第一个书签之前
摘 要
Abstract
目 录
第1章 绪 论
1.1 选题背景及意义
1.2 风电设备状态监测技术研究现状
1.2.1 风电机组基本组成及故障类型
1.2.2 风电设备监测系统应用
1.2.3 风电设备状态监测技术
1.3 风电设备故障诊断方法研究现状
1.3.1 故障特征提取方法研究现状
1.3.2 故障模式识别方法研究现状
1.4 研究现状总结与分析
1.5 本文的主要研究内容及结构安排
第2章 排序模式分析与深度学习理论基础
2.1 引言
2.2 排序模式分析方法
2.2.1 基本原理
2.2.2 性能分析
2.3 深度学习基本方法
2.3.1 概述
2.3.2 去噪自编码器
2.3.3 堆叠去噪自编码器
2.3.4 卷积神经网络
2.4 本章小结
第3章 基于排序模式相异性分析的风电轴承早期故障特征提取
3.1 引言
3.2 轴承性能退化机理分析
3.3 排序模式相异性分析方法
3.3.1 信息散度
3.3.2 排序信息散度新指标
3.3.3 参数讨论
3.4 实验研究
3.4.1 电机轴承损伤程度评估
3.4.2 轴承全寿命退化趋势分析
3.5 本章小结
第4章 基于堆叠多水平去噪自编码器的风电齿轮箱故障特征学习
4.1 引言
4.2 堆叠多水平去噪自编码器特征学习方法研究
4.2.1 多水平去噪训练策略
4.2.2 堆叠多水平去噪自编码器方法
4.3 基于SMLDAE的故障诊断流程
4.4 风电传动系统实验台搭建
4.4.1 实验台设计
4.4.2 实验数据采集
4.5 实验验证
4.5.1 实验数据样本集构建
4.5.2 SMLDAE模型训练
4.5.3 故障诊断结果分析
4.6 本章小结
第5章 基于多尺度卷积神经网络的风电齿轮箱端对端故障诊断
5.1 引言
5.2 多尺度卷积神经网络方法研究
5.2.1 风电齿轮箱振动信号多尺度特点分析
5.2.2 多尺度卷积神经网络结构设计
5.3 基于MSCNN的故障诊断流程
5.4 实验验证
5.4.1 实验数据样本集构建
5.4.2 MSCNN模型训练
5.4.3 故障诊断结果分析
5.5 本章小结
第6章 基于多变量时空相关性分析的风电系统故障检测
6.1 引言
6.2 风电机组运行区间及SCADA监测数据特性分析
6.2.1 风电机组运行区间特性
6.2.2 SCADA监测数据特点
6.3 基于多变量时空相关性分析的滑动窗去噪自编码器方法研究
6.4 基于SW-DAE的故障检测流程
6.4.1 离线建模阶段
6.4.2 在线故障检测
6.4.3 性能评估指标
6.5 仿真分析
6.5.1 风电系统仿真模型
6.5.2 参数讨论分析
6.5.3 故障检测性能分析
6.6 实测数据分析
6.6.1 风电场SCADA数据获取
6.6.2 故障检测性能分析
6.7 本章小结
结 论
参考文献
攻读博士学位期间承担的科研任务与主要成果
致 谢
