| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 选题的背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 风电机组故障诊断现状 | 第8-9页 |
| 1.2.2 云计算的发展现状 | 第9页 |
| 1.3 本文的主要研究内容 | 第9-11页 |
| 第二章 风电机组故障分析方法和云计算介绍 | 第11-21页 |
| 2.1 风电机组结构 | 第11-12页 |
| 2.2 风电机组常见故障 | 第12页 |
| 2.2.1 电气故障 | 第12页 |
| 2.2.2 机械故障 | 第12页 |
| 2.3 故障诊断的常用分析方法 | 第12-18页 |
| 2.3.1 幅域统计特征参数法 | 第14页 |
| 2.3.2 相关分析法 | 第14-16页 |
| 2.3.3 小波分析法 | 第16-18页 |
| 2.4 云计算及Hadoop平台简介 | 第18-19页 |
| 2.5 Hadoop与分布式开发 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 基于Hadoop平台的风电机组故障诊断流程和数据存储 | 第21-35页 |
| 3.1 基于Hadoop平台的故障诊断流程 | 第21-22页 |
| 3.2 风电机组故障数据的预处理 | 第22-23页 |
| 3.3 风电机组故障数据的特征分析 | 第23-28页 |
| 3.3.1 频谱分析法 | 第23-25页 |
| 3.3.2 小波分析法 | 第25-28页 |
| 3.4 分布式的数据存储过程 | 第28-32页 |
| 3.4.1 数据存储模型 | 第28-29页 |
| 3.4.2 文件的读取与写入 | 第29-31页 |
| 3.4.3 数据的读取与写入 | 第31-32页 |
| 3.5 数据存储测试 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 基于分布式计算的闸瓦间隙预测 | 第35-45页 |
| 4.1 风电机组制动系统 | 第35-36页 |
| 4.2 闸瓦间隙测量 | 第36-38页 |
| 4.3 小波神经网络算法 | 第38-40页 |
| 4.4 基于MapReduce的算法实现过程 | 第40-42页 |
| 4.4.1 MapReduce任务执行总流程 | 第40-41页 |
| 4.4.2 编程实现步骤 | 第41-42页 |
| 4.5 仿真结果 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 软件设计 | 第45-51页 |
| 5.1 Web简介 | 第45页 |
| 5.2 前端介绍 | 第45-46页 |
| 5.2.1 HTML简介 | 第45页 |
| 5.2.2 层叠样式表CSS | 第45-46页 |
| 5.2.3 脚本语言JavaScript | 第46页 |
| 5.3 后台技术介绍 | 第46-47页 |
| 5.4 主机通信 | 第47-48页 |
| 5.4.1 Socket通信过程 | 第47-48页 |
| 5.4.2 TCP连接设置 | 第48页 |
| 5.5 风电机组故障管理系统 | 第48-50页 |
| 5.6 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-52页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 发表论文和科研情况说明 | 第55-56页 |
| 致谢 | 第56页 |