摘要 | 第1-7页 |
Abstract | 第7-13页 |
第1章 绪论 | 第13-19页 |
·课题背景 | 第13页 |
·航空发动机故障诊断任务及意义 | 第13-14页 |
·航空发动机整机振动故障诊断技术研究现状 | 第14-17页 |
·本论文研究的主要工作及创新点 | 第17-19页 |
·本文研究的主要内容 | 第17-18页 |
·本文的创新点 | 第18-19页 |
第2章 航空发动机整机振动测试及常见故障 | 第19-30页 |
·航空发动机整机振动测试 | 第19-23页 |
·某型航空发动机结构和主要性能参数 | 第19-20页 |
·某型航空发动机整机振动测试方案 | 第20-23页 |
·航空发动机整机振动常见故障类型及特征 | 第23-30页 |
·航空发动机整机振动常见故障类型 | 第23页 |
·航空发动机典型常见故障及特征 | 第23-30页 |
第3章 基于信息融合的航空发动机整机振动故障诊断模型 | 第30-38页 |
·信息融合故障诊断技术的理论基础 | 第30-32页 |
·信息融合技术的基本概念 | 第30页 |
·故障诊断信息融合的数学背景 | 第30-31页 |
·信息融合的方法 | 第31-32页 |
·信息融合级别 | 第32-34页 |
·数据层融合 | 第32-33页 |
·特征级融合 | 第33页 |
·决策级融合 | 第33-34页 |
·三种层次结构的比较 | 第34页 |
·基于信息融合技术的故障诊断模型 | 第34-37页 |
·信息融合模型 | 第34-35页 |
·信息融合故障诊断的一般框架 | 第35-36页 |
·信息融合诊断功能模型 | 第36-37页 |
·本章小结 | 第37-38页 |
第4章 基于支持向量机(SVM)的航空发动机整机振动故障诊断 | 第38-50页 |
·支持向量机(SVM)简介 | 第38-39页 |
·支持向量机 | 第38页 |
·基于SVM 的航空发动机整机振动故障诊断模型 | 第38-39页 |
·支持向量机基础 | 第39-43页 |
·最优分类面 | 第39-40页 |
·核函数 | 第40-42页 |
·LIBSVM 简介 | 第42-43页 |
·SVM 的分类 | 第43-46页 |
·SVM 多类分类原理 | 第43-44页 |
·SVM 多类分类方法 | 第44-45页 |
·SVM 的优势和问题 | 第45-46页 |
·航空发动机整机振动故障诊断实例分析 | 第46-49页 |
·参数选择和SVM 的建立 | 第46-47页 |
·SVM 模型的训练和测试 | 第47-48页 |
·实例计算 | 第48-49页 |
·本章小结 | 第49-50页 |
第5章 基于信息熵的航空发动机整机振动故障诊断 | 第50-62页 |
·引言 | 第50页 |
·信息熵的基本概念与基本理论 | 第50-53页 |
·信息熵的基本概念 | 第50页 |
·信息熵特征提取 | 第50-53页 |
·信息熵融合故障诊断方法 | 第53-56页 |
·基于信息熵距的定量诊断方法 | 第53-54页 |
·基于过程信息融合的诊断方法 | 第54-55页 |
·基于信息熵贴近度的诊断方法 | 第55-56页 |
·航空发动机整机振动故障诊断实例分析 | 第56-61页 |
·基于过程信息熵的定量诊断方法 | 第56-57页 |
·整机振动故障信息熵矩阵计算 | 第57-58页 |
·目标信号选取和故障信息熵差矩阵计算 | 第58-61页 |
·故障严重程度的诊断 | 第61页 |
·本章小结 | 第61-62页 |
第6章 基于信息熵和支持向量机的航空发动机整机振动故障融合诊断 | 第62-67页 |
·概述 | 第62页 |
·小波包空间特征谱熵理论 | 第62-63页 |
·基于信息融合故障诊断过程流程图 | 第63页 |
·实例计算 | 第63-66页 |
·实验数据选取 | 第63-65页 |
·小波包空间特征谱熵提取 | 第65页 |
·信息融合故障诊断模型训练与验证 | 第65-66页 |
·故障严重程度的确定 | 第66页 |
·本章小结 | 第66-67页 |
第7章 结论 | 第67-69页 |
附录Ⅰ 整机振动测试样本部分小波包空间特征谱熵向量 | 第69-72页 |
参考文献 | 第72-76页 |
致谢 | 第76-77页 |
攻读硕士期间发表(含录用)的学术论文 | 第77页 |