| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外的研究动态 | 第10-14页 |
| 1.2.1 故障诊断的研究现状 | 第11页 |
| 1.2.2 状态评估的研究现状 | 第11-12页 |
| 1.2.3 可靠性分析的研究现状 | 第12-13页 |
| 1.2.4 模型的特征参数选择 | 第13-14页 |
| 1.2.5 研究现状总结 | 第14页 |
| 1.3 论文的主要工作 | 第14-16页 |
| 第2章 风力发电机组基本组成与 SCADA 系统分析 | 第16-24页 |
| 2.1 风电机组简介 | 第16-20页 |
| 2.1.1 风电机组结构 | 第16-18页 |
| 2.1.2 风电机组基本工作原理 | 第18-19页 |
| 2.1.3 风电机组分类 | 第19-20页 |
| 2.2 SCADA 系统分析 | 第20-23页 |
| 2.2.1 功能及组成 | 第20-21页 |
| 2.2.2 监测项目 | 第21-23页 |
| 2.2.3 系统监控性能分析 | 第23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于粗糙集理论的模型特征参数选择 | 第24-56页 |
| 3.1 粗糙集基本理论 | 第24-32页 |
| 3.1.1 理论的发展及特点 | 第24-25页 |
| 3.1.2 基本概念 | 第25-27页 |
| 3.1.3 离散化方法 | 第27-28页 |
| 3.1.4 知识约简 | 第28-29页 |
| 3.1.5 知识的依赖性与属性的重要度 | 第29-31页 |
| 3.1.6 粗糙集属性约简算法 | 第31-32页 |
| 3.2 基于粗糙集理论的特征参数选择 | 第32-34页 |
| 3.2.1 特征参数选择方法及流程 | 第32-33页 |
| 3.2.2 基于粗糙集二次约简方法的特征参数选择 | 第33页 |
| 3.2.3 基于其他方法的特征参数选择 | 第33-34页 |
| 3.3 机组状态评估模型的特征参数选择 | 第34-46页 |
| 3.3.1 基于粗糙集的特征参数选择 | 第34-39页 |
| 3.3.2 其他约简方法 | 第39-46页 |
| 3.4 齿轮箱异常预警模型的特征参数选择 | 第46-55页 |
| 3.4.1 基于粗糙集的特征参数选择 | 第46-49页 |
| 3.4.2 其他约简方法 | 第49-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第4章 风电机组实时状态评估方法研究 | 第56-67页 |
| 4.1 实时状态评估方法 | 第56-58页 |
| 4.1.1 实时状态评估方法概述 | 第56页 |
| 4.1.2 实时状态评估方法的流程 | 第56-58页 |
| 4.2 基于粗糙集-神经网络的预测模型 | 第58-65页 |
| 4.2.1 模糊神经网络理论及预测模型建立 | 第58-61页 |
| 4.2.2 预测模型的训练和测试 | 第61-62页 |
| 4.2.3 结果分析 | 第62-65页 |
| 4.3 实例验证 | 第65-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 齿轮箱异常预警方法研究 | 第67-75页 |
| 5.1 齿轮箱异常预警方法及流程 | 第67-68页 |
| 5.2 齿轮箱异常预警模型 | 第68-71页 |
| 5.2.1 预测模型的建立 | 第68-69页 |
| 5.2.2 预测模型的训练和测试 | 第69-71页 |
| 5.3 实例验证 | 第71-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第82页 |