| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景和意义 | 第11-12页 |
| 1.2 故障预测技术 | 第12页 |
| 1.3 国内外故障预测技术的研究现状 | 第12-15页 |
| 1.3.1 基于统计的预测方法 | 第12-13页 |
| 1.3.2 基于人工智能的预测方法 | 第13-14页 |
| 1.3.3 基于模型的预测方法 | 第14-15页 |
| 1.4 故障预测技术研究难点 | 第15-16页 |
| 1.5 论文的创新之处与内容安排 | 第16-18页 |
| 1.5.1 创新之处 | 第16-17页 |
| 1.5.2 内容安排 | 第17-18页 |
| 1.6 本章小结 | 第18-19页 |
| 第二章 APU概述 | 第19-23页 |
| 2.1 APU与航空发动机的联系 | 第20-21页 |
| 2.1.1 APU对起动航空发动机的辅助作用 | 第20-21页 |
| 2.2 APU的经济性 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 混沌时间序列预测与基于BP神经网络故障诊断理论基础 | 第23-39页 |
| 3.1 混沌时间序列预测 | 第23-30页 |
| 3.1.1 混沌的定义 | 第23-24页 |
| 3.1.2 时间序列相空间重构 | 第24-27页 |
| 3.1.3 混沌识别方法 | 第27-28页 |
| 3.1.4 混沌时间序列预测 | 第28-30页 |
| 3.1.5 预测结果分析 | 第30页 |
| 3.2 基于BP神经网络的故障诊断 | 第30-38页 |
| 3.2.1 BP神经网络的理论基础 | 第30-31页 |
| 3.2.2 BP算法的原理分析 | 第31-34页 |
| 3.2.3 BP算法的程序实现 | 第34-35页 |
| 3.2.4 BP网络的缺陷 | 第35-36页 |
| 3.2.5 引入LM最优算法的BP神经网络 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 基于组合方法的APU故障趋势预测 | 第39-58页 |
| 4.1 数据来源 | 第39-42页 |
| 4.1.1 APU故障特征信号的选取 | 第39-42页 |
| 4.2 混沌预测在APU状态监控中的应用及其预测可行性检验 | 第42-49页 |
| 4.2.1 延迟时间t 的选取 | 第42-44页 |
| 4.2.2 嵌入维数m的选取 | 第44-45页 |
| 4.2.3 Lyapunov指数的计算 | 第45-47页 |
| 4.2.4 排气温度值的混沌预测 | 第47页 |
| 4.2.5 预测结果检验及评价 | 第47-49页 |
| 4.3 APU故障特征信号的混沌预测 | 第49-53页 |
| 4.3.1 特征信号时间序列分析 | 第49-51页 |
| 4.3.2 预测结果及其误差分析 | 第51-53页 |
| 4.4 APU故障趋势预测 | 第53-57页 |
| 4.4.1 BP网络结构参数的确定 | 第53-55页 |
| 4.4.2 基于BP神经网络的APU故障诊断及预测 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 APU故障失效及其应对策略 | 第58-64页 |
| 5.1 APU故障失效分析 | 第58-59页 |
| 5.2 故障趋势应对策略 | 第59-63页 |
| 5.2.1 故障预防 | 第59-60页 |
| 5.2.2 状态监控 | 第60-62页 |
| 5.2.3 视情检查 | 第62-63页 |
| 5.2.4 故障排除 | 第63页 |
| 5.3 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 部分程序代码 | 第71-79页 |
| 作者简介 | 第79页 |
