| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 航空发动机状态监视和故障诊断技术的研究现状 | 第12-13页 |
| 1.2.2 航空发动机气路故障诊断方法的研究现状 | 第13-15页 |
| 1.3 本文研究内容及安排 | 第15-18页 |
| 第二章 航空发动机气路故障诊断分析 | 第18-29页 |
| 2.1 航空发动机的气路故障 | 第18-23页 |
| 2.1.1 航空发动机的基本结构 | 第18-19页 |
| 2.1.2 航空发动机的工作原理 | 第19页 |
| 2.1.3 航空发动机气路故障的诊断原理 | 第19-20页 |
| 2.1.4 航空发动机气路的故障现象 | 第20-22页 |
| 2.1.5 故障类型与性能参数变化量的对应关系 | 第22-23页 |
| 2.2 获取气路故障样本 | 第23-29页 |
| 2.2.1 测量参数和性能参数 | 第24页 |
| 2.2.2 航空发动机气路故障诊断模型 | 第24-26页 |
| 2.2.3 航空发动机气路故障类型的判定规则 | 第26-27页 |
| 2.2.4 采集故障样本 | 第27-29页 |
| 第三章 基于BP神经网络的航空发动机气路故障诊断 | 第29-55页 |
| 3.1 人工神经网络概述 | 第29-30页 |
| 3.2 基于BP网络的发动机气路故障诊断模型 | 第30-44页 |
| 3.2.1 BP神经网络概述 | 第30-31页 |
| 3.2.2 基于BP神经网络的气路故障诊断系统设计 | 第31页 |
| 3.2.3 BP网络故障诊断模型的算法设计与实现 | 第31-43页 |
| 3.2.4 BP神经网络存在的问题 | 第43-44页 |
| 3.3 BP网络故障诊断模型的改进 | 第44-53页 |
| 3.3.1 GA-BP网络故障诊断模型的算法设计与实现 | 第44-49页 |
| 3.3.2 PSO-BP网络故障诊断模型的算法设计与实现 | 第49-52页 |
| 3.3.3 BP网络故障诊断模型优化效果 | 第52-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第四章 基于SVM的航空发动机气路故障诊断 | 第55-75页 |
| 4.1 SVM概述 | 第55-60页 |
| 4.1.1 SVM算法的基本原理 | 第55-59页 |
| 4.1.2 SVM学习算法和模型参数 | 第59-60页 |
| 4.1.3 实现多分类SVM | 第60页 |
| 4.2 基于SVM的气路故障诊断模型 | 第60-66页 |
| 4.2.1 基于SVM的气路故障诊断系统设计 | 第60页 |
| 4.2.2 SVM故障诊断模型的算法设计与实现 | 第60-64页 |
| 4.2.3 影响SVM故障分类模型性能的因素 | 第64-66页 |
| 4.3 SVM故障诊断模型的改进 | 第66-72页 |
| 4.3.1 SVM模型参数选取的算法设计 | 第66-69页 |
| 4.3.2 网格搜索法选取SVM模型参数 | 第69-70页 |
| 4.3.3 GA算法选取SVM模型参数 | 第70页 |
| 4.3.4 PSO算法选取SVM模型参数 | 第70-71页 |
| 4.3.5 SVM模型参数选取方法的比较 | 第71-72页 |
| 4.4 本章小结 | 第72-75页 |
| 第五章 总结与展望 | 第75-78页 |
| 5.1 工作总结 | 第75-77页 |
| 5.2 不足与展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82页 |
