| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第11-12页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 国内外技术研究现状 | 第14-17页 |
| 1.2.1 发动机气路故障诊断研究现状 | 第14-15页 |
| 1.2.2 发动机气路故障诊断的随机模型方法研究现状 | 第15-17页 |
| 1.3 本文的内容安排 | 第17-19页 |
| 第二章 基于分块维纳模型的航空发动机模型建模 | 第19-41页 |
| 2.1 引言 | 第19页 |
| 2.2 自调整维纳模型 | 第19-22页 |
| 2.2.1 分块结构模型 | 第19-20页 |
| 2.2.2 自调整维纳模型的结构 | 第20-22页 |
| 2.3 极限学习机 | 第22-29页 |
| 2.3.1 单隐层前向神经网络 | 第22-24页 |
| 2.3.2 极限学习机 | 第24-25页 |
| 2.3.3 核极限学习机 | 第25-26页 |
| 2.3.4 快速留一核极限学习机 | 第26-29页 |
| 2.4 基于自调整维纳模型的涡扇发动机建模 | 第29-32页 |
| 2.4.1 准调幅伪随机二进制序列 | 第29-30页 |
| 2.4.2 灰箱模型辨识的整体结构 | 第30-32页 |
| 2.5 数值仿真验证 | 第32-40页 |
| 2.5.1 快速留一核极限学习机效果仿真 | 第32-34页 |
| 2.5.2 涡扇发动机模型辨识的数值仿真 | 第34-40页 |
| 2.6 本章小结 | 第40-41页 |
| 第三章 基于隐马尔可夫模型的航空发动机故障诊断 | 第41-57页 |
| 3.1 引言 | 第41页 |
| 3.2 隐马尔可夫模型 | 第41-44页 |
| 3.2.1 离散隐马尔可夫模型 | 第41-43页 |
| 3.2.2 连续隐马尔可夫模型 | 第43-44页 |
| 3.3 主成分分析法 | 第44-48页 |
| 3.3.1 主成分分析法的基础理论 | 第44-45页 |
| 3.3.2 动态主成分分析 | 第45-46页 |
| 3.3.3 核主成分分析 | 第46-48页 |
| 3.4 KPCA-HMM | 第48-49页 |
| 3.5 基于KPCA-HMM的发动机气路故障诊断 | 第49-51页 |
| 3.6 仿真结果及分析 | 第51-56页 |
| 3.6.1 稳态气路故障诊断 | 第52-54页 |
| 3.6.2 动态气路故障诊断 | 第54-56页 |
| 3.7 本章小结 | 第56-57页 |
| 第四章 基于隐半马尔可夫模型的发动机气路性能预测 | 第57-65页 |
| 4.1 引言 | 第57页 |
| 4.2 MPSO-CHSMM | 第57-60页 |
| 4.2.1 HSMM的基本理论 | 第57-58页 |
| 4.2.2 改进的粒子群优化算法 | 第58-59页 |
| 4.2.3 MPSO-CHSMM | 第59-60页 |
| 4.3 数值仿真验证 | 第60-64页 |
| 4.3.1 MPSO性能分析 | 第60-61页 |
| 4.3.2 发动机退化状态识别 | 第61-62页 |
| 4.3.3 发动机气路性能预测 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-66页 |
| 5.1 本文主要工作总结 | 第65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 在学期间的研究成果及发表的学术论文 | 第71页 |