| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 图表清单 | 第8-11页 |
| 注释表 | 第11-12页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-19页 |
| ·航空发动机状态监测的背景及意义 | 第13-15页 |
| ·航空发动机的状态监测研究现状 | 第15-16页 |
| ·油液监测技术 | 第16-17页 |
| ·本文的主要研究内容 | 第17-19页 |
| 第二章 航空发动机油液监测技术及其数据处理方法的研究 | 第19-39页 |
| ·航空发动机油液监测的主要分析方法 | 第19-21页 |
| ·理化性能分析 | 第19页 |
| ·污染度分析 | 第19-20页 |
| ·光谱分析技术 | 第20页 |
| ·铁谱分析技术 | 第20-21页 |
| ·油液监测各项数据的一般判定指标 | 第21-23页 |
| ·油液监测数据的处理方法 | 第23-38页 |
| ·油液分析原始数据的预处理 | 第23-26页 |
| ·光谱数据的简化 | 第26-29页 |
| ·航空发动机磨损状态的相对劣化度评估模型 | 第29-32页 |
| ·评估模型的权值分配 | 第32-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 发动机磨损状态的智能诊断与预测分析研究 | 第39-54页 |
| ·基于案例推理的诊断模型 | 第39-40页 |
| ·基于粗糙集的诊断模型 | 第40-41页 |
| ·基于人工神经网络的诊断模型 | 第41-43页 |
| ·基于免疫机理的诊断模型 | 第43-49页 |
| ·概述 | 第43页 |
| ·人工免疫算法 | 第43-46页 |
| ·反面选择法诊断应用实例 | 第46-49页 |
| ·基于时间序列分析的预测模型 | 第49-53页 |
| ·概述 | 第49页 |
| ·时间序列 AR(n)模型的的建模方法 | 第49-52页 |
| ·AR(n)预测模型实例 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第四章 基于油液分析的发动机智能监测 | 第54-70页 |
| ·智能监测模型 | 第54-56页 |
| ·智能监测模型的实例分析 | 第56-69页 |
| ·原始数据 | 第56-59页 |
| ·数据预处理 | 第59-64页 |
| ·建立发动机的劣化度评估模型 | 第64-67页 |
| ·基于人工免疫的发动机故障诊断 | 第67-68页 |
| ·基于时间序列的发动机状态预测 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第五章 系统的总体设计与开发 | 第70-77页 |
| ·系统总体设计 | 第70-71页 |
| ·软件设计与实现 | 第71-77页 |
| ·软件开发工具 | 第71-72页 |
| ·数据库设计 | 第72-73页 |
| ·软件的实现与介绍 | 第73-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 在学期间的研究成果及发表的论文 | 第80-81页 |
| 参考文献 | 第81-83页 |