| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 主要符号表 | 第11-12页 |
| 第1章 绪论 | 第12-17页 |
| ·课题背景及意义 | 第12-13页 |
| ·磨损监测国内外研究现状 | 第13-14页 |
| ·本文研究主要内容 | 第14-15页 |
| ·论文章节安排 | 第15-17页 |
| 第2章 航空发动机的磨损监测 | 第17-26页 |
| ·航空发动机磨损及润滑 | 第17-21页 |
| ·磨损定义 | 第17-18页 |
| ·磨损过程机理分析 | 第18-19页 |
| ·航空发动机润滑系统 | 第19-21页 |
| ·基于滑油分析的磨损监测技术 | 第21-25页 |
| ·油液监测技术及方法 | 第21-23页 |
| ·滑油光谱分析 | 第23-24页 |
| ·滑油铁谱分析 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 航空发动机磨损趋势预测方法研究 | 第26-41页 |
| ·滑油光谱时间序列预测 | 第26-28页 |
| ·时间序列的预测 | 第26-27页 |
| ·预测模型的选择 | 第27-28页 |
| ·支持向量机预测模型及实例验证 | 第28-34页 |
| ·支持向量机预测模型 | 第28-30页 |
| ·基于支持向量机的磨损趋势预测实例仿真 | 第30-34页 |
| ·神经网络预测模型及实例验证 | 第34-38页 |
| ·BP 网络预测模型 | 第34-35页 |
| ·RBF 网络预测模型 | 第35-37页 |
| ·基于神经网络的磨损趋势预测实例仿真 | 第37-38页 |
| ·预测结果对比 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于结构最优化 RBF 网络的磨损趋势预测 | 第41-52页 |
| ·RBF 网络学习算法分析 | 第41-44页 |
| ·聚类算法 | 第41页 |
| ·梯度训练法 | 第41-42页 |
| ·正交最小二乘法 | 第42-43页 |
| ·RBF 网络学习算法的选择 | 第43-44页 |
| ·群体智能与粒子群优化算法 | 第44-47页 |
| ·优化理论与群体智能 | 第44页 |
| ·粒子群优化算法及改进 | 第44-46页 |
| ·粒子群算法控制参数选取 | 第46-47页 |
| ·改进 PSO 算法优化 RBF 网络预测模型 | 第47-49页 |
| ·结构最优化 RBF 网络预测模型实例仿真 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 基于磨粒特征的磨损模式识别方法研究 | 第52-68页 |
| ·磨损模式与磨粒特征 | 第52-57页 |
| ·磨损的分类 | 第52-53页 |
| ·磨粒与装备运行状态的关系 | 第53-56页 |
| ·磨粒的特征参数 | 第56-57页 |
| ·磨损模式识别模型的选择 | 第57-65页 |
| ·建模样本集的建立 | 第57-59页 |
| ·神经网络识别模型及实例仿真 | 第59-61页 |
| ·支持向量机识别模型及实例仿真 | 第61-64页 |
| ·识别结果对比 | 第64-65页 |
| ·基于自适应支持向量机的磨损模式识别 | 第65-67页 |
| ·粒子群优化支持向量机识别模型 | 第65-66页 |
| ·磨损模式识别实例仿真 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第74页 |