航空发动机状态预测与健康管理中的气路数据挖掘方法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第一章 绪论 | 第11-18页 |
| ·研究背景与意义 | 第11-13页 |
| ·预测与健康管理(PHM)研究现状 | 第13-16页 |
| ·国外研究现状 | 第13-15页 |
| ·国内研究现状 | 第15-16页 |
| ·PHM的数据挖掘研究现状 | 第16-17页 |
| ·国外研究现状 | 第16页 |
| ·国内研究现状 | 第16-17页 |
| ·本文主要内容 | 第17-18页 |
| 第二章 航空发动机气路参数样本收集与预处理 | 第18-24页 |
| ·Trent700发动机简介 | 第18页 |
| ·航空发动机主要监控的气路参数 | 第18-20页 |
| ·气路数据收集 | 第20-21页 |
| ·数据异常点识别与处理 | 第21-24页 |
| ·拉依达法则 | 第21-22页 |
| ·粗大误差去除 | 第22-24页 |
| 第三章 航空发动机基线建模 | 第24-31页 |
| ·引言 | 第24页 |
| ·发动机基线简介 | 第24页 |
| ·基线模型建立 | 第24-31页 |
| ·建模思路 | 第24-26页 |
| ·数据标准化 | 第26-27页 |
| ·基线值求取 | 第27-28页 |
| ·基线数据回归分析 | 第28-29页 |
| ·基线准确度检验 | 第29-31页 |
| 第四章 支持向量机理论 | 第31-44页 |
| ·统计学习理论 | 第31-36页 |
| ·统计学习理论的产生 | 第31页 |
| ·经验风险最小化原则下统计学习一致性条件 | 第31-33页 |
| ·VC维理论与推广性的界 | 第33-35页 |
| ·结构风险最小化 | 第35-36页 |
| ·支持向量机基础与分类算法理论 | 第36-42页 |
| ·引言 | 第36页 |
| ·SVM的基本思想 | 第36-39页 |
| ·支持向量机分类算法理论 | 第39-42页 |
| ·核函数 | 第42-44页 |
| 第五章 航空发动机气路参数偏差量趋势预测 | 第44-72页 |
| ·引言 | 第44-45页 |
| ·支持向量机回归算法 | 第45-49页 |
| ·线性支持向量机回归 | 第46-48页 |
| ·非线性支持向量机回归 | 第48-49页 |
| ·基于SVM的气路参数偏差量单点预测 | 第49-64页 |
| ·建模思路与目的 | 第49页 |
| ·原始数据提取 | 第49-50页 |
| ·MATLAB实现途径 | 第50页 |
| ·SVM模型参数的选择 | 第50-56页 |
| ·SVM回归器训练 | 第56-58页 |
| ·SVM回归器预测能力检验 | 第58-64页 |
| ·基于SVM的气路参数偏差量信息粒化范围预测 | 第64-72页 |
| ·建模背景 | 第64-65页 |
| ·信息粒化理论 | 第65-66页 |
| ·建模思路与目的 | 第66页 |
| ·模糊信息粒化 | 第66-67页 |
| ·GrSVM模型参数的选择 | 第67-68页 |
| ·GrSVM回归器训练 | 第68-69页 |
| ·GrSVM回归器预测能力检验 | 第69-72页 |
| 结论与展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 攻读硕士学位期间取得的学术成果 | 第76-77页 |
| 致谢 | 第77页 |
