| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 航空发动机故障诊断与预测技术研究历史与现状 | 第12-17页 |
| 1.3 粒子群优化算法研究历史与现状 | 第17-19页 |
| 1.4 粒度计算研究历史与现状 | 第19-21页 |
| 1.5 本文的结构安排 | 第21-24页 |
| 第二章 基于人类学习行为的粒子群优化算法 | 第24-49页 |
| 2.1 多极值学习型PSO算法原理 | 第24-28页 |
| 2.1.1 集体学习策略原理 | 第25-27页 |
| 2.1.2 私人辅导策略原理 | 第27-28页 |
| 2.1.3 研究行为策略原理 | 第28页 |
| 2.2 MELPSO算法流程及性能改进分析 | 第28-31页 |
| 2.2.1 MELPSO算法实施流程 | 第28-30页 |
| 2.2.2 MELPSO算法性能改进分析 | 第30-31页 |
| 2.3 算法寻优性能验证及比较 | 第31-48页 |
| 2.3.1 各优化算法性能比较及分析 | 第34-37页 |
| 2.3.2 算法参数对优化性能影响及分析 | 第37-48页 |
| 2.4 本章小结 | 第48-49页 |
| 第三章 基于MELPSO算法的故障模式识别方法 | 第49-78页 |
| 3.1 基于距离的故障模式识别方法 | 第50-53页 |
| 3.2 基于单最优分类点的故障模式识别原理 | 第53-58页 |
| 3.2.1 基于分类的适应度函数设计 | 第53-55页 |
| 3.2.2 算法性能验证及分析 | 第55-58页 |
| 3.3 基于自适应最优分类点的故障模式识别原理 | 第58-69页 |
| 3.3.1 单最优分类点的缺陷分析 | 第58-60页 |
| 3.3.2 自适应最优分类点的识别原理 | 第60-69页 |
| 3.4 故障模式识别应用及分析 | 第69-77页 |
| 3.4.1 在轴承故障识别中的应用 | 第69-72页 |
| 3.4.2 在航空发动机小样本故障状态识别中的应用 | 第72-74页 |
| 3.4.3 在航空发动机气路状态识别中的应用 | 第74-77页 |
| 3.5 本章小结 | 第77-78页 |
| 第四章 基于图形割裂的粒度计算及其应用 | 第78-109页 |
| 4.1 相似度的定义及图形的生成 | 第79-84页 |
| 4.1.1 无量纲相似度的定义 | 第79-80页 |
| 4.1.2 图形的生成 | 第80-84页 |
| 4.2 基于无量纲相似度的图形割裂 | 第84-88页 |
| 4.2.1 平凡子图集和完全子图集的提取 | 第84-86页 |
| 4.2.2 图形割裂的原则和粒度的生成 | 第86-88页 |
| 4.3 粒度的应用及样本空间分布变化的评价 | 第88-95页 |
| 4.3.1 粒度在故障诊断中的应用 | 第88-89页 |
| 4.3.2 空间分布变化的评价 | 第89-95页 |
| 4.4 算法应用及其性能评价 | 第95-108页 |
| 4.4.1 相似度阈值s、空间变化评价指标EI和样本数量|X|间关系 | 第98-105页 |
| 4.4.2 基于图形割裂的粒度计算对分类性能的影响 | 第105-108页 |
| 4.5 本章小结 | 第108-109页 |
| 第五章 基于MELPSO算法的航空发动机性能参数预测 | 第109-128页 |
| 5.1 基于预测的适应度函数设计 | 第110-113页 |
| 5.2 历史数据的组织结构形式 | 第113-116页 |
| 5.3 航空发动机性能参数预测 | 第116-121页 |
| 5.3.1 基于MELPSO算法的预测性能验证 | 第116-119页 |
| 5.3.2 预测性能比较 | 第119-121页 |
| 5.4 基于影响因素的EGTM预测 | 第121-126页 |
| 5.5 本章小结 | 第126-128页 |
| 第六章 全文总结与展望 | 第128-130页 |
| 6.1 全文总结 | 第128-129页 |
| 6.2 后续工作展望 | 第129-130页 |
| 致谢 | 第130-131页 |
| 参考文献 | 第131-143页 |
| 攻读博士学位期间取得的成果 | 第143-144页 |
