 引言 | 第26页 |
| 3.2 相似性原理 | 第26页 |
| 3.3 NSET建模方法基本原理 | 第26-29页 |
| 3.4 非线性状态估计建模步骤 | 第29-33页 |
| 3.4.1 选择合适的训练数据 | 第29-30页 |
| 3.4.2 数据预处理 | 第30页 |
| 3.4.3 基于固定步距构造过程记忆矩阵 | 第30-31页 |
| 3.4.4 基于马氏距离优化构造过程记忆矩阵 | 第31-33页 |
| 3.5 NSET故障诊断系统 | 第33页 |
| 3.6 本章小结 | 第33-35页 |
| 第4章 NSET模型在风机状态预测上的有效性验证 | 第35-51页 |
| 4.1 引言 | 第35页 |
| 4.2 NSET模型在齿轮箱温度预测上的应用 | 第35-40页 |
| 4.2.1 齿轮箱相关知识简介 | 第35-36页 |
| 4.2.2 NSET模型输入变量的确定 | 第36页 |
| 4.2.3 NSET模型有效时长的确定 | 第36-37页 |
| 4.2.4 齿轮箱温度NSET模型预测有效性验证 | 第37-40页 |
| 4.3 固定步距与优化的NSET建模方法对比 | 第40-41页 |
| 4.4 BP神经网络与优化的NSET建模方法对比 | 第41-44页 |
| 4.5 粒子群优化的BP神经网络与优化的NSET建模方法对比 | 第44-48页 |
| 4.5.1 粒子群优化算法 | 第44-45页 |
| 4.5.2 粒子群优化的BP神经网络 | 第45-47页 |
| 4.5.3 PSO-BP神经网络与优化的NSET建模方法对比 | 第47-48页 |
| 4.6 模型的残差处理与预警分析 | 第48-50页 |
| 4.7 本章小结 | 第50-51页 |
| 第5章 故障诊断系统人机交互界面的实现 | 第51-59页 |
| 5.1 引言 | 第51页 |
| 5.2 基于优化的NSET原理故障诊断系统设计 | 第51-58页 |
| 5.2.1 输入参数的选择 | 第51页 |
| 5.2.2 设计软件LabVIEW简介 | 第51-52页 |
| 5.2.3 故障诊断系统的设计步骤 | 第52页 |
| 5.2.4 LabVIEW程序框图的设计 | 第52-54页 |
| 5.2.5 系统界面设计 | 第54-56页 |
| 5.2.6 风电机组系统界面的远程发布 | 第56-58页 |
| 5.3 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第65-66页 |
| 致谢 | 第66页 |