风力发电机故障预警方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 引言 | 第9-11页 |
| 1.1.1 课题研究背景 | 第9-10页 |
| 1.1.2 故障诊断发展现状 | 第10-11页 |
| 1.2 课题研究意义 | 第11-12页 |
| 1.3 论文主要内容 | 第12-13页 |
| 第2章 风力发电机系统概述 | 第13-19页 |
| 2.1 发电机系统简介 | 第13-16页 |
| 2.1.1 发电机基本类型 | 第13-15页 |
| 2.1.2 发电机基本工作原理 | 第15-16页 |
| 2.2 发电机故障类型及原因 | 第16-17页 |
| 2.3 对发电机温度进行预警的必要性 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 风力发电机故障预警的数据预处理 | 第19-31页 |
| 3.1 数据预处理 | 第19-20页 |
| 3.2 Relief算法 | 第20-22页 |
| 3.2.1 Relief算法提出与发展 | 第20页 |
| 3.2.2 Relief算法原理 | 第20-22页 |
| 3.2.3 Relief算法存在问题 | 第22页 |
| 3.3 主元迭代分析算法 | 第22-27页 |
| 3.3.1 主元分析算法基本原理 | 第22-23页 |
| 3.3.2 主元模型建立 | 第23-24页 |
| 3.3.3 统计量分析 | 第24-26页 |
| 3.3.4 主元迭代算法流程 | 第26-27页 |
| 3.4 Relief算法在发电机温度预警中的应用 | 第27-29页 |
| 3.5 主元迭代算法在发电机温度预警中的应用 | 第29-30页 |
| 3.6 本章小结 | 第30-31页 |
| 第4章 基于自适应主元分析的故障预警研究 | 第31-39页 |
| 4.1 主元分析算法检测 | 第32-34页 |
| 4.1.1 诊断流程描述 | 第32页 |
| 4.1.2 实例应用分析 | 第32-34页 |
| 4.2 滑动窗口算法 | 第34-38页 |
| 4.2.1 滑动窗口算法理论 | 第34页 |
| 4.2.2 基于数据块更新的滑动窗口算法理论 | 第34-35页 |
| 4.2.3 诊断流程描述 | 第35-36页 |
| 4.2.4 实例应用分析 | 第36-38页 |
| 4.3 本章小结 | 第38-39页 |
| 第5章 基于自适应加权KPCA的故障预警研究 | 第39-48页 |
| 5.1 核主元分析算法检测 | 第39-42页 |
| 5.1.1 核主元模型 | 第39-41页 |
| 5.1.2 统计量分析 | 第41-42页 |
| 5.2 加权主元算法 | 第42-43页 |
| 5.3 自适应加权KPCA算法 | 第43-47页 |
| 5.3.1 诊断流程描述 | 第43-44页 |
| 5.3.2 应用实例研究 | 第44-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第6章 结论与展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第52-53页 |
| 致谢 | 第53页 |
