风电机组状态监测与故障预测方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景和研究意义 | 第11-13页 |
| 1.2 风电的发展现状 | 第13-16页 |
| 1.2.1 全球风电发展概述 | 第13-15页 |
| 1.2.2 中国风电发展概况 | 第15-16页 |
| 1.3 本文研究工作 | 第16-17页 |
| 第2章 风电机组故障情况统计及分析 | 第17-32页 |
| 2.1 风电场的SCADA系统 | 第17-21页 |
| 2.1.1 SCADA系统的界面 | 第17-18页 |
| 2.1.2 风场在线数据 | 第18-20页 |
| 2.1.3 风电机组各参数的在线数据 | 第20-21页 |
| 2.2 风电机组介绍 | 第21-31页 |
| 2.2.1 风电机组的构成 | 第21-22页 |
| 2.2.2 风电机组的故障统计 | 第22-31页 |
| 2.2.3 齿轮箱工作原理 | 第31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 基于MSET的状态监测方法 | 第32-44页 |
| 3.1 MSET建模原理 | 第32-36页 |
| 3.1.1 基本算法 | 第32-33页 |
| 3.1.2 MSET算法研究 | 第33-36页 |
| 3.2 滑动窗口残差统计方法 | 第36页 |
| 3.3 相关性分析 | 第36-38页 |
| 3.4 齿轮箱轴承温度建模 | 第38-43页 |
| 3.4.1 选取建模相关变量 | 第38页 |
| 3.4.2 模型有效验证 | 第38-41页 |
| 3.4.3 测试齿轮箱温度 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于小波BP神经网络的状态监测方法 | 第44-51页 |
| 4.1 神经网络介绍 | 第44页 |
| 4.1.1 神经网络的基本概念 | 第44页 |
| 4.1.2 神经网络的分类 | 第44页 |
| 4.2 BP神经网络介绍 | 第44-45页 |
| 4.3 小波BP神经网络介绍 | 第45-47页 |
| 4.3.1 小波理论 | 第45页 |
| 4.3.2 小波BP神经网络 | 第45-47页 |
| 4.4 齿轮箱温度模型预测残差统计分析 | 第47页 |
| 4.5 齿轮箱温度估计 | 第47-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 结论和展望 | 第51-53页 |
| 5.1 主要工作及结论 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 在学期间发表的学术论文和参加科研情况 | 第56-57页 |
| 致谢 | 第57页 |
