基于D-S证据融合的风力发电机组的故障预测
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 发电机故障识别研究现状 | 第10-13页 |
| 1.3 相关技术与方法综述 | 第13-16页 |
| 1.3.1 发电机常见故障 | 第13页 |
| 1.3.2 提取特征向量 | 第13-15页 |
| 1.3.3 故障分类 | 第15-16页 |
| 1.4 课题研究内容 | 第16-17页 |
| 1.5 论文组织结构 | 第17-18页 |
| 第2章 风力发电机结构与故障特征提取 | 第18-29页 |
| 2.1 双馈异步发电机结构与原理 | 第18-21页 |
| 2.1.1 双馈异步发电机结构 | 第18-19页 |
| 2.1.2 双馈异步发电机原理 | 第19-21页 |
| 2.2 发电机常用诊断技术 | 第21-23页 |
| 2.3 小波包分解算法 | 第23-27页 |
| 2.3.1 小波分析原理 | 第23-26页 |
| 2.3.2 小波包分解 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 D-S证据融合与后验概率支持向量机 | 第29-42页 |
| 3.1 D-S证据理论概述 | 第29-32页 |
| 3.2 改进的D-S证据融合模型 | 第32-34页 |
| 3.2.1 基于D-S证据的故障诊断步骤 | 第32-33页 |
| 3.2.2 对融合中冲突系数的改进 | 第33-34页 |
| 3.3 后验概率支持向量机 | 第34-40页 |
| 3.3.1 线性支持向量机 | 第34-37页 |
| 3.3.2 非线性支持向量机与核函数 | 第37-38页 |
| 3.3.3 支持向量机用于多分类 | 第38-39页 |
| 3.3.4 支持向量机的概率输出 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 风力发电机故障预测的D-S证据模型 | 第42-52页 |
| 4.1 数据预处理和各种故障的特征向量 | 第42-46页 |
| 4.1.1 数据预处理 | 第42页 |
| 4.1.2 实验流程 | 第42-43页 |
| 4.1.3 振动特征向量 | 第43-44页 |
| 4.1.4 电流特征向量 | 第44-46页 |
| 4.2 改进的D-S证据融合模型 | 第46-48页 |
| 4.2.1 用SVM的输出构造基本概率分配 | 第46-47页 |
| 4.2.2 用局部可信度修正基本概率分配 | 第47-48页 |
| 4.3 D-S融合结果分析 | 第48-50页 |
| 4.3.1 融合前后冲突因子对比 | 第48-49页 |
| 4.3.2 融合前后预测准确率对比 | 第49-50页 |
| 4.3.3 实验结果分析 | 第50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 在学研究成果 | 第57-58页 |
| 致谢 | 第58页 |
