| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国内研究现状 | 第12-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 本文主要内容 | 第14-16页 |
| 1.3.1 研究目标 | 第14页 |
| 1.3.2 研究内容 | 第14-16页 |
| 第二章 航空发动机振动故障原理分析 | 第16-25页 |
| 2.1 振动信号分析基础 | 第16-20页 |
| 2.1.1 振动信号基本概念 | 第16-17页 |
| 2.1.2 振动信号分析 | 第17-20页 |
| 2.2 航空发动机振动机理 | 第20-23页 |
| 2.2.1 发动机整机振动 | 第20-21页 |
| 2.2.2 转子振动 | 第21-23页 |
| 2.3 航空发动机振动故障诊断 | 第23-24页 |
| 2.3.1 航空发动机的故障分析 | 第23-24页 |
| 2.3.2 航空发动机状态识别的复杂性和有效性 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 振动信号去噪方法的应用研究 | 第25-37页 |
| 3.1 傅里叶变换 | 第25-26页 |
| 3.2 信号去噪效果比较准则 | 第26-27页 |
| 3.3 小波分析去噪与小波阈值去噪 | 第27-33页 |
| 3.3.1 小波分析去噪基函数的选择 | 第27-30页 |
| 3.3.2 小波阈值去噪基本原理 | 第30-32页 |
| 3.3.3 阈值的选择 | 第32-33页 |
| 3.4 去噪仿真实验 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于小波分析的航空发动机振动故障特征值提取 | 第37-53页 |
| 4.1 小波变换相关参数 | 第37-39页 |
| 4.1.1 小波基函数的选取 | 第37-38页 |
| 4.1.2 小波阶数的选择 | 第38页 |
| 4.1.3 小波包分解层数的选择 | 第38-39页 |
| 4.2 频谱分析 | 第39-44页 |
| 4.2.1 发动机振动信号的采集 | 第39-40页 |
| 4.2.2 信号的分解与重构 | 第40页 |
| 4.2.3 转子不对中故障 | 第40-43页 |
| 4.2.4 转子不平衡故障 | 第43页 |
| 4.2.5 转动与静止件碰摩的振动故障 | 第43-44页 |
| 4.3 基于小波能量谱的航空发动机振动信号特征值的提取 | 第44-52页 |
| 4.3.1 基于离散小波能量谱的航空发动机振动信号特征值的提取 | 第44-48页 |
| 4.3.2 基于连续小波能量谱的航空发动机振动信号特征值的提取 | 第48-51页 |
| 4.3.3 连续小波变换与离散小波变换之间的对比 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于小波神经网络的航空发动机故障诊断研究 | 第53-65页 |
| 5.1 神经网络基础 | 第53-55页 |
| 5.1.1 神经网络原理 | 第53-54页 |
| 5.1.2 神经网络的学习能力 | 第54-55页 |
| 5.2 BP神经网络和Elman神经网络 | 第55-57页 |
| 5.2.1 BP神经网络模型 | 第55-56页 |
| 5.2.2 BP神经网络的训练 | 第56页 |
| 5.2.3 Elman神经网络模型 | 第56-57页 |
| 5.2.4 Elman神经网络的训练 | 第57页 |
| 5.3 小波神经网络 | 第57-64页 |
| 5.3.1 小波神经网络的定义 | 第57-58页 |
| 5.3.2 基于小波包能量谱和BP网络的故障诊断 | 第58-61页 |
| 5.3.3 基于小波包及时域特征结合的BP网络故障诊断 | 第61-63页 |
| 5.3.4 基于连续小波变换的BP网络故障诊断 | 第63页 |
| 5.3.5 基于连续小波变换的Elman神经网络故障诊断 | 第63-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 结论 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士期间发表的学术论文 | 第72页 |
