基于随机森林和XGBoost的大型风力机故障诊断方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第14-28页 |
| 1.1 研究背景与意义 | 第14-18页 |
| 1.1.1 研究背景 | 第14-16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.1.3 风力机故障检测方法简述 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-22页 |
| 1.2.1 国外研究现状 | 第18-19页 |
| 1.2.2 国内研究现状 | 第19-21页 |
| 1.2.3 研究现状总结 | 第21-22页 |
| 1.3 研究目标与技术路线 | 第22-23页 |
| 1.4 研究内容与可行性分析 | 第23-25页 |
| 1.4.1 研究内容 | 第23-24页 |
| 1.4.2 可行性分析 | 第24-25页 |
| 1.5 本文结构安排 | 第25-27页 |
| 1.6 本章小结 | 第27-28页 |
| 2 大型风力机工作原理 | 第28-39页 |
| 2.1 引言 | 第28页 |
| 2.2 大型风力机工作原理 | 第28-32页 |
| 2.2.1 大型风力机整机结构简介 | 第29-30页 |
| 2.2.2 风力机功率曲线与控制策略 | 第30-32页 |
| 2.3 大型风力机基准模型 | 第32-35页 |
| 2.4 大型风力机故障检测仿真平台 | 第35-38页 |
| 2.5 本章小结 | 第38-39页 |
| 3 大型风力机典型故障与特征工程 | 第39-49页 |
| 3.1 引言 | 第39页 |
| 3.2 典型故障情形描述 | 第39-43页 |
| 3.3 信号滤波 | 第43-45页 |
| 3.4 特征工程 | 第45-47页 |
| 3.5 本章小结 | 第47-49页 |
| 4 基于支持向量机的故障检测方法 | 第49-62页 |
| 4.1 引言 | 第49页 |
| 4.2 机器学习原理概述 | 第49-55页 |
| 4.2.1 机器学习简介 | 第49-51页 |
| 4.2.2 机器学习中的模型训练 | 第51-55页 |
| 4.3 基于支持向量机的故障检测方法设计 | 第55-60页 |
| 4.3.1 支持向量机原理简介 | 第55-60页 |
| 4.3.2 基于支持向量机的故障检测方法设计 | 第60页 |
| 4.4 本章小结 | 第60-62页 |
| 5 基于随机森林与XGBoost的故障检测方法 | 第62-77页 |
| 5.1 引言 | 第62页 |
| 5.2 基于随机森林的特征降维方法设计 | 第62-70页 |
| 5.2.1 决策树原理简介 | 第64-66页 |
| 5.2.2 随机森林原理简介 | 第66-70页 |
| 5.2.3 基于随机森林的特征降维 | 第70页 |
| 5.3 基于XGBoost的分类器训练 | 第70-76页 |
| 5.3.1 XGBoost原理简述 | 第71-75页 |
| 5.3.2 基于XGBoost的故障检测模型训练 | 第75-76页 |
| 5.4 本章小结 | 第76-77页 |
| 6 数值仿真分析 | 第77-93页 |
| 6.1 引言 | 第77页 |
| 6.2 FAST数值仿真 | 第77-80页 |
| 6.3 分类器参数优化 | 第80-84页 |
| 6.3.1 支持向量机调参 | 第80-82页 |
| 6.3.2 随机森林调参 | 第82页 |
| 6.3.3 XGBoost调参 | 第82-83页 |
| 6.3.4 滤波器延迟与标签值 | 第83页 |
| 6.3.5 网格搜索法 | 第83-84页 |
| 6.4 故障检测结果与分析 | 第84-90页 |
| 6.5 故障检测结果对比 | 第90-92页 |
| 6.6 本章小结 | 第92-93页 |
| 7 总结与展望 | 第93-96页 |
| 7.1 全文总结 | 第93-94页 |
| 7.1.1 本课题完成的工作 | 第93-94页 |
| 7.1.2 主要结论 | 第94页 |
| 7.2 研究展望 | 第94-96页 |
| 参考文献 | 第96-102页 |
| 作者简历 | 第102页 |
