| 摘要 | 第1-6页 |
| Abstract | 第6-17页 |
| 第一章 绪论 | 第17-21页 |
| ·航空燃气涡轮发动机故障分析与诊断的意义 | 第17页 |
| ·航空燃气涡轮发动机故障诊断历史与现状 | 第17-19页 |
| ·论文的主要内容 | 第19-21页 |
| 第二章 航空燃气涡轮发动机故障模式影响分析 | 第21-35页 |
| ·某军用发动机功能和组成 | 第21页 |
| ·某发动机功能框图和可靠性模型 | 第21-25页 |
| ·发动机功能框图 | 第21-22页 |
| ·发动机本体 | 第22页 |
| ·点火起动系统 | 第22-23页 |
| ·润滑系统 | 第23-24页 |
| ·燃油控制系统 | 第24页 |
| ·供电系统 | 第24页 |
| ·传动系统 | 第24-25页 |
| ·某军用发动机故障模式影响分析(FMEA) 说明 | 第25-26页 |
| ·某军用发动机故障判据、故障模式和产生机理 | 第26-30页 |
| ·某军用发动机故障判据 | 第26页 |
| ·某军用发动机故障模式及产生机理 | 第26-30页 |
| ·某军用发动机故障检测方法 | 第30-31页 |
| ·发动机实时故障检测方法 | 第30页 |
| ·离线故障分析方法 | 第30-31页 |
| ·某军用发动机主要故障出现概率及预防措施 | 第31-33页 |
| ·某军用发动机主要故障出现概率 | 第31-33页 |
| ·发动机故障预防措施 | 第33页 |
| ·故障模式及影响分析表 | 第33页 |
| ·Ⅰ、II 类故障模式清单 | 第33页 |
| ·单点故障模式清单 | 第33-34页 |
| ·改进措施实施计划清单 | 第34页 |
| ·保留问题清单 | 第34页 |
| ·小结 | 第34-35页 |
| 第三章 某军用燃气涡轮发动机高压涡轮叶片断裂故障FMEA 分析 | 第35-49页 |
| ·引言 | 第35页 |
| ·外观检查和断口分析 | 第35-39页 |
| ·外观检查 | 第35-36页 |
| ·断口微观观察 | 第36-37页 |
| ·金相组织检查 | 第37-38页 |
| ·叶片剥落层的分析 | 第38-39页 |
| ·故障机理分析 | 第39-45页 |
| ·装配工艺 | 第39页 |
| ·制式起动 | 第39页 |
| ·高温条件下的叶片振动分析 | 第39-42页 |
| ·性能分析 | 第42-45页 |
| ·故障发生、发展过程的分析 | 第45-47页 |
| ·发动机等效折合工作时间的统计 | 第47-48页 |
| ·典型发动机折合等效工作时间 | 第47页 |
| ·总体提供轨迹折合等效工作时间 | 第47-48页 |
| ·某型编号为S030、S035 发动机工作能力分析 | 第48页 |
| ·小结 | 第48-49页 |
| 第四章 基于集成神经网络的燃气涡轮发动机智能融合诊断 | 第49-61页 |
| ·信息融合与故障诊断 | 第49-50页 |
| ·集成神经网络诊断原理 | 第50-53页 |
| ·数据处理模块 | 第50-51页 |
| ·特征信息分配单元 | 第51页 |
| ·诊断网络 | 第51-52页 |
| ·决策融合网络 | 第52-53页 |
| ·发动机磨损故障的集成神经网络融合诊断 | 第53-60页 |
| ·发动机磨损故障集成神经网络融合诊断流程图 | 第53页 |
| ·原始征兆数据的预处理 | 第53-55页 |
| ·集成神经网络的融合诊断 | 第55-57页 |
| ·集成神经网络的模糊综合决策 | 第57-58页 |
| ·算例 | 第58-60页 |
| ·小结 | 第60-61页 |
| 第五章 基于知识规则的燃气涡轮发动机故障诊断 | 第61-81页 |
