基于大数据的直升机传动系统故障诊断与健康管理方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 论文研究的背景及意义 | 第17-19页 |
| 1.2 直升机传动系统国内外研究现状 | 第19-21页 |
| 1.2.1 国外研究现状 | 第19-20页 |
| 1.2.2 国内研究现状 | 第20-21页 |
| 1.3 本文的主要结构及安排 | 第21-23页 |
| 第二章 直升机传动系统分析与仿真 | 第23-39页 |
| 2.1 引言 | 第23页 |
| 2.2 直升机传动系统简介 | 第23-26页 |
| 2.3 传动系统故障模型 | 第26-31页 |
| 2.3.1 减速器故障分析 | 第26-29页 |
| 2.3.2 传动轴故障分析 | 第29-31页 |
| 2.4 传动系统信号的仿真 | 第31-35页 |
| 2.4.1 齿轮信号的仿真 | 第32-34页 |
| 2.4.2 传动轴信号的仿真 | 第34-35页 |
| 2.5 实验 | 第35-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 AP聚类在传动系统故障诊断中的特征提取 | 第39-49页 |
| 3.1 引言 | 第39页 |
| 3.2 特征参数的定义与提取 | 第39-41页 |
| 3.3 相似性传播聚类算法的研究 | 第41-43页 |
| 3.4 特征提取的实现方案和实验 | 第43-48页 |
| 3.4.1 特征提取的实现方案 | 第43-44页 |
| 3.4.2 实验 | 第44-47页 |
| 3.4.3 实验结果分析 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 直升机传动系统故障诊断 | 第49-63页 |
| 4.1 引言 | 第49-50页 |
| 4.2 改进AP聚类算法 | 第50-54页 |
| 4.2.1 AP算法的不足 | 第50页 |
| 4.2.2 AP算法的改进 | 第50-51页 |
| 4.2.3 实验方案 | 第51-52页 |
| 4.2.4 实验 | 第52-54页 |
| 4.2.5 实验分析 | 第54页 |
| 4.3 基于改进AP算法的故障诊断 | 第54-58页 |
| 4.3.1 实验 | 第54-57页 |
| 4.3.2 实验分析 | 第57-58页 |
| 4.4 基于大数据故障诊断的解决方案 | 第58-62页 |
| 4.4.1 在线大数据故障诊断解决方案 | 第58-60页 |
| 4.4.2 离线线大数据故障诊断解决方案 | 第60-61页 |
| 4.4.3 大数据故障整体解决方案 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 基于混合分层聚类的传动系统复杂故障诊断 | 第63-75页 |
| 5.1 引言 | 第63-64页 |
| 5.2 基于混合分层聚类的复杂故障诊断方法研究 | 第64-66页 |
| 5.3 故障诊断的评价指标 | 第66页 |
| 5.4 实验及应用研究 | 第66-73页 |
| 5.4.1 复杂故障诊断实验 | 第66-72页 |
| 5.4.2 实验分析 | 第72-73页 |
| 5.5 本章小结 | 第73-75页 |
| 第六章 直升机传动系统故障预测 | 第75-87页 |
| 6.1 隐马尔科夫基础理论 | 第76-80页 |
| 6.2 隐马尔可夫故障预测模型 | 第80-82页 |
| 6.3 应用研究 | 第82-86页 |
| 6.4 本章小结 | 第86-87页 |
| 第七章 总结与展望 | 第87-89页 |
| 7.1 论文结论 | 第87页 |
| 7.2 研究展望 | 第87-89页 |
| 参考文献 | 第89-93页 |
| 致谢 | 第93-95页 |
| 作者简介 | 第95-96页 |
