首页--航空、航天论文--航空论文--航空制造工艺论文--航空器的维护与修理论文

基于TFM三维信息流模型的维修排故技术研究

摘要第4-5页
abstract第5页
第一章 绪论第12-19页
    1.1 课题研究背景与意义第12-13页
    1.2 国内外研究现状第13-16页
        1.2.1 故障诊断研究现状第13-15页
        1.2.2 维修排故信息研究现状第15-16页
    1.3 现有方法的不足第16-17页
    1.4 本文的研究内容和章节安排第17-19页
第二章 基于本体与蚁群的维修排故信息集成第19-31页
    2.1 基于本体与蚁群的维修排故信息集成思路第19-20页
    2.2 维修排故信息初始本体建模第20-24页
        2.2.1 本体的概念和作用第20-21页
        2.2.2 本体描述语言第21-22页
        2.2.3 维修排故信息初始本体构建步骤第22-24页
    2.3 基于蚁群信息素的本体合成优化第24-27页
        2.3.1 基于蚁群信息素的本体合成优化步骤第24-25页
        2.3.2 基于蚁群信息素的本体合成优化算法第25-27页
    2.4 实验验证第27-29页
    2.5 本章小结第29-31页
第三章 基于功能结构的TFM三维信息流建模方法第31-47页
    3.1 TFM三维信息流模型定义及建模思路第31-32页
    3.2 基于FFA与SDG的TFM框架建模第32-37页
        3.2.1 系统功能故障分析第32-33页
        3.2.2 基于SDG的TFM框架模型建立第33-36页
        3.2.3 某型飞机气源系统TFM框架建模第36-37页
    3.3 基于多信号流图方法的测试-故障信息关联第37-39页
    3.4 基于贝叶斯网络的故障-维修信息映射第39-46页
        3.4.1 故障-维修本体映射实现方法第39-45页
        3.4.2 本体映射实验评估第45-46页
    3.5 本章小结第46-47页
第四章 基于TFM三维信息流模型的诊断排故算法第47-58页
    4.1 基于优化信息熵的故障诊断算法第47-51页
        4.1.1 信息熵的概念第47-48页
        4.1.2 信息熵理论处理测试-故障关联矩阵的可行性分析第48页
        4.1.3 基于优化信息熵的诊断算法第48-49页
        4.1.4 算法实例验证第49-51页
    4.2 基于模糊遗传神经网络与语义关联搜索的排故信息推送算法第51-57页
        4.2.1 信息推送简介第51-52页
        4.2.2 基于遗传模糊神经网络的动态预测算法第52-55页
        4.2.3 语义关联搜索算法第55-56页
        4.2.4 排故信息推送的实现第56-57页
    4.3 本章小结第57-58页
第五章 基于TFM三维信息流模型的维修排故系统设计与实现第58-75页
    5.1 系统需求分析及总体设计第58页
    5.2 系统总体设计第58-59页
    5.3 系统数据库设计第59-65页
        5.3.1 OWL本体存入数据库第60页
        5.3.2 维修手册存入数据库第60-63页
        5.3.3 故障信息存入数据库第63-64页
        5.3.4 测试信息存入数据库第64-65页
    5.4 子系统设计第65-67页
        5.4.1 维修排故信息管理子系统第65-66页
        5.4.2 测试诊断子系统第66-67页
        5.4.3 维修指导子系统第67页
    5.5 系统功能实现第67-74页
    5.6 本章小结第74-75页
第六章 总结与展望第75-77页
    6.1 本文主要完成工作第75-76页
    6.2 研究展望第76-77页
参考文献第77-81页
致谢第81-82页
在学期间的研究成果及发表的学术论文第82-83页
附录 气源系统TF矩阵中代号含义第83页

论文共83页,点击 下载论文
上一篇:天气影响下的终端区离场延误及延误传播预测
下一篇:飞行环境下人体运动感知初步研究