首页--航空、航天论文--航空论文--航空制造工艺论文--航空发动机制造论文--故障分析及排除论文

基于深度学习的飞行器动力系统故障诊断

摘要第4-5页
Abstract第5-6页
第一章 绪论第11-17页
    1.1 课题背景及研究意义第11-12页
    1.2 国内外发展概况第12-15页
        1.2.1 国外研究现状第12-14页
        1.2.2 国内研究现状第14-15页
    1.3 主要工作内容及章节安排第15-17页
第二章 深度学习理论概述第17-27页
    2.1 深度学习神经网络概况第17页
    2.2 深度学习理论及算法第17-19页
    2.3 深度学习神经网络的常用方法第19-24页
        2.3.1 自动编码网络第19-22页
        2.3.2 深度信念网络第22-23页
        2.3.3 卷积神经网络第23-24页
    2.4 Keras深度学习框架第24-26页
        2.4.1 深度学习框架介绍第24页
        2.4.2 深度学习环境搭建第24-26页
    2.5 本章小结第26-27页
第三章 基于堆栈降噪自编码网络的无人机故障诊断第27-45页
    3.1 六旋翼无人机故障分析第27-29页
        3.1.1 六旋翼无人机结构第27-28页
        3.1.2 六旋翼无人机执行器故障第28-29页
    3.2 基于SDAENs的无人机执行器故障诊断第29-37页
        3.2.1 数据样本的获取第31-32页
        3.2.2 数据预处理第32-33页
        3.2.3 基于SDAENs的无人机执行器故障诊断模型第33-37页
    3.3 无人机执行器故障诊断实验结果分析第37-42页
        3.3.1 不同样本长度的研究第37-40页
        3.3.2 不同AE层数的研究第40-42页
    3.4 无人机故障诊断模型的应用第42-44页
    3.5 本章小结第44-45页
第四章 基于深度神经网络的航空发动机故障诊断第45-61页
    4.1 航空发动机气路部件故障第45-48页
        4.1.1 航空发动机结构第45-46页
        4.1.2 航空发动机气路故障第46-48页
    4.2 基于深度神经网络的航空发动机气路部件故障诊断第48-54页
        4.2.1 数据样本的获取第49-50页
        4.2.2 数据预处理第50-51页
        4.2.3 基于深度神经网络的发动机气路部件故障诊断模型第51-54页
    4.3 航空发动机气路部件故障诊断实验结果分析第54-57页
    4.4 航空发动机气路部件故障诊断模型的应用第57-59页
    4.5 本章小结第59-61页
第五章 总结与展望第61-63页
    5.1 工作的总结第61-62页
    5.2 未来的展望第62-63页
参考文献第63-66页
致谢第66页

论文共66页,点击 下载论文
上一篇:单帧图像超分辨的深度学习方法改进
下一篇:室内移动机器人避障技术的研究与实现