航空发动机状态监视和故障诊断方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 绪论 | 第12-18页 |
| ·研究背景和研究意义 | 第12-13页 |
| ·航空发动机性能监视方法 | 第13-16页 |
| ·基于模型的状态监控 | 第13-14页 |
| ·基于稳态数据的监控方法 | 第14-15页 |
| ·基于非额定工作点数据的监控方法 | 第15-16页 |
| ·航空发动机故障诊断技术 | 第16-17页 |
| ·传感器故障诊断和容错控制 | 第16页 |
| ·气路故障诊断 | 第16-17页 |
| ·本文的内容安排 | 第17-18页 |
| 第二章 航空发动机状态变量模型 | 第18-27页 |
| ·航空发动机部件级模型 | 第18-20页 |
| ·发动机状态变量模型 | 第20-21页 |
| ·拟合法建模 | 第21-26页 |
| ·拟合法 | 第21页 |
| ·改进拟合法求A，B 矩阵 | 第21-23页 |
| ·改进拟合法求C，D 矩阵 | 第23-24页 |
| ·改进拟合法精度检验 | 第24-25页 |
| ·连续状态方程的离散化 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 航空发动机性能监视 | 第27-37页 |
| ·包含健康参数的状态变量模型 | 第27-29页 |
| ·卡尔曼滤波理论 | 第29-31页 |
| ·卡尔曼滤波器设计 | 第29-30页 |
| ·加约束的卡尔曼滤波器 | 第30-31页 |
| ·滤波器的稳定性、可观性 | 第31-32页 |
| ·滤波器的稳定性 | 第31-32页 |
| ·滤波器的可观性 | 第32页 |
| ·带约束的卡尔曼滤波器观测系统健康参数 | 第32-36页 |
| ·Q，R 对滤波器的影响 | 第33-34页 |
| ·W、V 阵对滤波结果的影响 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 航空发动机神经网络模型 | 第37-63页 |
| ·神经网络基本理论 | 第37-41页 |
| ·神经网络 | 第37页 |
| ·神经网络的主要特点 | 第37页 |
| ·BP 和小波网络结构 | 第37-38页 |
| ·BP、小波网络的学习算法 | 第38-39页 |
| ·网络初始化 | 第39-41页 |
| ·神经网络模型选取 | 第41-43页 |
| ·网络存储空间需求和实时性验证 | 第43-44页 |
| ·网络存储空间占用量 | 第43页 |
| ·实时性验证 | 第43-44页 |
| ·发动机人工神经网络模型建立 | 第44-51页 |
| ·数据归一化处理 | 第44-45页 |
| ·稳态数据提取 | 第45-46页 |
| ·动态数据提取 | 第46-50页 |
| ·测试数据 | 第50-51页 |
| ·精度检验 | 第51-57页 |
| ·稳态输出比较 | 第51-53页 |
| ·动态输出比较 | 第53-57页 |
| ·最小需求数据量研究 | 第57-62页 |
| ·稳态比较 | 第58-59页 |
| ·动态比较 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 航空发动机传感器和气路故障诊断 | 第63-72页 |
| ·基于发动机神经网络模型的故障诊断方法 | 第63-67页 |
| ·基于神经网络模型的传感器故障诊断 | 第63-64页 |
| ·基于神经网络模型的容错控制方法 | 第64-67页 |
| ·基于小波神经网络组的发动机故障诊断方法 | 第67-71页 |
| ·问题的提出 | 第67页 |
| ·小波神经网络组的组成和训练 | 第67-68页 |
| ·网络组和单个网络诊断能力比较 | 第68-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 总结和展望 | 第72-74页 |
| ·总结 | 第72-73页 |
| ·未来工作展望 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 致谢 | 第77-78页 |
| 在学期间的研究成果及发表的学术论文 | 第78页 |
