| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景和意义 | 第10-12页 |
| 1.2 风电机组故障诊断技术国内外研究现状 | 第12-16页 |
| 1.2.1 风电机组驱动链部件典型故障 | 第12-13页 |
| 1.2.2 风电机组驱动链部件的研究现状 | 第13-15页 |
| 1.2.3 深度学习研究现状 | 第15-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 第2章 深度学习网络 | 第17-26页 |
| 2.1 深度自编码网络 | 第17-23页 |
| 2.1.1 预训练 | 第17-22页 |
| 2.1.2 参数调优 | 第22-23页 |
| 2.2 风电机组驱动链深度学习网络的改善 | 第23-25页 |
| 2.2.1 基于数据学习批次的模型改善 | 第23页 |
| 2.2.2 基于数据的在线学习的模型改善 | 第23-24页 |
| 2.2.3 基于数据量与异常数据剔除的模型改善 | 第24-25页 |
| 2.2.4 基于参数调优迭代周期的模型改善 | 第25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 风电机组驱动链故障预测方法 | 第26-30页 |
| 3.1 引言 | 第26页 |
| 3.2 风电机组驱动链部件的异常检测指标 | 第26-28页 |
| 3.3 风电机组驱动链部件故障识别方法 | 第28页 |
| 3.4 风电机组驱动链的故障预测分析过程 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 基于深度学习的风电机组驱动链故障预测分析 | 第30-46页 |
| 4.1 风电机组驱动链部件的数据选择与描述 | 第30页 |
| 4.2 基于深度学习网络的主轴承故障预测分析 | 第30-34页 |
| 4.2.1 基于指数加权移动平均值的阈值设定 | 第30-31页 |
| 4.2.2 正常状态下的主轴承DAE模型测试 | 第31-32页 |
| 4.2.3 故障状态下的主轴承DAE模型测试 | 第32-34页 |
| 4.3 基于深度学习的风电机组齿轮箱故障预测分析 | 第34-40页 |
| 4.3.1 自适应阈值设定 | 第34-35页 |
| 4.3.2 正常状态下的齿轮箱DAE模型测试 | 第35-36页 |
| 4.3.3 故障状态下的齿轮箱DAE模型测试 | 第36-37页 |
| 4.3.4 基于极值理论的自适应阈值设定 | 第37-39页 |
| 4.3.5 基于极值理论阈值的风电机组齿轮箱故障预测分析 | 第39-40页 |
| 4.4 基于深度学习的风电机组发电机故障预测分析 | 第40-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 结论与展望 | 第46-48页 |
| 5.1 结论 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 参考文献 | 第48-53页 |
| 攻读硕士学位期间发表的论文 | 第53-54页 |
| 攻读硕士学位期间参加的科研工作 | 第54-55页 |
| 致谢 | 第55页 |