| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 主要符号表 | 第9-10页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 PHM技术国内外研究现状 | 第11-12页 |
| 1.2.1 PHM技术国外研究现状 | 第11页 |
| 1.2.2 PHM技术国内研究现状 | 第11-12页 |
| 1.3 研究内容及研究目标 | 第12页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 研究目标 | 第12页 |
| 1.4 论文内容安排 | 第12-14页 |
| 第2章 燃气轮机关键部件监测参数数据预处理 | 第14-24页 |
| 2.1 引言 | 第14页 |
| 2.2 SVD去噪原理 | 第14-15页 |
| 2.3 EMD分解理论 | 第15-17页 |
| 2.4 基于EMD-SVD方法的排气温度降噪 | 第17-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于WNN的燃气轮机关键部件健康预测 | 第24-31页 |
| 3.1 小波理论 | 第24-25页 |
| 3.2 小波神经网络基本原理 | 第25-27页 |
| 3.3 基于小波神经网络的燃气轮机关键部件健康预测模型构建 | 第27-28页 |
| 3.4 基于小波神经网络的燃气轮机关键部件健康预测 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 基于LSSVM-WNN的燃气轮机关键部件健康预测 | 第31-41页 |
| 4.1 统计学习理论 | 第31-33页 |
| 4.2 LSSVM基本原理 | 第33-35页 |
| 4.3 基于LSSVM的燃气轮机关键部件健康预测 | 第35-36页 |
| 4.4 基于LSSVM—WNN的燃气轮机关键部件健康预测 | 第36-39页 |
| 4.5 本章小结 | 第39-41页 |
| 第5章 基于ARMA的燃气轮机关键部件健康预测 | 第41-53页 |
| 5.1 经典时间序列分析法概述 | 第41页 |
| 5.2 ARMA模型基本原理 | 第41-42页 |
| 5.3 ARMA模型建立 | 第42-47页 |
| 5.3.1 时间序列的平稳性分析 | 第43-44页 |
| 5.3.2 时间序列模型识别 | 第44-45页 |
| 5.3.3 模型定阶与模型的参数估计 | 第45-47页 |
| 5.4 基于ARMA模型的燃气轮机关键部件健康预测 | 第47-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 基于PSO优化与模糊积分的燃气轮机关键部件健康预测 | 第53-64页 |
| 6.1 模糊积分概述 | 第53-55页 |
| 6.1.1 模糊测度 | 第53-54页 |
| 6.1.2 模糊积分融合算法 | 第54-55页 |
| 6.2 粒子群算法 | 第55-57页 |
| 6.2.1 粒子群算法概述 | 第55-56页 |
| 6.2.2 粒子群算法参数选择 | 第56-57页 |
| 6.3 基于PSO-LSSVM的燃气轮机关键部件健康预测 | 第57-59页 |
| 6.4 基于PSO-ARMA模型的燃气轮机关键部件健康预测 | 第59-61页 |
| 6.5 基于PSO优化与模糊积分的燃气轮机关键部件健康预测研究 | 第61-63页 |
| 6.6 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第69-70页 |
