聲明

中文摘要

英文摘要

目錄

第一章 緒論

1.1 課題來(lái)源

1.2 研究背景與意義

1.3 國(guó)內(nèi)外研究現(xiàn)狀

1.3.1 基于 SCADA 數(shù)據(jù)統(tǒng)計(jì)分析的風(fēng)力機(jī)監(jiān)測(cè)與故障診斷

1.3.2 基于 SCADA 數(shù)據(jù)機(jī)器學(xué)習(xí)的風(fēng)力機(jī)監(jiān)測(cè)與故障診斷

1.3.3 基于 SCADA 數(shù)據(jù)的風(fēng)力機(jī)主軸承監(jiān)測(cè)與預(yù)警研究

1.4 主要研究?jī)?nèi)容與技術(shù)路線

1.4.1 研究?jī)?nèi)容

1.4.2 技術(shù)路線

1.5 本章小結(jié)

第二章 風(fēng)力機(jī)運(yùn)行狀態(tài)智能監(jiān)測(cè)模型的構(gòu)建

2.1 引言

2.2 直驅(qū)式風(fēng)力機(jī)基本結(jié)構(gòu)及 SCADA 系統(tǒng)

2.2.1 直驅(qū)式風(fēng)力機(jī)基本結(jié)構(gòu)

2.2.2 SCADA 系統(tǒng)組成

2.2.3 SCADA 系統(tǒng)監(jiān)測(cè)參數(shù)

2.3 運(yùn)行狀態(tài)智能監(jiān)測(cè)模型的構(gòu)建

2.3.1 SCADA 數(shù)據(jù)采集

2.3.2 SCADA 數(shù)據(jù)預(yù)處理

2.3.3 SCADA 數(shù)據(jù)理解

2.3.4 智能模型構(gòu)建與訓(xùn)練

2.3.5 智能模型評(píng)價(jià)

2.4 風(fēng)力機(jī)振動(dòng)參數(shù)智能監(jiān)測(cè)模型

2.4.1 問題描述

2.4.2 智能監(jiān)測(cè)模型的構(gòu)建

2.4.3 計(jì)算結(jié)果與分析

2.5 本章小結(jié)

第三章 基于多元時(shí)序與堆疊長(zhǎng)短期記憶模型的主軸承溫度預(yù)測(cè)

3.1 引言

3.2 問題描述

3.3 狀態(tài)參數(shù)選擇

（1）溫度預(yù)測(cè)狀態(tài)參數(shù)的關(guān)聯(lián)分析

（2）基于物理機(jī)制的冗余狀態(tài)參數(shù)的剔除

3.4 SLSTM-MLP 預(yù)測(cè)模型的構(gòu)建

3.4.1 理論基礎(chǔ)

3.4.2 模型框架

3.4.3 訓(xùn)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(gòu)造

3.5.2 SLSTM-MLP 結(jié)構(gòu)確定

3.6 預(yù)測(cè)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(shí)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(yù)測(cè)與預(yù)警

3.7.1 主軸承溫度監(jiān)測(cè)指標(biāo)

3.7.2 異常運(yùn)行狀態(tài)監(jiān)測(cè)與預(yù)警

3.8 本章小結(jié)

第四章 基于雙注意力機(jī)制和 Bi-LSTM 的主軸承運(yùn)行健康狀態(tài)識(shí)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(gòu)建

4.4.1 輸入模塊

4.4.2 參數(shù)注意力計(jì)算模塊

4.4.3 時(shí)序注意力計(jì)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(gòu)模塊

4.5 DA-Bi-LSTM 的訓(xùn)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(gòu)造

4.6.3 DA-Bi-LSTM 模型的結(jié)構(gòu)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(jié)

第五章 風(fēng)力機(jī)主軸承狀態(tài)在線智能監(jiān)測(cè)模型與實(shí)現(xiàn)

5.1 引言

5.2 基于遷移學(xué)習(xí)的主軸承狀態(tài)在線智能監(jiān)測(cè)模型

5.2.1 遷移學(xué)習(xí)概述

5.2.2 基于遷移學(xué)習(xí)的主軸承狀態(tài)參數(shù)溫度預(yù)測(cè)

5.2.3 基于遷移學(xué)習(xí)的主軸承運(yùn)行健康狀態(tài)識(shí)別

5.3 主軸承在線狀態(tài)智能監(jiān)測(cè)軟件的實(shí)現(xiàn)

5.3.1 軟件的設(shè)計(jì)目標(biāo)

5.3.2 軟件的架構(gòu)設(shè)計(jì)

5.3.3 軟件的功能設(shè)計(jì)

5.4 監(jiān)測(cè)功能與實(shí)現(xiàn)

5.4.1 風(fēng)力機(jī)振動(dòng)監(jiān)測(cè)與分析

5.4.2 主軸承溫度預(yù)測(cè)與預(yù)警

5.4.3 主軸承運(yùn)行健康狀態(tài)識(shí)別與預(yù)警

5.5 本章小結(jié)

第六章 結(jié)論與展望

6.1 結(jié)論

6.2 主要?jiǎng)?chuàng)新點(diǎn)

6.3 展望

參考文獻(xiàn)

附錄 A 攻讀學(xué)位期間發(fā)表的論文與科研成果清單

致 謝

相關(guān)知識(shí)

基于大數(shù)據(jù)的車輛健康狀態(tài)評(píng)估模型構(gòu)建方法與流程
基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池健康狀態(tài)估計(jì)及剩余壽命預(yù)測(cè)研究.docx
2024至2030年中國(guó)小跑步機(jī)數(shù)據(jù)監(jiān)測(cè)研究報(bào)告.docx
基于數(shù)據(jù)驅(qū)動(dòng)的電動(dòng)汽車電池健康狀態(tài)估計(jì)研究
基于大數(shù)據(jù)老年多重慢性病風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建探究
科學(xué)監(jiān)測(cè)運(yùn)動(dòng)狀態(tài)智能大數(shù)據(jù)指導(dǎo)健康管理
高速列車軸箱軸承健康監(jiān)測(cè)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(píng)估模型構(gòu)建方法技術(shù)
《大健康數(shù)據(jù)智能分析關(guān)鍵方法研究》
多特征融合深度學(xué)習(xí)的滾動(dòng)軸承剩余壽命預(yù)測(cè)方法研究

網(wǎng)址: 基于SCADA數(shù)據(jù)的大型直驅(qū)式風(fēng)力機(jī)主軸承運(yùn)行狀態(tài)智能監(jiān)測(cè)方法研究 http://m.u1s5d6.cn/newsview1392465.html