聲明

中文摘要

英文摘要

目錄

第一章 緒論

1.1 課題來源

1.2 研究背景與意義

1.3 國內(nèi)外研究現(xiàn)狀

1.3.1 基于 SCADA 數(shù)據(jù)統(tǒng)計分析的風力機監(jiān)測與故障診斷

1.3.2 基于 SCADA 數(shù)據(jù)機器學習的風力機監(jiān)測與故障診斷

1.3.3 基于 SCADA 數(shù)據(jù)的風力機主軸承監(jiān)測與預警研究

1.4 主要研究內(nèi)容與技術路線

1.4.1 研究內(nèi)容

1.4.2 技術路線

1.5 本章小結

第二章 風力機運行狀態(tài)智能監(jiān)測模型的構建

2.1 引言

2.2 直驅式風力機基本結構及 SCADA 系統(tǒng)

2.2.1 直驅式風力機基本結構

2.2.2 SCADA 系統(tǒng)組成

2.2.3 SCADA 系統(tǒng)監(jiān)測參數(shù)

2.3 運行狀態(tài)智能監(jiān)測模型的構建

2.3.1 SCADA 數(shù)據(jù)采集

2.3.2 SCADA 數(shù)據(jù)預處理

2.3.3 SCADA 數(shù)據(jù)理解

2.3.4 智能模型構建與訓練

2.3.5 智能模型評價

2.4 風力機振動參數(shù)智能監(jiān)測模型

2.4.1 問題描述

2.4.2 智能監(jiān)測模型的構建

2.4.3 計算結果與分析

2.5 本章小結

第三章 基于多元時序與堆疊長短期記憶模型的主軸承溫度預測

3.1 引言

3.2 問題描述

3.3 狀態(tài)參數(shù)選擇

（1）溫度預測狀態(tài)參數(shù)的關聯(lián)分析

（2）基于物理機制的冗余狀態(tài)參數(shù)的剔除

3.4 SLSTM-MLP 預測模型的構建

3.4.1 理論基礎

3.4.2 模型框架

3.4.3 訓練算法

3.5 數(shù)據(jù)集與模型確定

3.5.1 數(shù)據(jù)集的構造

3.5.2 SLSTM-MLP 結構確定

3.6 預測模型性能比較

3.6.1 不同樣本容量大小

3.6.2 不同采樣時間段

3.6.3 不同采樣頻率

3.7 基于 SLSTM-MLP 模型的主軸承溫度預測與預警

3.7.1 主軸承溫度監(jiān)測指標

3.7.2 異常運行狀態(tài)監(jiān)測與預警

3.8 本章小結

第四章 基于雙注意力機制和 Bi-LSTM 的主軸承運行健康狀態(tài)識別

4.1 引言

4.2 問題描述

4.3 狀態(tài)參數(shù)選擇

4.4 DA-Bi-LSTM 模型構建

4.4.1 輸入模塊

4.4.2 參數(shù)注意力計算模塊

4.4.3 時序注意力計算模塊

4.4.4 雙注意力融合模塊

4.4.5 Bi-LSTM 模塊

4.4.6 重構模塊

4.5 DA-Bi-LSTM 的訓練算法

4.6 數(shù)據(jù)集與模型確定

4.6.1 數(shù)據(jù)分布特性分析

4.6.2 數(shù)據(jù)集的構造

4.6.3 DA-Bi-LSTM 模型的結構確定

4.7 DA-Bi-LSTM 模型性能比較

4.8 注意力和可解釋性分析

4.9 本章小結

第五章 風力機主軸承狀態(tài)在線智能監(jiān)測模型與實現(xiàn)

5.1 引言

5.2 基于遷移學習的主軸承狀態(tài)在線智能監(jiān)測模型

5.2.1 遷移學習概述

5.2.2 基于遷移學習的主軸承狀態(tài)參數(shù)溫度預測

5.2.3 基于遷移學習的主軸承運行健康狀態(tài)識別

5.3 主軸承在線狀態(tài)智能監(jiān)測軟件的實現(xiàn)

5.3.1 軟件的設計目標

5.3.2 軟件的架構設計

5.3.3 軟件的功能設計

5.4 監(jiān)測功能與實現(xiàn)

5.4.1 風力機振動監(jiān)測與分析

5.4.2 主軸承溫度預測與預警

5.4.3 主軸承運行健康狀態(tài)識別與預警

5.5 本章小結

第六章 結論與展望

6.1 結論

6.2 主要創(chuàng)新點

6.3 展望

參考文獻

附錄 A 攻讀學位期間發(fā)表的論文與科研成果清單

致 謝

相關知識

基于大數(shù)據(jù)的車輛健康狀態(tài)評估模型構建方法與流程
基于數(shù)據(jù)驅動的鋰離子電池健康狀態(tài)估計及剩余壽命預測研究.docx
2024至2030年中國小跑步機數(shù)據(jù)監(jiān)測研究報告.docx
基于數(shù)據(jù)驅動的電動汽車電池健康狀態(tài)估計研究
基于大數(shù)據(jù)老年多重慢性病風險預測模型構建探究
科學監(jiān)測運動狀態(tài)智能大數(shù)據(jù)指導健康管理
高速列車軸箱軸承健康監(jiān)測與故障診斷研究綜述
基于大數(shù)據(jù)的車輛健康狀態(tài)評估模型構建方法技術
《大健康數(shù)據(jù)智能分析關鍵方法研究》
多特征融合深度學習的滾動軸承剩余壽命預測方法研究

網(wǎng)址: 基于SCADA數(shù)據(jù)的大型直驅式風力機主軸承運行狀態(tài)智能監(jiān)測方法研究 http://m.u1s5d6.cn/newsview1392465.html