| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 母线槽状态监测系统国内外研究现状 | 第10页 |
| 1.2.2 无线传感器网络应用国内外研究现状 | 第10-13页 |
| 1.2.3 风电母线槽状态评估国内外研究现状 | 第13-14页 |
| 1.2.4 风电母线槽状态预测国内外研究现状 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15-17页 |
| 第2章 风电母线槽状态监测系统构建 | 第17-35页 |
| 2.1 引言 | 第17页 |
| 2.2 监测与评估系统的总体方案设计 | 第17-18页 |
| 2.3 无线传感器网络结构和硬件设计 | 第18-23页 |
| 2.3.1 无线传感器网络结构 | 第18-20页 |
| 2.3.2 Zigbee核心模块设计 | 第20页 |
| 2.3.3 网络节点设计 | 第20-23页 |
| 2.4 无线传感器网络通信设计 | 第23-34页 |
| 2.4.1 Zigbee通信协议 | 第23-26页 |
| 2.4.2 Zigbee路由算法 | 第26-30页 |
| 2.4.3 网络通信软件设计 | 第30-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 风电母线槽健康状态评估 | 第35-47页 |
| 3.1 引言 | 第35页 |
| 3.2 风电母线槽综合评价指标体系 | 第35-36页 |
| 3.3 风电母线槽综合评价指标处理 | 第36-40页 |
| 3.3.1 定量指标标准化 | 第37-39页 |
| 3.3.2 定性指标标准化 | 第39-40页 |
| 3.4 层次分析法权重比较评价方法 | 第40-45页 |
| 3.5 风电母线槽健康状态评估实例 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 风电母线槽健康状态预测 | 第47-58页 |
| 4.1 引言 | 第47页 |
| 4.2 神经网络预测算法 | 第47-49页 |
| 4.2.1 神经网络的学习机理和结构 | 第47-48页 |
| 4.2.2 神经网络的选取 | 第48-49页 |
| 4.3 BP神经网络的构建 | 第49-53页 |
| 4.3.1 BP神经网络的结构 | 第49-52页 |
| 4.3.2 BP神经网络训练过程 | 第52-53页 |
| 4.4 基于自适应学习率的BP神经网络 | 第53-55页 |
| 4.5 基于L-M算法改进的BP神经网络 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 系统服务器与客户端软件设计 | 第58-69页 |
| 5.1 引言 | 第58页 |
| 5.2 系统服务器与客户端结构 | 第58-59页 |
| 5.3 数据滤波处理 | 第59-61页 |
| 5.3.1 均值滤波算法 | 第59-60页 |
| 5.3.2 Savitzky-Golay平滑滤波算法 | 第60-61页 |
| 5.4 本地服务器软件设计 | 第61-62页 |
| 5.5 算法在云服务器上的实现 | 第62-65页 |
| 5.5.1 数据滤波算法在云服务器上实现 | 第62-63页 |
| 5.5.2 评估算法在云服务器上的实现 | 第63-64页 |
| 5.5.3 预测算法在云服务器上的实现 | 第64-65页 |
| 5.6 客户端软件 | 第65-68页 |
| 5.7 本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |