[1] 沈艳霞,李帆. 风力发电系统故障诊断方法综述[J]. 控制工程, 2013,20(5):789-795.
[2] 张岳. 多传感器信息融合技术在电机故障诊断中的应用研究[D]. 兰州:兰州理工大学, 2014.
[3] 赵勇,韩斌,房刚利. 风力发电机状态监测与故障诊断技术综述[J]. 热力发电, 2016,45(10):1-5.
[4] 张永建,孙燕芳,邢龙超. 基于小波包分解的滚动轴承故障诊断方法的研究[J]. 煤矿机械, 2014,35(5):256-258.
[5] 丘世因,袁锐波. 基于小波包分解的滚动轴承故障信号频域特征提取方法研究[J]. 机械与电子, 2014(5):12-16.
[6] 任学平,庞震,邢义通,等. 改进小波包的滚动轴承故障诊断[J]. 河南科技大学学报(自然科学版), 2014,35(5):9-14.
[7] 王中,孙元章,李国杰,等. 双馈风力发电机定子电流谐波分析[J]. 电力自动化设备, 2010,30(6):1-5.
[8] Pratumnopharat P, Leung P S, Court R S. Wavelet transform-based stress-time history editing of horizontal axis wind turbine blades[J]. Renewable Energy, 2014,63(1):558-575.
[9] Ulriksen M D, Tcherniak D, Kirkegaard P H, et al. Operational modal analysis and wavelet transformation for damage identification in wind turbine blades[J]. Structural Health Monitoring, 2014,12(3):48-51.
[10] Al-Ahmar E, Benbouzid M E H, Amirat Y, et al. DFIG-based wind turbine fault diagnosis using a specific discrete wavelet transform[C]// International Conference on Electrical Machines. 2008:1-6.
[11]李月,徐余法,陈国初,等. D-S证据理论在多传感器故障诊断中的改进及应用[C]// 第22届中国过程控制会议. 2011,41:102-106.
[12] 雷蕾,王晓丹. 结合SVM与DS证据理论的信息融合分类方法[J]. 计算机工程与应用, 2013,49(11):114-117.
[13]张成军,阴妍,鲍久圣,等. 多源信息融合故障诊断方法研究进展[J]. 河北科技大学学报, 2014,35(3):213-221.
[14]Tang Baoping, Song Tao, Li Feng, et al. Fault diagnosis for a wind turbine transmission system based on manifold learning and Shannon wavelet support vector machine[J]. Renewable Energy, 2014,62:1-9.
[15]An Xueli, Zhao Minghao, Jiang Dongxiang, et al. Direct-drive wind turbine fault diagnosis based on support vector machine and multi-source information[J]. Power System Technology, 2011,35(4):117-122.
[16]焦斌,郝云锁. 基于合成核支持向量机的风力发电机故障诊断[J]. 江南大学学报(自然科学版), 2013,12(5):607-612.
[17] 姜万录,吴胜强. 基于SVM和证据理论的多数据融合故障诊断方法[J]. 仪器仪表学报, 2010,31(8):1738-1743. |