声明
摘要
第1章 绪论
1.1 论文研究背景及意义
1.2 国内外研究现状
1.2.1 风电机组状态监测与故障诊断技术现状
1.2.2 智能故障诊断技术现状
1.2.3 基于模式识别方法的故障诊断研究现状
1.3 本文的主要研究内容和结构
1.3.1 主要研究内容
1.3.2 论文章节结构
第2章 风电机组及模式识别方法理论基础
2.1 风电机组传动链基本结构
2.1.1 双馈型风电机组传动链基本结构
2.1.2 直驱型风电机组传动链基本结构
2.1.3 风电机组齿轮箱基本结构
2.1.4 风电机组轴承
2.2 风电机组故障分析
2.2.1 我国风电场故障统计分析
2.2.2 国外风电场故障统计分析
2.3 风电机组传动链主要部件故障分析
2.3.1 齿轮故障
2.3.2 轴承故障
2.3.3 轴故障
2.4 智能故障诊断理论基础
2.4.1 基于有监督学习的模式识别基本原理
2.4.2 基于无监督学习的模式识别基本原理
2.4.3 两种模式识别方法的比较
2.5 本章小结
第3章 基于自适应共振神经网络的故障诊断方法研究
3.1 引言
3.2 ART-2神经网络基本原理
3.2.1 ART-2神经网络结构
3.2.2 ART-2神经网络学习算法
3.3 小波变换基本原理
3.3.1 连续小波变换
3.3.2 离散小波变换
3.3.3 小波包变换
3.3.4 相对小波包能量
3.4 基于ART-2神经网络的齿轮箱运行状态趋势分析
3.4.1 诊断方案
3.4.2 实验描述
3.4.3 信号时域、频域特征值分析
3.4.4 信号的相对小波包能量特征值
3.4.5 基于ART-2神经网络的模式识别
3.5 实际风电机组传动链故障诊断案例
3.5.1 案例描述
3.5.2 基于ART-2神经网络的状态趋势分析
3.6 本章小结
第4章 风电机组设备群故障诊断方法研究
4.1 引言
4.2 结合C均值聚类的ART-2神经网络
4.2.1 ART-2神经网络算法存在的问题
4.2.2 C-值聚类算法基本原理
4.2.3 结合C-值聚类的ART-2神经网络分类算法
4.3 算法验证
4.3.1 仿真验证
4.3.2 齿轮箱故障数据验证
4.4 风电机组设备群故障诊断实例
4.5 本章小结
第5章 基于模糊核聚类的故障诊断方法研究
5.1 引言
5.2 模糊核聚类算法基本理论
5.2.1 模糊集合概念
5.2.2 模糊聚类基本算法
5.2.3 核函数基本概念
5.2.4 模糊核聚类算法的实现
5.3 优化模糊核聚类算法
5.3.1 万有引力搜索算法基本原理
5.3.2 粒子群优化算法基本原理
5.4 基于模糊核聚类算法的故障诊断
5.4.1 聚类模型的建立
5.4.2 优化算法求解聚类模型
5.4.3 故障诊断方案
5.5 实例分析
5.5.1 风电机组齿轮箱测试描述
5.5.2 特征值提取
5.5.3 GSA优化KFCM的诊断结果
5.5.4 PSO优化KFCM的诊断结果
5.5.5 GSA和PSO优化KFCM的比较
5.6 本章小结
第6章 结论与展望
6.1 全文工作总结
6.2 研究工作展望
参考文献
攻读博士学位期间发表的论文及其它成果
攻读博士学位期间参加的科研工作
致谢
作者简介