基于人工神经网络的民航发动机故障诊断技术
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 概述 | 第10-11页 |
| 1.2 发动机故障诊断及现有诊断方法介绍 | 第11-13页 |
| 1.2.1 发动机故障的来源和特点 | 第11-12页 |
| 1.2.2 发动机故障诊断的主要特点 | 第12页 |
| 1.2.3 发动机故障专家系统诊断 | 第12-13页 |
| 1.2.4 模糊逻辑与信息融合的应用 | 第13页 |
| 1.3 研究现状及意义 | 第13-15页 |
| 1.3.1 研究背景及意义 | 第14页 |
| 1.3.2 国内外研究动态 | 第14-15页 |
| 1.4 本文研究内容及结构安排 | 第15-18页 |
| 第二章 人工神经网络原理与优化分析 | 第18-31页 |
| 2.1 神经元模型 | 第18-22页 |
| 2.1.1 神经元构成 | 第18-19页 |
| 2.1.2 激活函数选择 | 第19-22页 |
| 2.2 神经网络的学习 | 第22-23页 |
| 2.3 BP神经网络 | 第23-28页 |
| 2.3.1 BP神经网络结构和特点 | 第23-25页 |
| 2.3.2 反向传播算法 | 第25-27页 |
| 2.3.3 BP神经网络训练过程 | 第27-28页 |
| 2.4 BP神经网络的优化分析 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 发动机气路参数处理及多源信息融合 | 第31-53页 |
| 3.1 概述 | 第31页 |
| 3.2 发动机气路参数的处理 | 第31-38页 |
| 3.2.1 数据报文解析 | 第32-34页 |
| 3.2.2 气路参数平滑处理 | 第34-36页 |
| 3.2.3 发动机气路参数解析实例 | 第36-38页 |
| 3.3 多源信息融合研究 | 第38-51页 |
| 3.3.1 多源数据可用性分析 | 第38-39页 |
| 3.3.2 故障诊断研究中的多源信息融合问题 | 第39-40页 |
| 3.3.3 气路数据时间配准 | 第40-42页 |
| 3.3.4 发动机参数的数据层融合 | 第42-46页 |
| 3.3.5 故障诊断知识的决策层融合 | 第46-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第四章 基于人工神经网络的发动机故障诊断 | 第53-68页 |
| 4.1 人工神经网络诊断系统结构及诊断流程 | 第53-54页 |
| 4.2 样本空间构成 | 第54-56页 |
| 4.2.1 样本选取原则 | 第55页 |
| 4.2.2 特征向量与故障模式 | 第55-56页 |
| 4.3 故障诊断神经网络模型训练及诊断应用 | 第56-64页 |
| 4.3.1 发动机气路故障的诊断 | 第56-61页 |
| 4.3.2 发动机机械故障诊断 | 第61-64页 |
| 4.4 模型的集成与应用评估 | 第64-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 全文总结 | 第68-69页 |
| 5.2 研究展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
