首页--航空、航天论文--航空论文--航空制造工艺论文--航空器的维护与修理论文

数据驱动的民用舵机故障诊断方法研究

摘要第5-7页
Abstract第7-8页
第一章 绪论第12-21页
    1.1 课题研究背景及意义第12-14页
        1.1.1 研究背景第12-13页
        1.1.2 研究意义第13-14页
    1.2 间歇过程特性分析第14-15页
    1.3 研究现状与发展趋势第15-19页
        1.3.1 航空界第15-18页
        1.3.2 学术界第18-19页
    1.4 论文的主要研究内容第19-21页
第二章 数学基础第21-27页
    2.1 协方差矩阵第21-22页
    2.2 核函数方法第22-24页
    2.3 K最近邻(K-Nearest Neighbor,KNN)算法第24-25页
    2.4 粒子群(Particle Swarm Optimization,PSO)算法第25-26页
    2.5 本章小结第26-27页
第三章 基于多向主成分分析法(MPCA)的间歇过程故障诊断第27-39页
    3.1 主成分分析法(PCA)基本原理第27-28页
    3.2 基于MPCA的间歇过程监测第28-32页
        3.2.1 数据预处理第28-29页
        3.2.2 基于MPCA的子时段划分第29-30页
        3.2.3 基于MPCA的子时段建模第30-31页
        3.2.4 基于MPCA的在线监测第31-32页
        3.2.5 基于MPCA的故障定位及故障贡献率分析第32页
    3.3 MPCA算法仿真实验第32-38页
        3.3.1 仿真实验设计第32-34页
        3.3.2 基于MPCA的子时段划分实验第34-35页
        3.3.3 基于MPCA的在线监测及故障定位实验第35-38页
    3.4 本章小结第38-39页
第四章 基于多向信息增量矩阵法(MBEAM)的间歇过程监测第39-53页
    4.1 信息增量矩阵法(BEAM)基本原理第39-41页
    4.2 基于MBEAM的间歇过程监测第41-48页
        4.2.1 数据预处理第41-42页
        4.2.2 基于MBEAM的子时段划分第42-44页
        4.2.3 针对MBEAM算法分段参数的讨论第44页
        4.2.4 基于MBEAM的子时段建模第44-46页
        4.2.5 基于MBEAM的在线监测第46-47页
        4.2.6 基于MBEAM的故障定位及故障贡献率分析第47-48页
    4.3 MBEAM算法仿真实验第48-52页
        4.3.1 仿真实验设计第48页
        4.3.2 基于MBEAM的子时段划分实验第48-50页
        4.3.3 基于MBEAM的在线监测及故障定位实验第50-52页
    4.4 本章小结第52-53页
第五章 基于自适应KPCA和MBEAM融合方法的间歇过程监测第53-63页
    5.1 核主成分分析法(KPCA)基本原理第53-55页
    5.2 PSO-KPCA方法第55-58页
    5.3 基于自适应KPCA和MBEAM融合算法的间歇过程监测第58-59页
    5.4 融合算法仿真实验第59-62页
        5.4.1 仿真实验设计第59-60页
        5.4.2 实验结果第60-62页
        5.4.3 在线监测及故障定位结果分析第62页
    5.5 本章小结第62-63页
第六章 舵机实验平台原理介绍及实验验证第63-74页
    6.1 舵机实验平台原理介绍及实验数据选取第63-65页
    6.2 基于舵机平台的实验验证第65-73页
        6.2.1 实验一正弦电流环控制下的在线监测实验第65-69页
        6.2.2 实验二方波电流环控制下的在线监测实验第69-73页
    6.3 本章小结第73-74页
第七章 总结与展望第74-76页
致谢第76-77页
参考文献第77-84页
作者简介第84页

论文共84页,点击 下载论文
上一篇:注意品质对飞行员操作行为的影响研究
下一篇:气象雷达风电场杂波微动特征分析及其检测