| 摘要 | 第10-11页 |
| abstract | 第11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题概述 | 第12-13页 |
| 1.1.1 课题来源 | 第12页 |
| 1.1.2 课题背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 PHM系统研究现状 | 第13-15页 |
| 1.2.2 传动部件特征提取技术研究现状 | 第15-16页 |
| 1.3 论文研究内容和结构安排 | 第16-18页 |
| 1.3.1 主要研究内容 | 第16页 |
| 1.3.2 论文结构 | 第16-18页 |
| 第二章 直升机传动部件故障诊断与预测原型系统设计 | 第18-25页 |
| 2.1 系统基本信息 | 第18-20页 |
| 2.1.1 系统目标 | 第18页 |
| 2.1.2 开发环境 | 第18-20页 |
| 2.2 系统总体设计 | 第20-23页 |
| 2.2.1 方案设计 | 第20-22页 |
| 2.2.2 软件流程 | 第22-23页 |
| 2.3 系统模块划分 | 第23-24页 |
| 2.3.1 模块介绍 | 第23-24页 |
| 2.3.2 功能分析 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 直升机传动部件故障诊断与预测原型系统实现 | 第25-42页 |
| 3.1 基本信息查询模块 | 第25-30页 |
| 3.1.1 基本信息查询模块简介 | 第25页 |
| 3.1.2 ADO.NET对象 | 第25-28页 |
| 3.1.3 基于ADO.NET的数据库软件设计 | 第28-30页 |
| 3.2 特征提取模块 | 第30-34页 |
| 3.2.1 特征提取模块简介 | 第30-31页 |
| 3.2.2 时域同步平均 | 第31-32页 |
| 3.2.3 振动分离 | 第32-34页 |
| 3.3 故障诊断模块 | 第34-37页 |
| 3.3.1 故障诊断模块简介 | 第34-35页 |
| 3.3.2 基于反向传播神经网络的故障诊断技术 | 第35页 |
| 3.3.3 基于径向基神经网络的故障诊断技术 | 第35-36页 |
| 3.3.4 基于学习矢量量化神经网络的故障诊断技术 | 第36-37页 |
| 3.4 故障预测模块 | 第37-41页 |
| 3.4.1 故障预测模块简介 | 第37页 |
| 3.4.2 基于径向基神经网络的故障预测技术 | 第37-38页 |
| 3.4.3 基于相关向量机的故障预测技术 | 第38-41页 |
| 3.4.4 基于粒子滤波的故障预测技术 | 第41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 直升机传动部件特征提取技术研究 | 第42-59页 |
| 4.1 直升机传动部件特征提取方法 | 第42-54页 |
| 4.1.1 轴系故障的特征提取 | 第42-43页 |
| 4.1.2 轴承故障的特征提取 | 第43-47页 |
| 4.1.3 定轴齿轮系故障的特征提取 | 第47-53页 |
| 4.1.4 行星轮系故障的特征提取 | 第53-54页 |
| 4.2 基于同步压缩小波特征提取技术 | 第54-58页 |
| 4.2.1 同步压缩小波基本理论 | 第54-56页 |
| 4.2.2 滚动轴承故障实验分析 | 第56-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 系统集成与验证 | 第59-70页 |
| 5.1 系统集成技术方法 | 第59-61页 |
| 5.1.1 C | 第59页 |
| 5.1.2 C | 第59-60页 |
| 5.1.3 C | 第60-61页 |
| 5.2 特征提取模块功能验证 | 第61-66页 |
| 5.3 故障诊断模块功能验证 | 第66-68页 |
| 5.4 故障预测模块功能验证 | 第68-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 结论和展望 | 第70-72页 |
| 6.1 全文结论 | 第70页 |
| 6.2 研究展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者在学期间取得的学术成果 | 第77页 |