| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内研究现状 | 第11-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 主轴承健康状态评估方法存在的问题 | 第14页 |
| 1.4 本文的研究内容 | 第14-15页 |
| 1.5 本文的研究方法 | 第15-16页 |
| 第二章 直驱型风电机组SCADA系统及其数据预处理方法研究 | 第16-38页 |
| 2.1 引言 | 第16页 |
| 2.2 直驱型风电机组及其主轴承概述 | 第16-18页 |
| 2.2.1 直驱型风电机组 | 第16-18页 |
| 2.2.2 主轴承 | 第18页 |
| 2.3 SCADA系统概述 | 第18-24页 |
| 2.3.1 SCADA系统功能和结构 | 第19页 |
| 2.3.2 SCADA系统界面 | 第19-22页 |
| 2.3.3 SCADA数据 | 第22-24页 |
| 2.4 数据预处理方法概述 | 第24-25页 |
| 2.5 数据归约 | 第25-26页 |
| 2.6 数据清理 | 第26-33页 |
| 2.6.1 输出功率曲线特性分析 | 第26-27页 |
| 2.6.2 最优组内方差算法 | 第27-28页 |
| 2.6.3 改进型最优组内方差算法 | 第28-32页 |
| 2.6.4 算法对比分析 | 第32-33页 |
| 2.7 数据变换 | 第33-34页 |
| 2.8 数据划分 | 第34-36页 |
| 2.8.1 运行工况特征参数选取 | 第35页 |
| 2.8.2 运行工况辨识 | 第35-36页 |
| 2.9 本章小结 | 第36-38页 |
| 第三章 基于风电机组SCADA数据的主轴承温度预测方法研究 | 第38-50页 |
| 3.1 引言 | 第38页 |
| 3.2 数据预测方法概述 | 第38页 |
| 3.3 BP神经网络算法 | 第38-41页 |
| 3.4 粒子群优化算法 | 第41-42页 |
| 3.5 粒子群优化BP神经网络算法 | 第42-48页 |
| 3.5.1 粒子群优化BP神经网络算法概述 | 第42-43页 |
| 3.5.2 算法对比分析 | 第43-44页 |
| 3.5.3 基于粒子群优化BP神经网络算法的主轴承温度预测模型 | 第44-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第四章 主轴承健康状态评估方法研究 | 第50-60页 |
| 4.1 引言 | 第50页 |
| 4.2 健康状态评估方法概述 | 第50页 |
| 4.3 模糊综合评价法 | 第50-53页 |
| 4.3.1 模糊综合评价法概述 | 第50-51页 |
| 4.3.2 评价语集及隶属度矩阵确定 | 第51-52页 |
| 4.3.3 合成算子及隶属函数确定 | 第52-53页 |
| 4.4 基于模糊综合评价法的主轴承健康状态评估模型 | 第53-59页 |
| 4.4.1 主轴承健康状态评估建模流程 | 第53-54页 |
| 4.4.2 实例分析 | 第54-59页 |
| 4.5 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录 (攻读学位期间所取得的科研成果) | 第67页 |
