| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第9-10页 |
| 缩略词 | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 引言 | 第11页 |
| 1.2 直升机旋翼故障诊断的国内外发展和应用概况 | 第11-13页 |
| 1.3 旋翼故障诊断的研究概况 | 第13-15页 |
| 1.4 本文研究思路和主要内容 | 第15-16页 |
| 第二章 灰色系统理论 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 灰色关联分析理论 | 第16-23页 |
| 2.2.1 数据序列的确定和分类 | 第17页 |
| 2.2.2 数据序列的处理 | 第17-19页 |
| 2.2.3 灰关联度 | 第19-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第三章 神经网络理论 | 第25-41页 |
| 3.1 人工神经网络概述 | 第25-33页 |
| 3.1.1 神经网络的发展 | 第25-26页 |
| 3.1.2 神经网络的特点 | 第26-27页 |
| 3.1.3 神经网络的功能 | 第27-28页 |
| 3.1.4 神经元模型 | 第28-30页 |
| 3.1.5 神经网络模型 | 第30-32页 |
| 3.1.6 神经网络学习 | 第32-33页 |
| 3.2 卷积神经网络 | 第33-40页 |
| 3.2.1 卷积神经网络原理 | 第33-36页 |
| 3.2.2 卷积神经网络训练 | 第36-39页 |
| 3.2.3 卷积神经网络分类流程 | 第39-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 旋翼不平衡故障信号分析与特征提取 | 第41-56页 |
| 4.1 旋翼不平衡故障试验 | 第41-43页 |
| 4.1.1 基于旋翼试验台的故障模拟试验 | 第41-42页 |
| 4.1.2 航模旋翼不平衡模拟试验 | 第42-43页 |
| 4.2 基于降噪卷积自编码的特征提取 | 第43-51页 |
| 4.2.1 基本自动编码器 | 第43-45页 |
| 4.2.2 降噪自动编码器(Denoising Auto-encoder,DAE) | 第45-46页 |
| 4.2.3 卷积自编码器(convolution Auto-encoder,CAE) | 第46页 |
| 4.2.4 基于傅里叶变换的信号处理 | 第46-48页 |
| 4.2.5 编程软件介绍 | 第48-49页 |
| 4.2.6 Tensor Flow框架介绍 | 第49页 |
| 4.2.7 故障特征提取 | 第49-51页 |
| 4.3 基于小波和傅里叶的特征提取 | 第51-55页 |
| 4.3.1 小波变换原理 | 第51-53页 |
| 4.3.2 小波变换去噪和特征提取 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于灰色神经网络的故障诊断 | 第56-64页 |
| 5.1 灰色理论与神经网络 | 第56-59页 |
| 5.1.1 灰色理论和神经网络的融合 | 第56页 |
| 5.1.2 灰色神经网络的设计 | 第56-59页 |
| 5.2 基于灰色神经网络的故障诊断 | 第59-61页 |
| 5.2.1 单故障分类 | 第59-60页 |
| 5.2.2 复合故障分类 | 第60-61页 |
| 5.3 卷积神经网络故障识别分析 | 第61-63页 |
| 5.3.1 迭代次数的影响 | 第61-62页 |
| 5.3.2 卷积核个数的影响 | 第62页 |
| 5.3.3 卷积核大小的影响 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 在学期间的研究成果及发表的学术论文 | 第69-70页 |
| 附录 | 第70-77页 |