基于分层信息融合技术的航空发动机故障诊断方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·航空发动机故障概述 | 第9-10页 |
| ·航空发动机故障诊断技术研究意义 | 第10页 |
| ·航空发动机故障诊断技术研究现状 | 第10-14页 |
| ·本论文的主要研究工作 | 第14-15页 |
| 第二章 信息融合故障诊断技术基本理论 | 第15-26页 |
| ·信息融合技术基础 | 第15-21页 |
| ·概述 | 第15-16页 |
| ·信息融合原理 | 第16-17页 |
| ·常用信息融合方法 | 第17-20页 |
| ·信息融合的层次 | 第20-21页 |
| ·信息融合关键技术 | 第21页 |
| ·基于信息融合故障诊断的数学原理 | 第21-23页 |
| ·信息融合故障诊断模型 | 第23-25页 |
| ·信息融合故障诊断功能模型 | 第23-24页 |
| ·信息融合样本 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 神经网络理论故障诊断研究 | 第26-43页 |
| ·概述 | 第26-27页 |
| ·人工神经网络模型 | 第27-32页 |
| ·单输入神经元模型 | 第27-28页 |
| ·多输入神经元模型 | 第28页 |
| ·神经网络结构 | 第28-29页 |
| ·神经网络学习规则 | 第29-32页 |
| ·BP 神经网络 | 第32-36页 |
| ·BP 神经网络概述 | 第32页 |
| ·BP 神经网络结构 | 第32-34页 |
| ·BP 神经网络学习算法 | 第34-36页 |
| ·Elman 神经网络 | 第36-37页 |
| ·Elman 神经网络结构 | 第36-37页 |
| ·Elman 神经网络学习过程 | 第37页 |
| ·RBF 神经网络 | 第37-39页 |
| ·RBF 神经网络结构 | 第37-38页 |
| ·RBF 神经网络学习过程 | 第38-39页 |
| ·自组织特征映射神经网络 | 第39-41页 |
| ·基于神经网络的航空发动机故障诊断 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于D-S 证据理论的故障诊断方法研究 | 第43-52页 |
| ·证据理论概述 | 第43页 |
| ·证据理论基础 | 第43-48页 |
| ·基本定义 | 第43-45页 |
| ·证据理论合成规则 | 第45-46页 |
| ·冲突证据的D-S 合成规则 | 第46页 |
| ·证据理论决策方法 | 第46-48页 |
| ·基于D-S 证据理论的航空发动机故障诊断方法 | 第48-49页 |
| ·基本诊断模型 | 第48页 |
| ·诊断基本步骤 | 第48-49页 |
| ·基于D-S 证据理论的发动机故障诊断算例 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 分层信息融合故障诊断方法 | 第52-63页 |
| ·分层信息融合故障诊断功能模型 | 第52-53页 |
| ·分层信息融合故障诊断方法一般步骤 | 第53页 |
| ·基于神经网络的初步诊断层 | 第53-61页 |
| ·发动机故障样本 | 第53-54页 |
| ·基于BP 神经网络的发动机故障诊断 | 第54-57页 |
| ·基于Elman 神经网络的发动机故障诊断 | 第57-58页 |
| ·基于RBF 神经网络的发动机故障诊断 | 第58-60页 |
| ·三种神经网络初步诊断结果统计分析 | 第60-61页 |
| ·基于D-S 证据理论的决策融合诊断层 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 总结和展望 | 第63-65页 |
| 总结 | 第63页 |
| 展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间取得的学术成果 | 第68-69页 |
| 致谢 | 第69页 |
