| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 前言 | 第10-17页 |
| ·论文研究背景及意义 | 第10-11页 |
| ·故障诊断技术 | 第11-13页 |
| ·故障诊断技术的发展 | 第11-12页 |
| ·故障诊断方法 | 第12-13页 |
| ·故障诊断技术的前景 | 第13页 |
| ·故障诊断在航空发动机中的应用情况 | 第13-15页 |
| ·小偏差故障方程法 | 第14页 |
| ·基于非线性模型的方法 | 第14-15页 |
| ·基于人工智能的方法 | 第15页 |
| ·目前发动机气路故障诊断技术面临的一些问题 | 第15-16页 |
| ·本文的主要工作及研究内容 | 第16-17页 |
| ·论文主要工作 | 第16页 |
| ·论文的结构安排 | 第16-17页 |
| 第二章 粗糙集理论基础知识及其在故障诊断中的应用 | 第17-29页 |
| ·粗糙集理论基础知识 | 第17-21页 |
| ·知识与分类 | 第17-18页 |
| ·粗糙集的定义 | 第18-19页 |
| ·粗糙集的知识表示 | 第19-20页 |
| ·知识的相对约简和相对核 | 第20-21页 |
| ·基于粗糙集理论的建模过程 | 第21-24页 |
| ·空值处理 | 第21页 |
| ·属性离散化 | 第21-22页 |
| ·约简计算 | 第22-23页 |
| ·规则导出 | 第23-24页 |
| ·基于粗糙集的故障诊断研究 | 第24-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 神经网络基础知识及其在故障诊断中的应用 | 第29-42页 |
| ·神经网络基础 | 第29-33页 |
| ·神经元模型 | 第29-30页 |
| ·神经网络的拓扑结构 | 第30-31页 |
| ·神经网络的学习规则 | 第31-33页 |
| ·典型结构的神经网络 | 第33-38页 |
| ·反向传播（BP）网络 | 第33-35页 |
| ·自组织特征映射（SOFM）网络 | 第35-38页 |
| ·神经网络在故障诊断中的研究 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 粗糙集和神经网络相集成的研究 | 第42-48页 |
| ·粗糙集与神经网络集成的主要方式 | 第42-44页 |
| ·松耦合方式 | 第42-43页 |
| ·强耦合方式 | 第43-44页 |
| ·基于松耦合方式的粗糙神经网络 | 第44-47页 |
| ·粗糙神经网络的体系结构 | 第44-45页 |
| ·对SOFM 和差别矩阵的属性离散化算法研究 | 第45-46页 |
| ·输出结果分析处理 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 民航发动机气路故障诊断技术 | 第48-57页 |
| ·气路性能监控和故障诊断 | 第48-52页 |
| ·数据采集 | 第48页 |
| ·发动机偏差计算与数据平滑 | 第48-49页 |
| ·性能监控与故障分析 | 第49-52页 |
| ·利用COMPASS 对AE3007 发动机进行气路故障诊断 | 第52-56页 |
| ·AE3007 发动机简介 | 第52-53页 |
| ·利用COMPASS 进行故障诊断的方法概述 | 第53-54页 |
| ·利用COMPASS 进行故障诊断的实例 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 基于粗糙神经网络的 AE3007 气路故障诊断研究 | 第57-65页 |
| ·样本数据的选取 | 第57-58页 |
| ·粗糙集部分的计算过程 | 第58-61页 |
| ·神经网络部分的计算过程 | 第61-62页 |
| ·分析并输出粗糙神经网络结果 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70-78页 |
| 攻读硕士学位期间取得的学术成果 | 第78-79页 |
| 致谢 | 第79页 |