声明
致谢
1 绪论
1.1 研究背景及意义
1.1.1 课题来源
1.1.2 研究背景及意义
1.2 国内外研究现状
1.2.1 数据驱动的风机故障诊断方法研究现状
1.2.2 风机特征提取方法研究现状
1.2.3 风机故障分类方法研究现状
1.3 小世界神经网络及其应用研究现状
1.3.1 小世界网络简介
1.3.2 小世界优化算法研究现状
1.3.3 小世界神经网络研究现状
1.4 现状分析与总结
1.5 本文的主要内容及结构
2 变桨故障在变工况状态下的特性分析
2.1 引言
2.2 风电机组基础理论
2.2.1 风电机组结构
2.2.2 风机SCADA系统结构
2.3 变桨系统
2.3.1 变桨系统结构
2.3.2 变桨系统的变工况运行特性
2.3.3 变桨故障及其机理分析
2.4 变桨故障在多变工况中的统计分析
2.4.1 变桨故障统计
2.4.2 单日变桨故障示例
2.4.3 变桨故障在变运行工况中的分布规律
2.4.4 风速跳跃值概念
2.4.5 变桨故障与风速跳跃值的关联分析
2.4.6 变桨故障规律成因讨论
2.5 本章小结
3 基于自适应邻域粗糙互信息熵的风机变工况参数特征选择
3.1 引言
3.2 变桨系统相关参数分析
3.3 基于自适应邻域粗糙互信息熵模型的特征选择方法
3.3.1 邻域粗糙集模型
3.3.2 自适应邻域粗糙模型构建
3.3.3 基于自适应邻域粗糙互信息熵的特征选择算法
3.4 实验研究
3.4.1 实验设计
3.4.2 ANRMIE特征选择结果分析
3.4.3 不同分类器的特征选择结果对比
3.5 本章小结
4 深度小世界神经网络理论研究
4.1 引言
4.2 深度小世界神经网络（DSWNN网络）
4.2.1 DSWNN网络结构
4.2.2 DSWNN网络预训练
4.2.3 DSWNN网络的小世界转换
4.2.4 DSWNN网络参数微调
4.3 DSWNN模型描述
4.3.1 加边网络模型构建
4.3.2 拓扑结构分析
4.3.3 网络描述
4.3.4 网络公式推导
4.4 DSWNN加边权值初始化策略
4.5 DSWNN网络的小世界特性分析
4.6 本章小结
5 基于深度小世界神经网络的变桨故障诊断方法研究
5.1 引言
5.2 考虑多变量时空关联的SL-DSWNN学习方法
5.2.1 多变量动态滑窗处理
5.2.2 小尺度滤波
5.2.3 DSWNN模型训练
5.3 基于SL-DSWNN的变桨故障诊断方法
5.4 风机FAST 仿真实验
5.4.1 FAST系统模型构建
5.4.2 性能指标
5.4.3 参数讨论
5.4.4 故障诊断结果分析
5.5 实测数据验证
5.5.1 实验数据样本集构建
5.5.2 变桨故障分类性能对比
5.5.3 特征学习能力对比
5.6 本章小结
6 基于动态选择集成的变工况变桨故障诊断
6.1 引言
6.2 选择集成基础理论
6.3 变工况下的多模型动态选择集成故障诊断策略
6.3.1 考虑风速跳跃值的多风速区间训练集构建
6.3.2 多拓扑结构的DSWNN子分类器构建与训练
6.3.3 基于全局相关系数的动态子分类器选择
6.3.4 基于加权概率融合的在线故障分类
6.4 变工况下变桨故障分类实验分析
6.4.1 实验数据样本集构建
6.4.2 变工况下多个DSWNN子分类器训练
6.4.3 动态选择结果分析
6.4.4 变工况故障分类实验对比分析
6.5 本章小结
7 总结与展望
7.1 总结
7.2 展望
参考文献
附录 A
作者简历及攻读博士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;
