《表4 故障信息：基于DRSA和BP神经网络风电机组检修决策》
提示：宽带有限、当前游客访问压缩模式
根据历史故障信息统计，该风场曾有6台机组同时发生故障，故障信息如表4所示。
| 图表编号 | XD00853500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.11.01 |
| 作者 | 王晓东、杨苹、龙霞飞、唐惜春、管品发 |
| 绘制单位 | 华南理工大学电力学院、华南理工大学广东省绿色能源技术重点实验室、华南理工大学电力学院、国家电投集团广西金紫山风电有限公司、国家电投集团广西金紫山风电有限公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 状态输出对应关系：基于GA-ENN特征选择和参数优化的双馈风电机组轴承故障诊断》2021.01.28
- 《表2 特征描述及重要性：基于特征选择和XGBoost的风电机组故障诊断》2021.03.20
- 《表5 故障诊断结果：基于特征选择和XGBoost的风电机组故障诊断》2021.03.20
- 《表1 特征矩阵数据：基于BP神经网络的风电系统控制器I/O硬件故障自诊断方法》2020.05.25
- 《表4 收敛速度与精度：风电机组故障诊断中的粒子群小波神经网络》2020.02.01
- 《表2 部分数据样本：风电机组故障诊断中的粒子群小波神经网络》2020.02.01
- 《表1 参数设定：风电机组故障诊断中的粒子群小波神经网络》2020.02.01
- 《表2 轴承参数：基于卷积神经网络的风电机组轴承机械故障智能诊断方法》2020.07.30
- 《表3 特征重要度排序：基于功率曲线分析与神经网络的风电机组故障预警方法》2020.08.31
- 《表1 风电机组各项参数：基于功率曲线分析与神经网络的风电机组故障预警方法》2020.08.31
- 《表4 故障2诊断结果：基于改进深度森林算法的风电机组故障诊断技术研究》2019.11.20
- 《表2 分类器的比较结果：应用深度自编码网络和XGBoost的风电机组发电机故障诊断》2019.01.10
- 《表1 混淆矩阵：应用深度自编码网络和XGBoost的风电机组发电机故障诊断》2019.01.10
- 《表1 风电机组参数：基于数据抖颤的风电机组变桨故障预测》2018.12.25
- 《表1 原始决策信息表：基于粗糙集与粒子群神经网络的变压器故障诊断》2018.04.01
- 《表8 DRSA和BP神经网络得到的风机停机时间和经济损失》2019.11.01
- 《表1 偏好属性：基于DRSA和BP神经网络风电机组检修决策》2019.11.01
- 《表6 故障风机信息统计：基于DRSA和BP神经网络风电机组检修决策》2019.11.01
- 《表2 序信息系统：基于DRSA和BP神经网络风电机组检修决策》2019.11.01
- 《表3 规则集合：基于DRSA和BP神经网络风电机组检修决策》2019.11.01