基于SCADA数据的大型直驱式风力机主轴承运行状态智能监测方法研究
声明
中文摘要
英文摘要
目录
第一章 绪论
1.1 课题来源
1.2 研究背景与意义
1.3 国内外研究现状
1.3.1 基于 SCADA 数据统计分析的风力机监测与故障诊断
1.3.2 基于 SCADA 数据机器学习的风力机监测与故障诊断
1.3.3 基于 SCADA 数据的风力机主轴承监测与预警研究
1.4 主要研究内容与技术路线
1.4.1 研究内容
1.4.2 技术路线
1.5 本章小结
第二章 风力机运行状态智能监测模型的构建
2.1 引言
2.2 直驱式风力机基本结构及 SCADA 系统
2.2.1 直驱式风力机基本结构
2.2.2 SCADA 系统组成
2.2.3 SCADA 系统监测参数
2.3 运行状态智能监测模型的构建
2.3.1 SCADA 数据采集
2.3.2 SCADA 数据预处理
2.3.3 SCADA 数据理解
2.3.4 智能模型构建与训练
2.3.5 智能模型评价
2.4 风力机振动参数智能监测模型
2.4.1 问题描述
2.4.2 智能监测模型的构建
2.4.3 计算结果与分析
2.5 本章小结
第三章 基于多元时序与堆叠长短期记忆模型的主轴承温度预测
3.1 引言
3.2 问题描述
3.3 状态参数选择
（1）温度预测状态参数的关联分析
（2）基于物理机制的冗余状态参数的剔除
3.4 SLSTM-MLP 预测模型的构建
3.4.1 理论基础
3.4.2 模型框架
3.4.3 训练算法
3.5 数据集与模型确定
3.5.1 数据集的构造
3.5.2 SLSTM-MLP 结构确定
3.6 预测模型性能比较
3.6.1 不同样本容量大小
3.6.2 不同采样时间段
3.6.3 不同采样频率
3.7 基于 SLSTM-MLP 模型的主轴承温度预测与预警
3.7.1 主轴承温度监测指标
3.7.2 异常运行状态监测与预警
3.8 本章小结
第四章 基于双注意力机制和 Bi-LSTM 的主轴承运行健康状态识别
4.1 引言
4.2 问题描述
4.3 状态参数选择
4.4 DA-Bi-LSTM 模型构建
4.4.1 输入模块
4.4.2 参数注意力计算模块
4.4.3 时序注意力计算模块
4.4.4 双注意力融合模块
4.4.5 Bi-LSTM 模块
4.4.6 重构模块
4.5 DA-Bi-LSTM 的训练算法
4.6 数据集与模型确定
4.6.1 数据分布特性分析
4.6.2 数据集的构造
4.6.3 DA-Bi-LSTM 模型的结构确定
4.7 DA-Bi-LSTM 模型性能比较
4.8 注意力和可解释性分析
4.9 本章小结
第五章 风力机主轴承状态在线智能监测模型与实现
5.1 引言
5.2 基于迁移学习的主轴承状态在线智能监测模型
5.2.1 迁移学习概述
5.2.2 基于迁移学习的主轴承状态参数温度预测
5.2.3 基于迁移学习的主轴承运行健康状态识别
5.3 主轴承在线状态智能监测软件的实现
5.3.1 软件的设计目标
5.3.2 软件的架构设计
5.3.3 软件的功能设计
5.4 监测功能与实现
5.4.1 风力机振动监测与分析
5.4.2 主轴承温度预测与预警
5.4.3 主轴承运行健康状态识别与预警
5.5 本章小结
第六章 结论与展望
6.1 结论
6.2 主要创新点
6.3 展望
参考文献
附录 A 攻读学位期间发表的论文与科研成果清单
致 谢
相关知识
基于大数据的车辆健康状态评估模型构建方法与流程
基于数据驱动的锂离子电池健康状态估计及剩余寿命预测研究.docx
2024至2030年中国小跑步机数据监测研究报告.docx
基于数据驱动的电动汽车电池健康状态估计研究
基于大数据老年多重慢性病风险预测模型构建探究
科学监测运动状态智能大数据指导健康管理
高速列车轴箱轴承健康监测与故障诊断研究综述
基于大数据的车辆健康状态评估模型构建方法技术
《大健康数据智能分析关键方法研究》
多特征融合深度学习的滚动轴承剩余寿命预测方法研究
网址: 基于SCADA数据的大型直驱式风力机主轴承运行状态智能监测方法研究 https://m.trfsz.com/newsview1392465.html
