摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第16-22页 |
1.1 课题来源及意义 | 第16页 |
1.2 航空发动机多转子轴承系统故障诊断的现状和发展趋势研究 | 第16-17页 |
1.3 课题的主要内容及创新点 | 第17-19页 |
1.4 论文总架构 | 第19-22页 |
第二章 航空发动机多转子轴承系统的工作原理及故障类型分析 | 第22-28页 |
2.1 多转子轴承系统的工作原理 | 第22-23页 |
2.2 多转子轴承系统运行状态的主要形式及特征分析 | 第23页 |
2.3 多转子轴承系统运行状态的频域、时频域分析 | 第23-27页 |
2.3.1 多转子轴承系统运行状态的频域分析 | 第23-25页 |
2.3.2 多转子轴承系统运行状态的时频域分析 | 第25-27页 |
2.4 本章小结 | 第27-28页 |
第三章 多转子轴承系统状态信号的预处理 | 第28-38页 |
3.1 小波去噪 | 第28-31页 |
3.1.1 小波变换的原理 | 第28页 |
3.1.2 最优小波基的选择 | 第28-29页 |
3.1.3 小波去噪方法在多转子轴承系统故障诊断中的应用 | 第29-31页 |
3.2 基于自适应阈值的小波去噪方法 | 第31-33页 |
3.2.1 基于传统阈值的小波降噪原理 | 第32页 |
3.2.2 基于改进阈值的小波降噪原理 | 第32页 |
3.2.3 基于自适应阈值的小波降噪原理 | 第32-33页 |
3.3 实验验证 | 第33-37页 |
3.3.1 基于三种阈值的小波降噪方法的效果比较 | 第33页 |
3.3.2 比较三种预处理方法的效果 | 第33-37页 |
3.4 本章小结 | 第37-38页 |
第四章 多转子轴承系统的特征参数集构建与优化 | 第38-48页 |
4.1 多转子轴承系统的特征参数集 | 第38-43页 |
4.1.1 时域特征参数 | 第38-39页 |
4.1.2 频域特征参数 | 第39-40页 |
4.1.3 解调谱特征参数 | 第40-41页 |
4.1.4 小波包谱能量特征参数 | 第41-42页 |
4.1.5 功率谱熵特征参数 | 第42-43页 |
4.2 特征参数的压缩降维 | 第43-44页 |
4.2.1 KPCA的原理和优势 | 第43页 |
4.2.2 KPCA在参数集优化进程中的应用 | 第43-44页 |
4.3 实验验证 | 第44-47页 |
4.4 本章小结 | 第47-48页 |
第五章 多转子轴承系统故障诊断与预测方法研究 | 第48-68页 |
5.1 改进型BP算法 | 第48-54页 |
5.1.1 BP算法的网络结构 | 第48-49页 |
5.1.2 遗传算法优化后的BP网络 | 第49-50页 |
5.1.3 实验验证 | 第50-54页 |
5.2 改进型蚁群算法 | 第54-58页 |
5.2.1 传统蚁群算法的运算过程 | 第54-55页 |
5.2.2 改进型蚁群算法的运算过程 | 第55-56页 |
5.2.3 实验验证 | 第56-58页 |
5.3 改进型PNN方法的运算过程 | 第58-64页 |
5.3.1 传统PNN网络的原理 | 第58-60页 |
5.3.2 改进型PNN网络的原理 | 第60页 |
5.3.3 改进型PNN网络在故障诊断中的应用 | 第60-61页 |
5.3.4 实验验证 | 第61-64页 |
5.4 三种故障诊断方法的性能比较 | 第64-65页 |
5.5 故障诊断及预测方法研究 | 第65-67页 |
5.5.1 多转子轴承系统故障诊断预测方法概述 | 第65页 |
5.5.2 GRNN神经网络预测方法 | 第65-66页 |
5.5.3 小波神经网络预测方法 | 第66-67页 |
5.6 本章小结 | 第67-68页 |
第六章 多转子轴承系统的故障诊断模块化实现 | 第68-80页 |
6.1 故障诊断系统架构 | 第68-69页 |
6.2 故障诊断系统的参数设计 | 第69-70页 |
6.3 故障诊断系统的软件设计 | 第70-78页 |
6.4 本章小结 | 第78-80页 |
第七章 总结与展望 | 第80-82页 |
7.1 课题的研究成果 | 第80-81页 |
7.2 工作的展望 | 第81-82页 |
参考文献 | 第82-84页 |
致谢 | 第84-86页 |
研究成果及发表的学术论文 | 第86-88页 |
作者和导师简介 | 第88-90页 |
专业学位硕士研究生学位论文答辩委员会决议书 | 第90-91页 |