摘要 | 第1-5页 |
ABSTRACT | 第5-15页 |
第一章 绪论 | 第15-21页 |
·航空发动机故障诊断现状 | 第15-16页 |
·知识获取在在航空发动机故障智能诊断中的意义 | 第16-17页 |
·神经网络专家系统的应用现状 | 第17-18页 |
·神经网络规则提取研究现状 | 第18-19页 |
·基于结构分析的方法 | 第18-19页 |
·基于功能分析的方法 | 第19页 |
·本文主要研究内容 | 第19-21页 |
第二章 神经网络专家系统原理 | 第21-34页 |
·专家系统起源、发展与现状 | 第21页 |
·基于规则的专家系统 | 第21-22页 |
·神经网络专家系统原理 | 第22-31页 |
·神经网络专家系统优点 | 第22-24页 |
·人工神经网络的拓扑结构及学习规则 | 第24-27页 |
·生物神经元与人工神经元模型 | 第24-25页 |
·人工神经元模型 | 第25-26页 |
·人工神经网络的拓扑结构 | 第26-27页 |
·人工神经网络的学习规则 | 第27页 |
·多层前向神经网络模型及BP 算法 | 第27-31页 |
·BP 网络及BP 算法 | 第27-30页 |
·BP 网络及BP 算法的缺陷及解决方法 | 第30-31页 |
·神经网络智能诊断专家系统诊断流程 | 第31-34页 |
·数据预处理 | 第31页 |
·神经网络诊断模型设计 | 第31-32页 |
·神经网络泛化能力测试 | 第32-34页 |
第三章 神经网络规则提取方法 | 第34-39页 |
·神经网络规则提取的意义 | 第34页 |
·神经网络规则提取技术的研究现状 | 第34-39页 |
·基于结构分析法的规则提取技术 | 第35-37页 |
·基于功能分析法的规则提取技术 | 第37-39页 |
第四章 一种基于功能性分析的神经网络规则提取新方法 | 第39-64页 |
·特征排序与选取 | 第39-41页 |
·平均值方差法 | 第39-40页 |
·熵法 | 第40-41页 |
·连续属性离散 | 第41-45页 |
·训练样本产生 | 第45页 |
·神经网络训练 | 第45-50页 |
·结构风险最小原则 | 第45-47页 |
·实现结构风险最小化思想的结构自适应神经网络模型 | 第47-48页 |
·神经网络识别 | 第48-49页 |
·结构自适应神经网络分类验证 | 第49-50页 |
·示例样本产生 | 第50-51页 |
·规则提取 | 第51-55页 |
·基本概念 | 第51-52页 |
·分层穷举式规则提取方法 | 第52-53页 |
·规则提取方法验证 | 第53-55页 |
·模拟数据验证 | 第53-54页 |
·UCI 数据验证 | 第54-55页 |
·神经网络规则提取流程 | 第55-56页 |
·神经网络规则提取方法验证 | 第56-64页 |
·IRIS(鸢尾花)数据 | 第56-60页 |
·人群分类数据 | 第60-64页 |
第五章 神经网络规则提取在转子故障诊断中的应用研究 | 第64-83页 |
·航空发动机转子部件常见故障及特征分析 | 第64-68页 |
·概述 | 第64页 |
·转子系统振动故障机理及特征分析 | 第64-68页 |
·转子不平衡 | 第64-66页 |
·转子不对中 | 第66页 |
·转静碰摩 | 第66-67页 |
·油膜涡动及油膜振荡 | 第67-68页 |
·航空发动机转子部件常见故障实验 | 第68-76页 |
·ZL-3 多功能转子故障模拟实验台实验 | 第68-73页 |
·实验台及测试系统简介 | 第68-69页 |
·转子故障的实验 | 第69-73页 |
·航空发动机转子实验器 | 第73-76页 |
·航空发动机转子实验器 | 第73-74页 |
·航空发动机转子实验器振动测试系统 | 第74-75页 |
·航空发动机转子实验器碰摩故障实验 | 第75-76页 |
·从转子故障样本数据中提取诊断规则 | 第76-83页 |
·从ZL-3 多功能转子故障模拟实验台的模拟故障样本中获取的诊断知识 | 第76-79页 |
·航空发动机转子实验器中获取的诊断知识 | 第79-83页 |
第六章 总结与展望 | 第83-84页 |
参考文献 | 第84-89页 |
附表1 IRIS(鸢尾花)数据 | 第89-92页 |
附表2 人群分类数据 | 第92-93页 |
附表3 ZL-3 多功能转子实验台模拟故障样本 | 第93-95页 |
附表4 航空发动机转子实验器碰摩故障样本 | 第95-96页 |
致谢 | 第96-97页 |
攻读硕士期间所发表的论文 | 第97页 |