| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 故障诊断与容错控制的研究背景及意义 | 第11页 |
| 1.2 故障诊断与容错控制研究现状 | 第11-14页 |
| 1.2.1 执行机构故障诊断研究现状 | 第11-12页 |
| 1.2.2 传感器故障诊断研究现状 | 第12-14页 |
| 1.2.3 容错控制研究现状 | 第14页 |
| 1.3 本文内容安排 | 第14-16页 |
| 第二章 航空发动机数学模型 | 第16-23页 |
| 2.1 概述 | 第16页 |
| 2.2 航空发动机部件级数学模型介绍 | 第16-18页 |
| 2.3 执行机构模型 | 第18-22页 |
| 2.3.1 传递函数形式执行机构模型 | 第18-20页 |
| 2.3.2 BP神经网络映射执行机构模型 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 航空发动机执行机构故障诊断 | 第23-37页 |
| 3.1 概述 | 第23页 |
| 3.2 执行机构故障诊断系统 | 第23-24页 |
| 3.3 基于BP神经网络的发动机逆模型 | 第24-30页 |
| 3.3.1 基于BP神经网络逆模型的建立 | 第24-27页 |
| 3.3.2 执行机构故障诊断系统仿真验证 | 第27-30页 |
| 3.4 基于在线最小二乘支持向量机的发动机逆模型 | 第30-36页 |
| 3.4.1 在线稀疏最小二乘支持向量机 | 第30-33页 |
| 3.4.2 基于支持向量机的发动机逆模型 | 第33页 |
| 3.4.3 执行机构故障诊断系统仿真验证 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 航空发动机气路传感器故障诊断 | 第37-51页 |
| 4.1 概述 | 第37页 |
| 4.2 基于极端学习机的在线训练传感器故障诊断 | 第37-41页 |
| 4.2.1 极端学习机（ELM）算法 | 第37-38页 |
| 4.2.2 在线贯序极端学习机（OS-ELM）算法 | 第38-39页 |
| 4.2.3 基于OS-ELM的航空发动机气路传感器故障诊断系统 | 第39-41页 |
| 4.3 诊断系统仿真 | 第41-50页 |
| 4.3.1 地面状态传感器故障诊断仿真结果 | 第41-45页 |
| 4.3.2 低空状态传感器故障诊断仿真结果 | 第45-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 传感器故障隔离与容错控制研究 | 第51-61页 |
| 5.1 概述 | 第51页 |
| 5.2 传感器故障的隔离 | 第51-52页 |
| 5.3 增广LQR（ALQR）控制器设计 | 第52-56页 |
| 5.3.1 发动机线性模型 | 第52-54页 |
| 5.3.2 增广LQR（ALQR）控制器 | 第54-55页 |
| 5.3.3 控制器仿真验证 | 第55-56页 |
| 5.4 航空发动机智能主动容错控制系统 | 第56-60页 |
| 5.4.1 主动容错控制 | 第56-58页 |
| 5.4.2 容错控制系统仿真结果 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 本文工作总结 | 第61页 |
| 6.2 对未来的研究展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 在学期间的研究成果及发表的学术论文 | 第69页 |