| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第16-21页 |
| 1.1 研究背景 | 第16页 |
| 1.2 涡扇发动机故障诊断技术的国内外研究现状 | 第16-18页 |
| 1.2.1 国外研究现状 | 第16-18页 |
| 1.2.2 国内研究现状 | 第18页 |
| 1.3 卡尔曼滤波算法在气路故障诊断中的应用现状 | 第18-19页 |
| 1.4 本文的内容安排 | 第19-21页 |
| 第二章 基于线性卡尔曼滤波算法的商用涡扇发动机气路健康参数估计 | 第21-42页 |
| 2.1 含健康参数的商用涡扇发动机模型 | 第21-27页 |
| 2.1.1 发动机部件级模型 | 第21页 |
| 2.1.2 发动机性能退化分析 | 第21-24页 |
| 2.1.3 发动机状态变量模型 | 第24-26页 |
| 2.1.4 发动机性能基线模型 | 第26-27页 |
| 2.2 基于线性卡尔曼滤波算法的气路健康参数估计 | 第27-41页 |
| 2.2.1 卡尔曼滤波算法 | 第27-30页 |
| 2.2.2 基于线性卡尔曼滤波算法的气路健康参数估计中存在的问题 | 第30页 |
| 2.2.3 基于自适应拟合法的商用涡扇发动机线性状态变量模型 | 第30-35页 |
| 2.2.4 设计点数字仿真验证 | 第35-38页 |
| 2.2.5 飞行区块数字仿真及结果分析 | 第38-41页 |
| 2.3 本章小结 | 第41-42页 |
| 第三章 基于神经网络改进卡尔曼滤波的商用涡扇发动机气路健康参数估计 | 第42-68页 |
| 3.1 非线性卡尔曼滤波算法 | 第43-45页 |
| 3.1.1 扩展卡尔曼滤波算法 | 第43-44页 |
| 3.1.2 无迹卡尔曼滤波算法 | 第44-45页 |
| 3.2 基于神经网络-软约束-扩展卡尔曼滤波算法的气路健康参数估计 | 第45-59页 |
| 3.2.1 神经网络-软约束-卡尔曼滤波算法 | 第45-50页 |
| 3.2.2 神经网络的设计与训练 | 第50-52页 |
| 3.2.3 设计点数字仿真验证 | 第52-57页 |
| 3.2.4 飞行区块数字仿真及结果分析 | 第57-59页 |
| 3.3 基于神经网络-粒子滤波-卡尔曼滤波算法的气路健康参数估计 | 第59-67页 |
| 3.3.1 神经网络-粒子滤波-卡尔曼滤波算法 | 第59-62页 |
| 3.3.2 设计点数字仿真验证 | 第62-65页 |
| 3.3.3 飞行区块数字仿真及结果分析 | 第65-67页 |
| 3.4 本章小结 | 第67-68页 |
| 第四章 基于Simulink仿真平台的气路故障诊断框架 | 第68-81页 |
| 4.1 气路故障诊断框架 | 第68-70页 |
| 4.2 Simulink仿真平台气路故障诊断框架 | 第70-77页 |
| 4.2.1 部件级模型模块 | 第70-71页 |
| 4.2.2 气路故障诊断主模块 | 第71-73页 |
| 4.2.3 实时模型计算模块 | 第73-75页 |
| 4.2.4 神经网络模块 | 第75-77页 |
| 4.3 Simulink仿真平台显示界面 | 第77-80页 |
| 4.4 本章小结 | 第80-81页 |
| 第五章 总结与展望 | 第81-83页 |
| 5.1 本文的主要工作总结 | 第81-82页 |
| 5.2 展望 | 第82-83页 |
| 参考文献 | 第83-88页 |
| 致谢 | 第88-89页 |
| 在学期间的研究成果及发表的学术论文 | 第89页 |
