| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-10页 |
| 1.1.1 我国风电产业发展分析 | 第9-10页 |
| 1.1.2 我国风电设备运维现状 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 设备维护维修技术发展历程 | 第10-11页 |
| 1.2.2 设备预防性维护发展现状 | 第11-12页 |
| 1.2.3 设备可靠性研究现状 | 第12-13页 |
| 1.2.4 风电设备运维存在的问题 | 第13-14页 |
| 1.3 研究内容、目的及意义 | 第14-15页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 研究目的及意义 | 第15页 |
| 1.4 小结 | 第15-16页 |
| 第2章 风力发电机故障特性分析 | 第16-24页 |
| 2.1 风力发电概述 | 第16-18页 |
| 2.1.1 风力发电简介 | 第16页 |
| 2.1.2 风力发电机基本组成 | 第16-17页 |
| 2.1.3 风力发电机的在线监测数据(SCADA数据) | 第17-18页 |
| 2.2 风力发电机的主要故障特点及成因分析 | 第18-22页 |
| 2.2.1 齿轮箱 | 第18-20页 |
| 2.2.2 发电机 | 第20-21页 |
| 2.2.3 其他常见零部件故障 | 第21-22页 |
| 2.3 常用故障诊断模式 | 第22-23页 |
| 2.3.1 信号处理模式 | 第22页 |
| 2.3.2 数理统计模式 | 第22-23页 |
| 2.3.3 人工智能模式 | 第23页 |
| 2.4 小结 | 第23-24页 |
| 第3章 风力发电机关键部件故障预测模型建立 | 第24-36页 |
| 3.1 基于回归分析的风机关键部件预测模型建立 | 第24-28页 |
| 3.1.1 回归模型建立 | 第24-26页 |
| 3.1.2 回归模型的参数估计及假设检验 | 第26-28页 |
| 3.2 基于神经网络算法的风机关键部件预测模型建立 | 第28-30页 |
| 3.2.1 神经网络模型 | 第28-29页 |
| 3.2.2 基于RBF神经网络的风机关键部件故障预测模型 | 第29-30页 |
| 3.3 实例分析 | 第30-34页 |
| 3.3.1 基于回归分析的齿轮箱温度预测模型实例分析 | 第30-33页 |
| 3.3.2 基于神经网络算法的齿轮箱温度预测模型实例分析 | 第33-34页 |
| 3.4 小结 | 第34-36页 |
| 第4章 基于PCA-RBF的风机关键部件故障预测模型建立 | 第36-43页 |
| 4.1 基于PCA-RBF的预测模型建立 | 第36-39页 |
| 4.1.1 主成分分析 | 第36-37页 |
| 4.1.2 PCA-RBF预测模型建立 | 第37-38页 |
| 4.1.3 模型适用条件及意义 | 第38-39页 |
| 4.2 实例分析 | 第39-42页 |
| 4.2.1 基于PCA-RBF的齿轮箱温度预测模型实例分析 | 第39-42页 |
| 4.2.2 三种模型综合对比分析 | 第42页 |
| 4.3 小结 | 第42-43页 |
| 第5章 风力发电机关键部件短期可靠性评估 | 第43-51页 |
| 5.1 短期可靠性评估 | 第43-44页 |
| 5.2 风机短期可靠性评估模型 | 第44-46页 |
| 5.2.1 短期运行可靠度计算 | 第44-45页 |
| 5.2.2 短期可靠性评价标准的确定 | 第45-46页 |
| 5.3 实例分析 | 第46-50页 |
| 5.3.1 基于实时监测数据的齿轮箱短期可靠性评估 | 第46-49页 |
| 5.3.2 基于PCA-RBF的齿轮箱短期可靠性预测 | 第49-50页 |
| 5.4 小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 主要研究工作 | 第51-52页 |
| 6.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 在校期间发表论文清单 | 第57-58页 |
| 致谢 | 第58-59页 |
