| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第15-24页 |
| 1.1 研究背景及意义 | 第15-18页 |
| 1.1.1 采用传统可靠性分析方法研究 | 第16-17页 |
| 1.1.2 本文可靠性分析架构 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 故障分析 | 第18-19页 |
| 1.2.2 性能退化评估研究现状 | 第19-20页 |
| 1.2.3 剩余使用寿命预测研究现状 | 第20-21页 |
| 1.3 本文主要研究内容 | 第21-24页 |
| 第二章 基于深度学习的航空发动机可靠性分析框架 | 第24-36页 |
| 2.1 复杂系统可靠性分析 | 第24-28页 |
| 2.1.1 故障树分析 | 第24-26页 |
| 2.1.2 小样本可靠性评估 | 第26-27页 |
| 2.1.3 多态系统可靠性问题 | 第27-28页 |
| 2.2 运行可靠性分析 | 第28-29页 |
| 2.3 面向可靠性分析的航空发动机监测信息采集与处理方法 | 第29-32页 |
| 2.3.1 航空发动机运行可靠性分析 | 第29-30页 |
| 2.3.2 航空发动机状态监测 | 第30-32页 |
| 2.4 面向可靠性分析的深度学习算法 | 第32-35页 |
| 2.4.1 航空发动机运行可靠性研究方法选择 | 第32-33页 |
| 2.4.2 自编码器 | 第33-34页 |
| 2.4.3 降噪自编码器 | 第34页 |
| 2.4.4 贪婪训练法 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于改进降噪自编码的航空发动机故障分析 | 第36-47页 |
| 3.1 概述 | 第36页 |
| 3.2 航空发动机故障分析问题 | 第36-37页 |
| 3.3 航空发动机气路故障分析方法设计 | 第37-41页 |
| 3.3.1 气路故障分析算法框架及流程 | 第37-38页 |
| 3.3.2 FRBF网络 | 第38-41页 |
| 3.3.2.1 RBF神经网络 | 第38-39页 |
| 3.3.2.2 萤火虫优化算法 | 第39页 |
| 3.3.2.3 改进的萤火虫算法 | 第39-40页 |
| 3.3.2.4 基于萤火虫优化算法FRBF | 第40-41页 |
| 3.4 基于降噪自编码和FRBF的航空发动机气路故障分析算法 | 第41-42页 |
| 3.5 实例分析 | 第42-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于降噪自编码器的航空发动机性能退化评估 | 第47-58页 |
| 4.1 概述 | 第47页 |
| 4.2 航空发动机性能退化评估的状态参数问题 | 第47-49页 |
| 4.2.1 航空发动机性能退化状态监测参数 | 第47-48页 |
| 4.2.2 发动机性能退化评估参数的选取 | 第48页 |
| 4.2.3 状态参数预处理 | 第48-49页 |
| 4.2.4 发动机状态监测中的噪声数据 | 第49页 |
| 4.3 基于降噪自编码器的航空发动机性能退化评估框架体系 | 第49-52页 |
| 4.3.1 针对小样本的网络改进dropout | 第50-51页 |
| 4.3.2 网络框架 | 第51-52页 |
| 4.4 算例分析 | 第52-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 基于深度学习集成网络的航空发动机可靠性预测 | 第58-68页 |
| 5.1 概述 | 第58-59页 |
| 5.2 航空发动机剩余使用寿命预测问题 | 第59-60页 |
| 5.3 基于深度学习集成网络的发动机剩余使用寿命预测方法 | 第60-63页 |
| 5.3.1 深度置信网络 | 第60-61页 |
| 5.3.1.1 训练深度置信网络模型 | 第61页 |
| 5.3.2 集成网络 | 第61-62页 |
| 5.3.2.1 集成网络的输出 | 第62页 |
| 5.3.3 预测方法框架 | 第62-63页 |
| 5.4 实例分析 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 研究总结 | 第68页 |
| 6.2 进一步研究与展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 在学期间的研究成果及发表的学术论文 | 第76页 |
