| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 在线监测异常识别技术的研究现状 | 第11-12页 |
| 1.2.2 故障诊断技术的研究现状 | 第12-14页 |
| 1.3 本课题的主要研究内容 | 第14-15页 |
| 第2章 大型风力发电机组相关问题研究 | 第15-25页 |
| 2.1 风电机组简介 | 第15-16页 |
| 2.1.1 风电机组的基本结构 | 第15页 |
| 2.1.2 风电机组的工作原理 | 第15-16页 |
| 2.2 风力发电机组故障诊断相关问题研究 | 第16-20页 |
| 2.2.1 故障诊断的相关理论 | 第16-17页 |
| 2.2.2 风力发电机组各个系统的故障机理分析 | 第17-20页 |
| 2.3 实验数据获取 | 第20-21页 |
| 2.4 数据预处理 | 第21-24页 |
| 2.4.1 Relief算法原理 | 第22-23页 |
| 2.4.2 相似度原理 | 第23-24页 |
| 2.5 小结 | 第24-25页 |
| 第3章 基于非线性状态评估的变桨系统异常识别 | 第25-42页 |
| 3.1 变桨系统介绍 | 第25-31页 |
| 3.1.1 变桨系统的结构组成 | 第25-26页 |
| 3.1.2 变桨系统的工作原理 | 第26-27页 |
| 3.1.3 基于Relief算法的变桨系统特征参数选择 | 第27-31页 |
| 3.2 非线性状态估计建模方法 | 第31-34页 |
| 3.3 风力发电机组变桨系统异常识别模型的建立 | 第34-35页 |
| 3.3.1 基于NSET的变桨系统预测模型的建立 | 第34页 |
| 3.3.2 基于滑动窗口残差分析的异常识别 | 第34-35页 |
| 3.4 变桨系统异常识别模型的验证 | 第35-41页 |
| 3.4.1 变桨系统正常运行时的验证 | 第35-38页 |
| 3.4.2 变桨系统异常运行时的验证 | 第38-41页 |
| 3.5 小结 | 第41-42页 |
| 第4章 基于BP神经网络的异常变桨系统故障诊断 | 第42-55页 |
| 4.1 变桨系统的建模算法 | 第42-47页 |
| 4.1.1 BP神经网络算法 | 第42-45页 |
| 4.1.2 BP神经网络的设计 | 第45-46页 |
| 4.1.3 BP神经网络的改进 | 第46-47页 |
| 4.2 基于BP神经网络的异常变桨系统故障诊断模型建立 | 第47-49页 |
| 4.2.1 训练样本集的建立 | 第47-48页 |
| 4.2.2 BP神经网络模型的建立 | 第48页 |
| 4.2.3 异常变桨系统故障诊断模型的训练 | 第48-49页 |
| 4.3 基于BP神经网络的异常变桨系统故障诊断模型的测试 | 第49-54页 |
| 4.3.1 测试数据集的建立 | 第49-50页 |
| 4.3.2 测试结果的对比分析 | 第50-54页 |
| 4.4 小结 | 第54-55页 |
| 第5章 结论与展望 | 第55-57页 |
| 5.1 结论 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-61页 |
| 致谢 | 第61页 |
