基于信息融合技术的航空发动机故障诊断研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-18页 |
| 1.1 选题背景和意义 | 第8-9页 |
| 1.2 航空发动机故障诊断的研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 信息融合技术 | 第11-17页 |
| 1.3.1 信息融合的基本原理 | 第11-12页 |
| 1.3.2 信息融合模型 | 第12-14页 |
| 1.3.3 信息融合算法 | 第14-16页 |
| 1.3.4 信息融合在航空发动机故障诊断中的应用 | 第16-17页 |
| 1.4 本文研究内容安排 | 第17-18页 |
| 2 神经网络技术在故障诊断中的应用 | 第18-34页 |
| 2.1 人工神经网络概述 | 第18-19页 |
| 2.2 BP网络简介 | 第19-22页 |
| 2.2.1 BP网络的结构 | 第19-20页 |
| 2.2.2 改进的BP网络学习算法 | 第20-22页 |
| 2.3 神经网络结构的设计 | 第22-25页 |
| 2.3.1 输入输出层的设计 | 第22-24页 |
| 2.3.2 隐层的设计 | 第24-25页 |
| 2.4 发动机气路故障分析和诊断 | 第25-28页 |
| 2.4.1 发动机气路故障分析 | 第25-27页 |
| 2.4.2 发动机气路故障诊断 | 第27-28页 |
| 2.5 发动机气路故障诊断实例分析 | 第28-33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 基于D-S证据理论的信息融合故障诊断方法 | 第34-43页 |
| 3.1 D-S证据理论概述和基本概念 | 第34-37页 |
| 3.1.1 D-S证据理论概述 | 第34-35页 |
| 3.1.2 基本定义 | 第35-36页 |
| 3.1.3 D-S合成规则 | 第36-37页 |
| 3.1.4 D-S证据推理信息融合决策的基本过程 | 第37页 |
| 3.2 基于D-S证据理论的信息融合故障诊断方法 | 第37-42页 |
| 3.2.1 诊断模型的建立 | 第37-38页 |
| 3.2.2 诊断的基本步骤 | 第38-39页 |
| 3.2.3 多传感器多测量周期可信度分配的融合 | 第39-41页 |
| 3.2.4 D-S证据理论算例分析 | 第41-42页 |
| 3.3 本章小结 | 第42-43页 |
| 4 基于信息融合技术的航空发动机故障诊断 | 第43-56页 |
| 4.1 某型号涡扇发动机结构概况 | 第43-45页 |
| 4.2 信息融合故障诊断技术的理论基础 | 第45-47页 |
| 4.3 基于信息融合技术的故障诊断模型 | 第47-51页 |
| 4.3.1 信息融合的功能模型 | 第47-48页 |
| 4.3.2 信息融合故障诊断的一般框架 | 第48-49页 |
| 4.3.3 分层信息融合诊断功能模型 | 第49-51页 |
| 4.4 航空发动机故障诊断模型 | 第51-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 全文总结 | 第56页 |
| 5.2 工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间主要的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
