基于支持向量机的航空发动机故障诊断研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 主要符号表 | 第12-13页 |
| 第1章 绪论 | 第13-18页 |
| ·航空发动机故障诊断的研究意义 | 第13-14页 |
| ·国内外研究现状 | 第14-16页 |
| ·国内研究现状 | 第14-15页 |
| ·国外研究现状 | 第15-16页 |
| ·课题主要研究内容及结构 | 第16-18页 |
| ·主要研究内容 | 第16页 |
| ·论文章节安排 | 第16-18页 |
| 第2章 航空发动机故障分析 | 第18-25页 |
| ·航空发动机故障诊断原理 | 第18-19页 |
| ·航空发动机故障类型及诊断方法 | 第19-24页 |
| ·航空发动机气路故障及诊断方法 | 第19-21页 |
| ·航空发动机结构故障及诊断方法 | 第21-23页 |
| ·航空发动机机械故障及诊断方法 | 第23-24页 |
| ·发动机故障诊断的复杂性与困难性 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于核主元分析的航空发动机故障特征提取 | 第25-34页 |
| ·主元分析法 | 第25-26页 |
| ·核主元分析的基本原理 | 第26-28页 |
| ·核主元分析故障特征提取 | 第28-31页 |
| ·核主元分析方法的核函数 | 第28页 |
| ·核主元分析提取故障特征参数优化 | 第28-31页 |
| ·核主元分析提取故障特征的步骤 | 第31页 |
| ·基于核主元分析的仿真试验 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 基于支持向量机的故障诊断方法 | 第34-52页 |
| ·统计学习理论 | 第34-39页 |
| ·机器学习模型 | 第34-36页 |
| ·VC 维 | 第36页 |
| ·推广性的界 | 第36-37页 |
| ·最小化风险结构 | 第37-39页 |
| ·支持向量机理论 | 第39-45页 |
| ·线性可分问题 | 第39-43页 |
| ·非线性问题 | 第43-44页 |
| ·核函数 | 第44-45页 |
| ·多类支持向量机 | 第45-49页 |
| ·1‐a‐r 方法(OAR SVM） | 第46页 |
| ·1‐a‐1 方法(OAO SVM） | 第46-47页 |
| ·DAGSVM 方法 | 第47-48页 |
| ·改进的多分类器融合分类方法 | 第48-49页 |
| ·基于核主元分析和支持向量机的故障诊断 | 第49页 |
| ·仿真实验 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 航空发动机故障诊断软件设计实现 | 第52-58页 |
| ·Visual C++6.0 连接数据库 | 第52-53页 |
| ·建立数据库 | 第53-54页 |
| ·数据诊断模块 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 附录 部分算法程序清单 | 第60-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第73页 |
