| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 图表清单 | 第8-10页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 航空发动机传感器故障诊断与容错控制的背景及意义 | 第11-12页 |
| 1.2 国外相关研究概况 | 第12-13页 |
| 1.3 国内相关研究概况 | 第13-15页 |
| 1.4 本文内容安排 | 第15-16页 |
| 第二章 航空发动机健康参数估计研究 | 第16-26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 最小二乘法建立发动机状态变量模型 | 第18-21页 |
| 2.3.1 发动机状态变量模型的建立 | 第18-20页 |
| 2.3.2 线性模型仿真结果 | 第20-21页 |
| 2.4 基于 Kalman 滤波器的航空发动机健康参数估计 | 第21-23页 |
| 2.5 健康参数估计系统仿真效果 | 第23-25页 |
| 2.5.1 地面状态估计效果 | 第23-24页 |
| 2.5.2 低空状态估计效果 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 航空发动机智能传感器故障诊断系统研究 | 第26-53页 |
| 3.1 概述 | 第26页 |
| 3.2 航空发动机传感器故障分类 | 第26-27页 |
| 3.3 基于改进最小二乘支持向量机的在线训练故障诊断系统 | 第27-41页 |
| 3.3.1 支持向量机算法介绍 | 第27页 |
| 3.3.2 最小二乘支持向量机算法介绍 | 第27-29页 |
| 3.3.3 基于滑动窗口在线稀疏最小二乘支持向量机 | 第29-30页 |
| 3.3.4 基于支持向量机的传感器故障诊断系统设计 | 第30-32页 |
| 3.3.5 基于支持向量机的诊断系统仿真 | 第32-41页 |
| 3.4 基于 BP 神经网络的传感器故障诊断系统 | 第41-52页 |
| 3.4.1 BP 神经网络简介 | 第42-44页 |
| 3.4.2 基于 BP 神经网络的传感器智能故障诊断系统 | 第44-45页 |
| 3.4.3 基于 BP 神经网络的稳态智能映射模块 | 第45-47页 |
| 3.4.4 基于 BP 神经网络的动态智能映射模块 | 第47-50页 |
| 3.4.5 基于神经网络及 Kalman 滤波器的诊断系统仿真 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 航空发动机容错控制研究 | 第53-65页 |
| 4.1 概述 | 第53页 |
| 4.2 基于 LMI 的航空发动机 H2/H∞控制器设计 | 第53-56页 |
| 4.2.1 问题的提出 | 第53-54页 |
| 4.2.2 二次型性能指标转化成 H2性能指标 | 第54页 |
| 4.2.3 H2/H∞鲁棒控制器设计 | 第54-56页 |
| 4.3 航空发动机容错控制系统设计 | 第56-64页 |
| 4.3.1 被动容错控制系统 | 第56-57页 |
| 4.3.2 主动容错控制系统 | 第57-61页 |
| 4.3.3 主动容错控制系统控制器切换单元 | 第61-62页 |
| 4.3.4 切换单元容错控制系统仿真结果 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文工作总结 | 第65页 |
| 5.2 对未来的研究展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 在学期间的研究成果及发表的学术论文 | 第72页 |
