| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 故障预警方法 | 第11-13页 |
| 1.2.2 存在的问题 | 第13页 |
| 1.3 技术路线 | 第13-14页 |
| 1.4 论文内容结构及创新 | 第14-16页 |
| 1.4.1 内容结构 | 第14-15页 |
| 1.4.2 特色与创新 | 第15-16页 |
| 第2章 风电机组运行特性与常见故障 | 第16-28页 |
| 2.1 风电机组工作原理 | 第16-20页 |
| 2.1.1 风电机组的构成和分类 | 第16-19页 |
| 2.1.2 风电机组数学模型 | 第19-20页 |
| 2.2 风电机组主要部件及故障 | 第20-27页 |
| 2.2.1 风轮 | 第20-21页 |
| 2.2.2 发电机 | 第21-22页 |
| 2.2.3 变桨系统 | 第22-23页 |
| 2.2.4 偏航系统 | 第23-24页 |
| 2.2.5 液压系统 | 第24-25页 |
| 2.2.6 主轴承 | 第25页 |
| 2.2.7 SCADA系统 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 风电机组部件故障预警 | 第28-45页 |
| 3.1 基于神经网络与马氏距离的风电机组部件故障预警方案 | 第28-30页 |
| 3.2 风电场SCADA数据预处理及故障数据选取 | 第30-37页 |
| 3.2.1 数据预处理 | 第31-34页 |
| 3.2.2 故障特征相关参数选取 | 第34-37页 |
| 3.3 GA-BP神经网络预测模型 | 第37-42页 |
| 3.3.1 BP神经网络原理 | 第38-39页 |
| 3.3.2 BP神经网络局限性 | 第39-40页 |
| 3.3.3 GA-BP神经网络预测模型 | 第40-42页 |
| 3.4 故障预警 | 第42-44页 |
| 3.4.1 马氏距离 | 第42-43页 |
| 3.4.2 故障预警判据确定及故障预警 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 风电机组主轴承故障预警用例分析 | 第45-60页 |
| 4.1 直驱式风电机组主轴承GA-BP神经网络温度预测模型建立 | 第45-49页 |
| 4.2 故障预警仿真及实验结果分析 | 第49-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
| 附录 攻读硕士学位期间发表的论文及参与的科研项目 | 第69页 |