| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 航空发动机故障诊断技术的研究现状 | 第14-15页 |
| 1.3 信息融合技术及其在发动机故障诊断中的应用现状 | 第15-16页 |
| 1.4 本文的内容安排 | 第16-18页 |
| 第二章 基于线性融合卡尔曼滤波器的发动机气路健康参数估计 | 第18-31页 |
| 2.1 发动机模型与气路部件故障分析 | 第18-21页 |
| 2.1.1 发动机非线性模型 | 第18-19页 |
| 2.1.2 发动机状态变量模型 | 第19页 |
| 2.1.3 发动机气路部件故障分析 | 第19-20页 |
| 2.1.4 发动机增广状态变量模型 | 第20-21页 |
| 2.2 基于线性卡尔曼滤波器的气路健康参数估计 | 第21-22页 |
| 2.2.1 线性卡尔曼滤波器 | 第21-22页 |
| 2.2.2 集中式滤波估计缺点分析 | 第22页 |
| 2.3 基于线性融合卡尔曼滤波器的气路健康参数估计 | 第22-30页 |
| 2.3.1 线性融合卡尔曼滤波器的设计 | 第22-26页 |
| 2.3.2 线性融合卡尔曼滤波最优性分析 | 第26-27页 |
| 2.3.3 线性卡尔曼滤波器气路健康估计仿真与分析 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于非线性融合滤波器的发动机气路健康参数估计 | 第31-48页 |
| 3.1 基于非线性融合卡尔曼滤波器的气路健康估计 | 第31-36页 |
| 3.1.1 扩展卡尔曼滤波 | 第31-32页 |
| 3.1.2 无迹卡尔曼滤波 | 第32-33页 |
| 3.1.3 非线性融合卡尔曼滤波的设计 | 第33-34页 |
| 3.1.4 非线性卡尔曼滤波器气路健康估计仿真与分析 | 第34-36页 |
| 3.2 基于融合自适应粒子滤波器的气路健康估计 | 第36-46页 |
| 3.2.1 标准粒子滤波 | 第36-37页 |
| 3.2.2 加入不等式约束的粒子滤波 | 第37-39页 |
| 3.2.3 基于小波变换的噪声自适应粒子滤波 | 第39-41页 |
| 3.2.4 发动机过渡态气路健康估计仿真与分析 | 第41-46页 |
| 3.3 本章小结 | 第46-48页 |
| 第四章 发动机气路部件故障融合诊断方法 | 第48-60页 |
| 4.1 发动机气路部件特征层故障融合诊断方法 | 第48-51页 |
| 4.1.1 特征参数估计 | 第48-49页 |
| 4.1.2 基于粒子滤波器的特征层故障诊断 | 第49-51页 |
| 4.2 发动机气路部件故障多层融合诊断方法 | 第51-56页 |
| 4.2.1 基于极限学习机的故障诊断 | 第51-53页 |
| 4.2.2 自适应加权D-S证据理论 | 第53-55页 |
| 4.2.3 发动机部件故障多层融合诊断原理 | 第55-56页 |
| 4.3 气路故障多层融合诊断仿真与分析 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 发动机气路部件故障与传感器故障融合诊断方法 | 第60-70页 |
| 5.1 传感器故障分析 | 第60页 |
| 5.2 基于融合滤波算法的发动机气路部件故障与传感器故障诊断 | 第60-66页 |
| 5.2.1 状态一致性故障检测与隔离机制 | 第60-62页 |
| 5.2.2 状态一致性FDI仿真与分析 | 第62-66页 |
| 5.3 基于EKF-AGA方法的发动机气路部件故障与传感器故障诊断 | 第66-69页 |
| 5.3.1 EKF-AGA故障融合诊断方法 | 第66-67页 |
| 5.3.2 EKF-AGA融合诊断方法仿真与分析 | 第67-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 本文主要工作总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 在学期间的研究成果及发表的学术论文 | 第77页 |
