| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究发展现状 | 第10-12页 |
| 1.2.1 风电机组运行工况辨识研究 | 第10-11页 |
| 1.2.2 风电机组关键部件故障诊断研究 | 第11-12页 |
| 1.3 本文研究内容及主要工作 | 第12-14页 |
| 第2章 风电机组变桨系统描述及参数分析 | 第14-26页 |
| 2.1 直驱风力发电机 | 第14-16页 |
| 2.1.1 直驱风电机组特点 | 第14页 |
| 2.1.2 直驱风电机组基本组成 | 第14-16页 |
| 2.2 风电机组变桨系统 | 第16-19页 |
| 2.2.1 电动伺服变桨系统结构 | 第16-18页 |
| 2.2.2 变桨系统运行状态 | 第18-19页 |
| 2.3 风电机组SCADA状态监测系统 | 第19-21页 |
| 2.4 SCADA系统数据预处理与变桨系统参数分析 | 第21-25页 |
| 2.4.1 风电机组SCADA数据预处理 | 第21-23页 |
| 2.4.2 变桨系统特征参数相关性分析 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于SCADA数据的风电机组运行工况辨识 | 第26-39页 |
| 3.1 风电机组运行工况描述 | 第26-27页 |
| 3.2 基于自组织映射网络聚类的风电机组工况划分 | 第27-34页 |
| 3.2.1 基于自组织映射网络的混合数据聚类算法 | 第27-33页 |
| 3.2.2 风机组运行工况划分方法 | 第33-34页 |
| 3.3 基于有监督自组织神经网络的风电机组工况辨识 | 第34-38页 |
| 3.3.1 基于有监督自组织神经网络的分类算法 | 第35-37页 |
| 3.3.2 基于有监督自组织神经网络的风电机组运行工况辨识 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 直驱风电机组电动变桨系统的故障诊断研究 | 第39-57页 |
| 4.1 风电机组变桨系统特征属性筛选 | 第39-43页 |
| 4.1.1 基于信息熵的电动变桨系统特征属性筛选方法 | 第40-41页 |
| 4.1.2 实例分析 | 第41-43页 |
| 4.2 基于主元分析的故障诊断 | 第43-48页 |
| 4.2.1 主元分析理论 | 第43-44页 |
| 4.2.2 基于主元分析的异常识别方法 | 第44-45页 |
| 4.2.3 基于SPE故障重构方法 | 第45-48页 |
| 4.3 基于主元分析的变桨系统在线故障诊断方法 | 第48-56页 |
| 4.3.1 不同工况下的主元模型 | 第49页 |
| 4.3.2 风电机组变桨系统在线故障诊断方法 | 第49页 |
| 4.3.3 实例分析 | 第49-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 结论与展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 在学研究成果 | 第63-64页 |
| 致谢 | 第64页 |
