| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 前言 | 第10-19页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 故障诊断基本概念 | 第11-15页 |
| 1.2.1 故障诊断技术 | 第12-13页 |
| 1.2.2 航空发动机故障诊断技术途径及发展概况 | 第13-15页 |
| 1.3 国内外研究与应用现状分析 | 第15-17页 |
| 1.4 本文的研究目的和研究工作安排 | 第17-19页 |
| 第二章 航空发动机故障诊断的基础知识 | 第19-26页 |
| 2.1 发动机故障诊断的基本概念 | 第19页 |
| 2.2 航空发动机故障分类 | 第19-20页 |
| 2.3 航空发动机故障诊断存在的主要问题 | 第20-21页 |
| 2.4 航空发动机故障诊断指标 | 第21-22页 |
| 2.5 航空发动机故障诊断方法 | 第22-26页 |
| 2.5.1 基于信号处理的故障诊断 | 第22-23页 |
| 2.5.2 基于数学模型的故障诊断 | 第23-24页 |
| 2.5.3 基于人工智能的故障诊断 | 第24-26页 |
| 第三章 基于极限学习机的故障诊断算法理论研究 | 第26-35页 |
| 3.1 故障数据的特征提取 | 第26-29页 |
| 3.1.1 主成分分析法 | 第26-27页 |
| 3.1.2 费舍尔判别分析法 | 第27-29页 |
| 3.2 极限学习机学习算法理论 | 第29-32页 |
| 3.3 遗传算法简介 | 第32页 |
| 3.4 遗传-极限学习机参数优化 | 第32-35页 |
| 第四章 航空发动机气路故障诊断算法研究 | 第35-62页 |
| 4.1 航空发动机气路故障诊断基础理论知识 | 第35-44页 |
| 4.2 基于BP神经网络的航空发动机气路故障诊断 | 第44-48页 |
| 4.2.1 BP神经网络算法理论 | 第44-46页 |
| 4.2.2 BP神经神经网络的气路故障诊断结果 | 第46-48页 |
| 4.3 基于支持向量机的航空发动机气路故障诊断 | 第48-53页 |
| 4.3.1 传统支持向量机理论 | 第48-50页 |
| 4.3.2 核函数支持向量机 | 第50-51页 |
| 4.3.3 支持向量机的气路故障诊断结果 | 第51-53页 |
| 4.4 基于遗传-极限学习机的航空发动机气路故障诊断结果 | 第53-59页 |
| 4.5 实验结果研究 | 第59-62页 |
| 第五章 发动机轴承故障诊断 | 第62-70页 |
| 5.1 云模型理论 | 第62-63页 |
| 5.2 云模型发生器 | 第63-64页 |
| 5.3 云-神经网络模型 | 第64-65页 |
| 5.4 发动机转子故障诊断 | 第65-67页 |
| 5.5 实验结果及分析 | 第67-70页 |
| 总结与展望 | 第70-72页 |
| 总结 | 第70页 |
| 展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 攻读硕士学位期间取得的学术成果 | 第74-75页 |
| 致谢 | 第75页 |