数据驱动的航空发动机剩余使用寿命预测方法研究
摘要 | 第4-6页 |
abstract | 第6-8页 |
注释表 | 第13-14页 |
缩略词 | 第14-16页 |
第一章 绪论 | 第16-38页 |
1.1 研究背景和意义 | 第16-18页 |
1.2 航空发动机PHM技术发展概况 | 第18-27页 |
1.2.1 国外研究现状和趋势 | 第18-25页 |
1.2.2 国内研究现状和不足 | 第25-27页 |
1.3 剩余使用寿命预测研究综述 | 第27-35页 |
1.4 论文内容安排 | 第35-38页 |
第二章 面向RUL预测的航空发动机健康评估 | 第38-63页 |
2.1 引言 | 第38页 |
2.2 健康评估流程 | 第38-41页 |
2.3 传感器选择 | 第41-46页 |
2.3.1 基于信息熵的传感器选择 | 第41-44页 |
2.3.2 基于排列熵的传感器选择 | 第44页 |
2.3.3 基于互信息的传感器选择 | 第44-46页 |
2.4 基于核主元分析的健康评估模型 | 第46-47页 |
2.5 基于二次规划的健康评估模型 | 第47-52页 |
2.6 健康评估实例 | 第52-62页 |
2.7 本章小结 | 第62-63页 |
第三章 基于退化轨迹相似性的RUL预测 | 第63-86页 |
3.1 引言 | 第63页 |
3.2 基于相似性的RUL预测原理 | 第63-72页 |
3.2.1 基于相似性的RUL预测框架 | 第63-64页 |
3.2.2 退化轨迹提取 | 第64-68页 |
3.2.3 相似性度量 | 第68-70页 |
3.2.4 估计值综合 | 第70-72页 |
3.3 TE-SBP预测方法 | 第72-79页 |
3.3.1 TE-SBP预测方法原理 | 第72-75页 |
3.3.2 基于状态空间模型的退化轨迹外推 | 第75-79页 |
3.4 实例研究 | 第79-85页 |
3.5 本章小结 | 第85-86页 |
第四章 基于相关向量机的RUL预测 | 第86-108页 |
4.1 引言 | 第86-87页 |
4.2 相关向量机回归 | 第87-92页 |
4.2.1 相关向量机回归模型 | 第87-89页 |
4.2.2 超参数估计 | 第89-91页 |
4.2.3 RVM训练过程 | 第91-92页 |
4.3 基于PSO优化的小波相关向量机 | 第92-99页 |
4.3.1 小波相关向量机WRVM | 第93-95页 |
4.3.2 基于PSO的WRVM参数优化 | 第95-99页 |
4.4 基于WRVM的RUL预测 | 第99-107页 |
4.4.1 RUL预测方案 | 第99-102页 |
4.4.2 RUL预测实例研究 | 第102-107页 |
4.5 本章小结 | 第107-108页 |
第五章 基于随机过程的RUL预测 | 第108-129页 |
5.1 引言 | 第108-109页 |
5.2 基于随机过程RUL预测的一般流程 | 第109-111页 |
5.3 带随机效应的指数退化模型 | 第111-117页 |
5.3.1 模型描述 | 第111-112页 |
5.3.2 基于Baysian的模型参数更新 | 第112-113页 |
5.3.3 基于EM算法的模型参数估计 | 第113-115页 |
5.3.4 剩余使用寿命分布函数 | 第115-117页 |
5.4 采用改进粒子滤波的状态估计 | 第117-124页 |
5.4.1 粒子滤波 | 第117-118页 |
5.4.2 粒子滤波算法的改进 | 第118-123页 |
5.4.3 退化状态估计 | 第123-124页 |
5.5 基于随机过程的RUL预测实例 | 第124-128页 |
5.6 本章小结 | 第128-129页 |
第六章 数据驱动RUL预测方法的融合 | 第129-140页 |
6.1 引言 | 第129页 |
6.2 RUL预测融合框架 | 第129-133页 |
6.3 基于卡尔曼滤波器的RUL预测融合 | 第133-136页 |
6.4 RUL预测融合实例 | 第136-139页 |
6.5 本章小结 | 第139-140页 |
第七章 总结与展望 | 第140-144页 |
7.1 论文工作总结 | 第140-142页 |
7.2 进一步研究展望 | 第142-144页 |
参考文献 | 第144-160页 |
致谢 | 第160-161页 |
在学期间的研究成果及发表的学术论文 | 第161页 |