風電機組傳動系統(tǒng)大數(shù)據智能運維

第1章緒論（1）
1.1風電機組傳動系統(tǒng)構成（2）
1.2風電機組傳動系統(tǒng)智能運維的意義（3）
1.3風電機組傳動系統(tǒng)故障診斷的方法與分類（5）
1.3.1基于定性知識經驗的風電機組傳動系統(tǒng)診斷（5）
1.3.2基于分析模型的風電機組傳動系統(tǒng)診斷（6）
1.3.3基于數(shù)據驅動的風電機組傳動系統(tǒng)診斷（7）
第2章風電機組傳動系統(tǒng)微弱故障信號增強（13）
2.1共振解調故障增強方法（14）
2.1.1共振解調技術的原理及優(yōu)點（14）
2.1.2共振解調的過程（14）
2.1.3希爾伯特（Hilbert）變換和包絡分析（15）
2.2自適應最大相關峭度反卷積增強方法（16）
2.2.1最小熵解卷積原理（16）
2.2.2變步長網格搜索法（17）
2.2.3目標函數(shù)確定及參數(shù)優(yōu)化（18）
2.2.4自適應最大相關峭度反卷積性能分析（19）
2.3多點最優(yōu)最小熵反卷積增強方法（21）
2.3.1多點最優(yōu)最小熵反卷積原理（21）
2.3.2MED和MOMEDA方法的實驗（22）
第3章風電機組傳動系統(tǒng)故障特征提?。?9）
3.1時域和頻域的特征提取方法（30）
3.1.1時域的特征指標集（30）
3.1.2頻域的特征指標集（31）
3.2時頻域特征提取方法（33）
3.2.1小波包分解（33）
3.2.2經驗模態(tài)分解（35）
3.2.3變分模態(tài)分解方法及準則（41）
3.2.4自適應變分模態(tài)分解（43）
3.2.5局部均值分解（47）
3.3模糊熵特征集構建的實驗驗證（49）
3.3.1模糊熵的原理（49）
3.3.2模糊熵特征集構建的方法步驟及流程（50）
3.3.3試驗臺驗證（51）
第4章風電機組傳動系統(tǒng)早期故障辨識（55）
4.1淺層學習基本理論（57）
4.1.1人工神經網絡（57）
4.1.2多核支持向量機算法（58）
4.1.3最大熵模型（62）
4.2深度學習基本理論（64）
4.2.1卷積神經網絡（65）
4.2.2自動編碼器（67）
4.2.3深度置信網絡（69）
4.3小子樣分析方法（71）
第5章風電機組傳動系統(tǒng)故障診斷系統(tǒng)設計（73）
5.1系統(tǒng)的總體設計（74）
5.1.1系統(tǒng)的需求分析（74）
5.1.2系統(tǒng)的總體結構（75）
5.2系統(tǒng)功能的實現(xiàn)（76）
5.2.1前端采集設備選擇（76）
5.2.2測點布置與傳感器安裝（77）
5.2.3監(jiān)測系統(tǒng)軟件功能實現(xiàn)（79）
5.3應用實例（87）
參考文獻（90）