基于数据挖掘的风电机组健康状态监测研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 风电机组健康状态监测系统 | 第11-13页 |
| 1.2.1 风电机组健康状态监测系统应用现状 | 第11-12页 |
| 1.2.2 风电机组健康状态监测技术研究现状 | 第12-13页 |
| 1.3 数据挖掘方法研究现状 | 第13-14页 |
| 1.4 本文主要研究内容 | 第14-16页 |
| 第2章 大型风电机组的原理与故障分析 | 第16-24页 |
| 2.1 风电机组的基本构成及工作原理 | 第16-19页 |
| 2.2 风电机组运行故障及诊断方法 | 第19-22页 |
| 2.2.1 风电机组常见故障 | 第19-21页 |
| 2.2.2 风电机组状态监测方法 | 第21-22页 |
| 2.3 风电机组SCADA系统 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于FCM聚类的风电机组运行工况辨识 | 第24-33页 |
| 3.1 风电机组不同运行工况分析 | 第24-25页 |
| 3.2 数据来源 | 第25-27页 |
| 3.3 模糊C均值聚类 | 第27-29页 |
| 3.3.1 FCM基本原理 | 第27-28页 |
| 3.3.2 FCM算法步骤 | 第28-29页 |
| 3.4 实际运行工况辨识 | 第29-32页 |
| 3.4.1 工况辨识参数选取与数据预处理 | 第29-31页 |
| 3.4.2 辨识仿真结果 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于GMM的风电机组健康状态监测 | 第33-43页 |
| 4.1 高斯混合模型 | 第33-35页 |
| 4.2 基于GMM的健康状态监测建模原理 | 第35-37页 |
| 4.3 实例分析 | 第37-42页 |
| 4.3.1 齿轮箱故障 | 第37-40页 |
| 4.3.2 发电机轴承故障 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 结论与展望 | 第43-45页 |
| 5.1 结论 | 第43页 |
| 5.2 展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 攻读硕士学位期间发表的论文情况及其他成果 | 第48-49页 |
| 致谢 | 第49页 |
