基于健康样本和趋势预测的风电机组齿轮箱健康状态评估方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 课题研究的目的和意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 国内研究现状 | 第11-12页 |
| 1.3.2 国外研究现状 | 第12-13页 |
| 1.4 本文主要研究内容 | 第13-14页 |
| 1.5 论文安排 | 第14-15页 |
| 第2章 风电机组监测数据处理研究 | 第15-28页 |
| 2.1 概述 | 第15-16页 |
| 2.2 数据统计技术 | 第16-18页 |
| 2.2.1 基于参数回归的概率分布函数 | 第16-17页 |
| 2.2.2 基于非参数回归的概率分布函数 | 第17-18页 |
| 2.3 数据归约技术 | 第18-19页 |
| 2.4 数据聚类技术 | 第19-21页 |
| 2.5 算例分析-运用数据挖掘技术处理监测数据 | 第21-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 GA.BP神经网络模型 | 第28-46页 |
| 3.1 BP神经网络基础理论 | 第28-30页 |
| 3.2 BP神经网络基本算法 | 第30-32页 |
| 3.3 遗传优化算法 | 第32-35页 |
| 3.3.1 遗传算法概述 | 第32-33页 |
| 3.3.2 遗传算法基本思想及流程 | 第33-34页 |
| 3.3.3 遗传算法特点 | 第34-35页 |
| 3.4 遗传算法改进神经网络 | 第35-37页 |
| 3.5 建立健康样本神经网络模型 | 第37-45页 |
| 3.5.1 GA.BP与传统BP神经网络对比 | 第37-41页 |
| 3.5.2 算例分析-健康样本神经网络模型 | 第41-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 模糊综合评价模型 | 第46-62页 |
| 4.1 模糊综合评价概述 | 第46-47页 |
| 4.2 趋势预测与劣化度函数 | 第47-48页 |
| 4.3 隶属函数 | 第48-51页 |
| 4.3.1 确定隶属函数的方法 | 第48-49页 |
| 4.3.2 常用的隶属函数 | 第49-51页 |
| 4.4 灰色关联分析 | 第51-56页 |
| 4.4.1 灰色关联分析概述 | 第51-52页 |
| 4.4.2 算例分析 | 第52-56页 |
| 4.5 建立模糊综合评价模型 | 第56-60页 |
| 4.5.1 健康状态评价流程 | 第56页 |
| 4.5.2 评价模型建立 | 第56-57页 |
| 4.5.3 综合评价 | 第57-60页 |
| 4.6 本章小结 | 第60-62页 |
| 第5章 整机评价 | 第62-71页 |
| 5.1 实时状体评估方法 | 第62-64页 |
| 5.1.1 建立机组运行状态评估体系 | 第62-63页 |
| 5.1.2 实时状态评估流程 | 第63-64页 |
| 5.2 算例与分析 | 第64-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第78-79页 |
| 致谢 | 第79页 |
