| 第一章 绪论 | 第1-23页 |
| 1．1 机械设备故障诊断技术简介 | 第11-12页 |
| 1．2 航空发动机故障诊断技术 | 第12-17页 |
| 1．2．1 发展背景与意义 | 第12-14页 |
| 1．2．2 主要任务 | 第14页 |
| 1．2．3 航空发动机故障诊断的常用技术手段 | 第14-16页 |
| 1．2．4 发动机磨损故障诊断技术的发展趋势 | 第16-17页 |
| 1．3 发动机故障诊断领域中的新技术、新方法 | 第17-22页 |
| 1．4 本论文的主要研究内容及安排 | 第22-23页 |
| 第二章 发动机磨损故障诊断的理论基础 | 第23-35页 |
| 2．1 航空发动机磨损类故障模式分析 | 第23-24页 |
| 2．2 发动机磨损故障诊断技术的研究现状 | 第24-26页 |
| 2．2．1 发动机润滑油路磨损故障诊断 | 第24-26页 |
| 2．2．2 发动机气路磨损故障诊断 | 第26页 |
| 2．3 磨损失效的形成机理 | 第26-29页 |
| 2．3．1 磨损失效过程分析 | 第27-28页 |
| 2．3．2 磨损失效分类 | 第28-29页 |
| 2．4 磨损微粒分析 | 第29-33页 |
| 2．4．1 磨粒分类 | 第29页 |
| 2．4．2 磨粒的形态特征 | 第29-32页 |
| 2．4．3 四种典型磨粒形成机理的解释 | 第32-33页 |
| 2．5 磨损故障诊断的理论基础 | 第33-34页 |
| 2．6 本章小结 | 第34-35页 |
| 第三章 磨粒显微形态特征描述体系 | 第35-69页 |
| 3．1 磨粒显微形态学特征分析简介 | 第35-36页 |
| 3．2 磨粒二维形态特征参数 | 第36-52页 |
| 3．2．1 磨粒几何参数 | 第36-37页 |
| 3．2．2 磨粒矩参数 | 第37-40页 |
| 3．2．3 磨粒边界形状参数 | 第40-42页 |
| 3．2．4 磨粒结构特征参数 | 第42-44页 |
| 3．2．5 磨粒颜色特征参数 | 第44-45页 |
| 3．2．6 磨粒纹理特征参数 | 第45-50页 |
| 3．2．7 磨粒分形特征参数 | 第50-52页 |
| 3．3 磨粒三维形态参数 | 第52-56页 |
| 3．3．1 磨粒三维信息测量 | 第52-55页 |
| 3．3．2 磨粒三维特征参数 | 第55-56页 |
| 3．4 磨粒沉积谱片分析 | 第56-61页 |
| 3．4．1 谱片整体参数 | 第58-59页 |
| 3．4．2 谱片扫描参数 | 第59-60页 |
| 3．4．3 谱片纹理参数 | 第60-61页 |
| 3．5 磨粒特征参数的敏感性、有效性及区分度分析 | 第61-68页 |
| 3．5．1 参数敏感性分析 | 第62-63页 |
| 3．5．2 参数区分度分析 | 第63-65页 |
| 3．5．3 参数冗余度分析 | 第65-68页 |
| 3．6 本章小结 | 第68-69页 |
| 第四章 磨粒智能分析与识别 | 第69-84页 |
| 4．1 参数统计识别方法 | 第69-71页 |
| 4．2 模糊聚类识别方法 | 第71-73页 |
| 4．3 神经网络识别方法 | 第73-77页 |
| 4．4 基于Dempster—Shafer证据理论的磨粒识别决策方法 | 第77-82页 |
| 4．4．1 Dempster—Sharer证据理论 | 第77-79页 |
| 4．4．2 磨粒统计识别综合决策方法 | 第79-82页 |
| 4．5 磨粒综合识别方法 | 第82-83页 |
| 4．6 本章小结 | 第83-84页 |
| 第五章 发动机多故障征兆融合诊断技术 | 第84-97页 |
| 5．1 基于传统技术的发动机磨损监测诊断方法 | 第84-87页 |
| 5．1．1 磨损状态的量化描述参数 | 第84-86页 |
| 5．1．2 磨损状态描述参数的劣化度评估 | 第86-87页 |
| 5．2 信息融合诊断技术简介 | 第87-88页 |
| 5．3 基于磨粒分类信息的磨损故障融合诊断 | 第88-92页 |
| 5．3．1 基本诊断原理 | 第88-89页 |
| 5．3．2 基于磨粒分类信息的诊断标准 | 第89-91页 |
| 5．3．3 基于神经网络技术的磨损故障融合诊断 | 第91-92页 |
| 5．4 基于滑油光谱测量信息的磨损故障融合诊断 | 第92-95页 |
| 5．4．1 基于滑油光谱测量信息的诊断标准 | 第93页 |
| 5．4．2 光谱分析诊断的基元决策概率计算方法 | 第93-95页 |
| 5．5 航空发动机磨损故障融合决策方法 | 第95-96页 |
| 5．6 本章小结 | 第96-97页 |
| 第六章 航空发动机磨损故障预测模型 | 第97-112页 |
| 6．1 磨损故障征兆信息的时间序列预测模型 | 第97-104页 |
| 6．1．1 时间序列AR（n）模型与建模方法 | 第98-100页 |
| 6．1．2 航空发动机磨损故障征兆信息的AR（n）模型预测试验 | 第100-104页 |
| 6．2 磨损故障征兆信息的灰色预测模型 | 第104-108页 |
| 6．2．1 灰色预测模型建模 | 第104-106页 |
| 6．2．2 航空发动机磨损故障征兆信息的灰色模型预测试验 | 第106-108页 |
| 6．3 磨损故障征兆信息的灰色时序模型 | 第108-111页 |
| 6．3．1 灰色时序综合预测模型建模 | 第108-109页 |
| 6．3．2 航空发动机磨损故障征兆信息的灰色时序模型预测试验 | 第109-111页 |
| 6．4 本章小结 | 第111-112页 |
| 第七章 结论与展望 | 第112-114页 |
| 7．1 本论文的要点与贡献 | 第112-113页 |
| 7．1．1 本论文研究工作要点 | 第112-113页 |
| 7．1．2 本论文主要贡献 | 第113页 |
| 7．2 今后研究工作开展的建议 | 第113-114页 |
| 致谢 | 第114-115页 |
| 作者在攻读博士学位期间的研究成果 | 第115-117页 |
| 参考文献 | 第117-125页 |
| 附录A 特征磨粒样本举例 | 第125-126页 |
| 附录B 沉积谱片视场举例 | 第126页 |
