| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题的来源和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 第二章 航空发动机滑油系统及健康管理概述 | 第15-24页 |
| 2.1 发动机滑油系统概述 | 第15-16页 |
| 2.1.1 滑油系统的功用 | 第15-16页 |
| 2.1.2 滑油循环量和消耗量 | 第16页 |
| 2.2 滑油系统的组成和分类 | 第16-20页 |
| 2.2.1 再循环式滑油系统按循环性质分类 | 第17-19页 |
| 2.2.2 再循环式滑油系统按回路方式分类 | 第19-20页 |
| 2.3 航空发动机滑油系统健康管理 | 第20-22页 |
| 2.3.1 滑油系统工作参数监控 | 第21页 |
| 2.3.2 滑油中屑末检测 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 基于SOM神经网络的航空发动机滑油系统健康管理 | 第24-31页 |
| 3.1 SOM神经网络 | 第24-26页 |
| 3.1.1 SOM神经网络结构 | 第24-25页 |
| 3.1.2 SOM神经网络学习算法 | 第25-26页 |
| 3.2 航空发动机滑油系统健康评估实例分析 | 第26-30页 |
| 3.2.1 建立健康评估系统 | 第26-27页 |
| 3.2.2 基于SOM网的健康评估 | 第27-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第四章 基于支持向量回归机的滑油系统性能参数趋势分析 | 第31-45页 |
| 4.1 支持向量机理论概述 | 第31-32页 |
| 4.2 支持向量机算法 | 第32-35页 |
| 4.2.1 SVM算法原理 | 第32-34页 |
| 4.2.2 核函数 | 第34-35页 |
| 4.2.3 SVM特征 | 第35页 |
| 4.3 遗传算法理论 | 第35-37页 |
| 4.3.1 遗传算法概述 | 第35-36页 |
| 4.3.2 自变量降维概述 | 第36-37页 |
| 4.4 滑油系统参数趋势预测 | 第37-44页 |
| 4.4.1 滑油温度预测模型及时间序列分析 | 第37-39页 |
| 4.4.2 滑油压力预测模型及时间序列分析 | 第39-41页 |
| 4.4.3 滑油量预测模型及时间序列分析 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 航空发动机健康评估研究 | 第45-55页 |
| 5.1 基于灰色关联度及层次分析法的研究方法 | 第45-49页 |
| 5.1.1 灰色关联基本原理 | 第45-46页 |
| 5.1.2 层次分析法基本原理 | 第46页 |
| 5.1.3 对于传统层次分析法的改进方法 | 第46-47页 |
| 5.1.4 基于灰色关联分析及层次分析法的健康评估模型 | 第47-48页 |
| 5.1.5 航空发动机健康评价体系具体步骤： | 第48-49页 |
| 5.2 航空发动机健康状况综合评估实例 | 第49-52页 |
| 5.2.1 建立发动机参数矩阵 | 第49页 |
| 5.2.2 确定参考序列 | 第49-50页 |
| 5.2.3 计算关联度系数矩阵 | 第50页 |
| 5.2.4 计算方案层指标相对于目标层的总优先向量 | 第50-51页 |
| 5.2.5 计算加权关联度 | 第51-52页 |
| 5.3 基于SOM神经网络及层次分析法的航空发动机健康评估模型 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 作者简介 | 第60页 |
