基于支持向量机的风电机组故障智能分类方法及其应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 状态监测与故障诊断研究现状 | 第11-13页 |
| 1.2.2 支持向量机故障诊断方法研究现状 | 第13-15页 |
| 1.3 论文的主要内容及结构 | 第15-17页 |
| 1.3.1 论文的主要内容 | 第15页 |
| 1.3.2 论文的结构 | 第15-17页 |
| 第2章 风电机组故障机理及支持向量机的理论 | 第17-26页 |
| 2.1 风力发电机组结构 | 第17-18页 |
| 2.2 风力发电机组主要部件结构及其故障机理 | 第18-19页 |
| 2.2.1 齿轮箱结构及其故障诊断 | 第18页 |
| 2.2.2 发电机结构及其故障诊断 | 第18-19页 |
| 2.3 统计学习理论 | 第19-21页 |
| 2.3.1 函数集的VC维 | 第19-20页 |
| 2.3.2 学习机器推广能力的界 | 第20页 |
| 2.3.3 结构风险最小化原则 | 第20-21页 |
| 2.4 支持向量机分类算法 | 第21-25页 |
| 2.4.1 线性分类算法情形 | 第21-23页 |
| 2.4.2 非线性分类算法情形 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 风电机组振动信号特征提取及主成分分析 | 第26-38页 |
| 3.1 时域特征提取方法 | 第26-28页 |
| 3.1.1 时域分析法 | 第26页 |
| 3.1.2 时域信号特征值提取 | 第26-28页 |
| 3.2 频域特征提取方法 | 第28-29页 |
| 3.3 小波特征提取方法 | 第29-31页 |
| 3.3.1 小波包基本原理 | 第29-30页 |
| 3.3.2 小波包能量特征提取 | 第30-31页 |
| 3.4 主成分分析 | 第31-32页 |
| 3.4.1 主成分分析基本思想 | 第31页 |
| 3.4.2 主成分分析原理 | 第31-32页 |
| 3.5 故障特征提取案例 | 第32-37页 |
| 3.5.1 实测数据介绍 | 第32-33页 |
| 3.5.2 信号的时域及频域分析 | 第33页 |
| 3.5.3 时域特征提取 | 第33-35页 |
| 3.5.4 频域特征提取 | 第35-36页 |
| 3.5.5 小波包特征提取 | 第36-37页 |
| 3.5.6 主成分分析 | 第37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 支持向量机二分类及多分类算法的应用 | 第38-47页 |
| 4.1 支持向量机二分类算法的应用 | 第38-39页 |
| 4.2 支持向量机多分类算法的应用 | 第39-43页 |
| 4.2.1 不同故障类型案例 | 第39-41页 |
| 4.2.2 故障状态渐变案例 | 第41-43页 |
| 4.3 特征提取方法对支持向量机分类的影响 | 第43-45页 |
| 4.4 主成分分析对支持向量机分类的影响 | 第45-46页 |
| 4.5 小结 | 第46-47页 |
| 第5章 参数优化方法及半监督的实现 | 第47-56页 |
| 5.1 粒子群优化算法 | 第47-51页 |
| 5.1.1 粒子群优化算法的产生与发展 | 第47页 |
| 5.1.2 粒子群优化算法原理 | 第47-48页 |
| 5.1.3 粒子群优化算法流程 | 第48-49页 |
| 5.1.4 粒子群优化算法参数和参数设置 | 第49-50页 |
| 5.1.5 基于粒子群的支持向量机分类实例 | 第50-51页 |
| 5.2 半监督支持向量机 | 第51-53页 |
| 5.2.1 半监督支持向量机诊断流程 | 第51-52页 |
| 5.2.2 半监督分类实例 | 第52-53页 |
| 5.3 风电机组群的故障诊断 | 第53-55页 |
| 5.3.1 风电机组群的故障诊断策略 | 第53-54页 |
| 5.3.2 支持向量机在风电机组群中的应用 | 第54-55页 |
| 5.4 小结 | 第55-56页 |
| 第6章 结论及展望 | 第56-57页 |
| 6.1 结论 | 第56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第63-64页 |
| 致谢 | 第64页 |
