| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 引言 | 第11页 |
| 1.2 研究背景和意义 | 第11-13页 |
| 1.3 研究现状和发展趋势 | 第13-16页 |
| 1.3.1 维修策略的发展 | 第13页 |
| 1.3.2 基于性能退化数据的寿命预测综述 | 第13-16页 |
| 1.4 本文研究工作 | 第16-18页 |
| 第二章 基于单性能参数的航空发动机寿命预测方法 | 第18-31页 |
| 2.1 概述 | 第18-19页 |
| 2.2 贝叶斯理论 | 第19-20页 |
| 2.2.1 贝叶斯定理 | 第19-20页 |
| 2.2.2 先验分布的确定 | 第20页 |
| 2.2.3 贝叶斯理论的优势 | 第20页 |
| 2.3 马尔可夫链蒙特卡洛（MCMC）方法 | 第20-22页 |
| 2.3.1 Win BUGS软件简介 | 第21页 |
| 2.3.2 基于Bayes理论和MCMC方法的剩余寿命预测模型框架 | 第21-22页 |
| 2.4 实例分析 | 第22-30页 |
| 2.4.1 带高斯分布误差项的随机参数线性退化模型 | 第22-23页 |
| 2.4.2 随机参数线性退化模型的假设检验 | 第23-24页 |
| 2.4.3 参数先验分布计算 | 第24-26页 |
| 2.4.4 基于Bayes和MCMC方法的后验参数计算 | 第26-29页 |
| 2.4.5 在翼寿命预测 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 性能参数处理 | 第31-46页 |
| 3.1 数据来源 | 第32-33页 |
| 3.2 数据预处理 | 第33-38页 |
| 3.2.1 概述 | 第33-35页 |
| 3.2.2 操作状态分类 | 第35-36页 |
| 3.2.3 传感器参数选择 | 第36-38页 |
| 3.3 性能状态计算 | 第38-45页 |
| 3.3.1 构建失效空间 | 第38-42页 |
| 3.3.2 性能退化因子定义 | 第42-43页 |
| 3.3.3 性能状态量计算 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于相似性的剩余寿命预测方法 | 第46-67页 |
| 4.1 概述 | 第46-47页 |
| 4.2 传统可靠性评估方法 | 第47-51页 |
| 4.2.1 发动机故障间隔时间的寿命分布模型 | 第47-48页 |
| 4.2.2 基于相关系数法的三参数威布尔分布参数估计 | 第48-50页 |
| 4.2.3 平均剩余寿命模型 | 第50-51页 |
| 4.3 基于相似性的剩余寿命预测方法综述 | 第51-53页 |
| 4.4 状态空间模型 | 第53-54页 |
| 4.5 卡尔曼滤波算法 | 第54-57页 |
| 4.5.1 卡尔曼滤波理论 | 第54页 |
| 4.5.2 卡尔曼滤波计算模型 | 第54-57页 |
| 4.5.3 卡尔曼滤波模型过程分析 | 第57页 |
| 4.6 基于相似性方法实现寿命预测 | 第57-59页 |
| 4.7 算例和模型的改进 | 第59-65页 |
| 4.7.1 算例 | 第59-60页 |
| 4.7.2 结果分析 | 第60-62页 |
| 4.7.3 针对该数据的模型改进 | 第62-64页 |
| 4.7.4 系数 ɑ 寻优 | 第64-65页 |
| 4.8 本章小结 | 第65-67页 |
| 第五章 基于组合模型的剩余寿命预测方法 | 第67-81页 |
| 5.1 概述 | 第67-68页 |
| 5.2 统计学习理论和支持向量机 | 第68-71页 |
| 5.2.1 统计学习理论 | 第68-71页 |
| 5.2.2 支持向量机 | 第71页 |
| 5.3 基于支持向量机的性能退化轨迹建模 | 第71-77页 |
| 5.3.1 建立训练模型确定输入输出 | 第71-72页 |
| 5.3.2 模型参数寻优 | 第72-77页 |
| 5.4 基于支持向量机和相似性结合的寿命预测方法 | 第77-80页 |
| 5.4.1 参照样本寿命计算 | 第77-78页 |
| 5.4.2 计算相似度和权值 | 第78-79页 |
| 5.4.3 预测失效时间 | 第79-80页 |
| 5.5 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-82页 |
| 6.1 主要工作与结论 | 第81页 |
| 6.2 研究展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
