| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及问题 | 第10-12页 |
| 1.3 故障预测方法 | 第12-13页 |
| 1.4 本文研究的主要内容 | 第13-14页 |
| 第二章 A320空调系统PACK故障分析 | 第14-24页 |
| 2.1 A320空调系统概述 | 第15-18页 |
| 2.2 A320空调冷却系统 | 第18-21页 |
| 2.2.1 冷却系统主要部件 | 第18页 |
| 2.2.2 空调PACK各部分功能分析 | 第18-19页 |
| 2.2.3 空调PACK正常工作机制 | 第19-21页 |
| 2.3 空调PACK三种故障分析 | 第21-22页 |
| 2.3.1 空调PACK过热故障 | 第21页 |
| 2.3.2 压气机出口超温故障 | 第21页 |
| 2.3.3 空调PACK出口超温故障 | 第21-22页 |
| 2.4 空调PACK三种故障的状态参数 | 第22-23页 |
| 2.4.1 特征参数选取 | 第22页 |
| 2.4.2 空调PACK三种故障与两个特征参数的评定规则 | 第22-23页 |
| 2.5 小结 | 第23-24页 |
| 第三章 基于灰色理论的A320空调系统故障趋势预测 | 第24-37页 |
| 3.1 灰色理论预测特点 | 第24-25页 |
| 3.1.1 灰色预测方法的特点 | 第24页 |
| 3.1.2 灰预测数据内涵特点 | 第24-25页 |
| 3.2 GM(1,1)模型预测PACK特征参数趋势 | 第25-30页 |
| 3.2.1 GM(1,1)定义型及机理 | 第25-27页 |
| 3.2.2 GM(1,1)模型参数辨识 | 第27-28页 |
| 3.2.3 残差检验与精度计算 | 第28-29页 |
| 3.2.4 GM(1,1)模型预测PACK特征参数趋势 | 第29页 |
| 3.2.5 GM(1,1)在PACK运行趋势预测中的不足 | 第29-30页 |
| 3.3 改进GM(1,1)预测模型 | 第30-32页 |
| 3.3.1 波动序列的预处理 | 第30-31页 |
| 3.3.2 背景值的构造 | 第31-32页 |
| 3.4 改进GM(1,1)模型预测PACK特征参数趋势 | 第32-36页 |
| 3.4.1 改进GM(1,1)预测模型流程图 | 第32-33页 |
| 3.4.2 PACK故障特征参数预测 | 第33-36页 |
| 3.5 小结 | 第36-37页 |
| 第四章 基于BP网络的A320空调系统故障趋势预测 | 第37-46页 |
| 4.1 BP神经网络 | 第37-39页 |
| 4.1.1 BP神经网络结构 | 第37-38页 |
| 4.1.2 BP网络预测特点 | 第38页 |
| 4.1.3 BP算法的数学描述 | 第38-39页 |
| 4.2 基于BP网络的PACK趋势预测模型 | 第39-42页 |
| 4.2.1 BP网络神经元个数确定 | 第39-40页 |
| 4.2.2 BP网络算法流程图 | 第40页 |
| 4.2.3 BP网络预测步骤 | 第40-42页 |
| 4.3 BP网络预测PACK故障特征参数 | 第42-45页 |
| 4.3.1 样本数据 | 第42-43页 |
| 4.3.2 BP网络训练参数选取 | 第43-44页 |
| 4.3.3 BP网络预测结果 | 第44-45页 |
| 4.4 小结 | 第45-46页 |
| 结论 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 附录 | 第51-52页 |
| 作者简介 | 第52页 |