| ·基于知识的专家系统原理 | 第61-63页 |
| ·基于知识规则专家诊断 | 第63-70页 |
| ·诊断对象 | 第63页 |
| ·磨损故障诊断的征兆信息源 | 第63-64页 |
| ·各种诊断方法的诊断知识规则 | 第64-68页 |
| ·发动机磨损故障诊断专家系统推理机 | 第68-69页 |
| ·算例 | 第69-70页 |
| ·基于粗糙集理论知识获取的诊断专家系统 | 第70-75页 |
| ·诊断流程 | 第70-71页 |
| ·航空发动机光谱诊断专家系统中知识获取的关键技术 | 第71-73页 |
| ·诊断实例 | 第73-75页 |
| ·燃气涡轮发动机诊断知识的动态获取技术 | 第75-79页 |
| ·可扩展样本库 | 第75-76页 |
| ·基于粗糙集理论的样本预处理 | 第76-77页 |
| ·弹用发动机的诊断知识动态获取算例 | 第77-79页 |
| ·小结 | 第79-81页 |
| 第六章 基于案例推理CBR 的燃气涡轮发动机故障诊断 | 第81-105页 |
| ·基于案例的推理技术 | 第81-87页 |
| ·案例表示与案例库索引 | 第83-84页 |
| ·案例存储 | 第84-85页 |
| ·案例检索 | 第85页 |
| ·案例重用 | 第85-86页 |
| ·案例修改 | 第86页 |
| ·案例学习 | 第86-87页 |
| ·发动机故障案例库的构建 | 第87-94页 |
| ·排故案例的表达 | 第87-88页 |
| ·案例库索引策略 | 第88页 |
| ·排故案例的存储 | 第88-94页 |
| ·故障案例的检索 | 第94-102页 |
| ·案例检索模型 | 第94-96页 |
| ·应用分析 | 第96-102页 |
| ·排故案例的重用 | 第102页 |
| ·排故案例的修改 | 第102-104页 |
| ·案例修改中常用的理论和方法 | 第102-103页 |
| ·基于差异驱动的排故案例修改模型 | 第103-104页 |
| ·排故案例的学习 | 第104页 |
| ·小结 | 第104-105页 |
| 第七章 燃气涡轮发动机故障趋势预测技术 | 第105-124页 |
| ·时间序列预测的基本思想 | 第105页 |
| ·时间序列分类 | 第105-106页 |
| ·线性时间序列 | 第105-106页 |
| ·非线性时间序列 | 第106页 |
| ·线性时间序列预测方法 | 第106-107页 |
| ·非线性时间序列预测方法 | 第107-116页 |
| ·相空间重构理论 | 第107-108页 |
| ·神经网络预测法 | 第108-112页 |
| ·支持向量机预测法 | 第112-116页 |
| ·应用实例 | 第116-123页 |
| ·燃气涡轮发动机磨损趋势的神经网络预测 | 第116-118页 |
| ·燃气涡轮发动机磨损趋势的支持向量机预测 | 第118页 |
| ·燃气涡轮发动机性能趋势的非线性时间序列预测 | 第118-123页 |
| ·小结 | 第123-124页 |
| 第八章 总结与展望 | 第124-127页 |
| ·论文工作总结 | 第124-125页 |
| ·未来工作展望 | 第125-127页 |
| 参考文献 | 第127-133页 |
| 附录1 故障模式及影响分析表（部分） | 第133-135页 |
| 附录2 Ⅰ、Ⅱ类故障模式清单（部分） | 第135-137页 |
| 附录3 单点故障模式清单（部分） | 第137-139页 |
| 附录4 FMEA 补偿措施实施计划清单（部分） | 第139-141页 |
| 附录5 FMEA 保留问题清单（部分） | 第141-142页 |
| 致谢 | 第142-143页 |
| 攻读博士学位期间发表的学术论文及科研工作 | 第143页 |
