| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究的背景和意义 | 第9-10页 |
| 1.2.1 课题研究背景 | 第9页 |
| 1.2.2 课题研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-14页 |
| 1.3.1 航空发动机气路故障诊断方法研究 | 第10-12页 |
| 1.3.2 基于阈值的故障诊断方法研究 | 第12-13页 |
| 1.3.3 多源信息融合故障诊断方法研究 | 第13-14页 |
| 1.4 国内外研究综述分析 | 第14-15页 |
| 1.5 本文主要研究内容 | 第15-17页 |
| 第2章 基于性能参数相对梯度的发动机故障诊断 | 第17-38页 |
| 2.1 引言 | 第17页 |
| 2.2 发动机气路故障分类及指征参数分析 | 第17-25页 |
| 2.2.1 飞机发动机故障诊断研究分类 | 第17-18页 |
| 2.2.2 飞机发动机气路故障指征参数分析 | 第18-25页 |
| 2.3 基于性能参数相对梯度的故障诊断方法 | 第25-35页 |
| 2.3.1 飞机发动机气路参数相对梯度建模 | 第25-30页 |
| 2.3.2 基于性能参数相对梯度的故障诊断阈值学习 | 第30-35页 |
| 2.4 基于性能参数相对梯度的故障诊断方法验证 | 第35-37页 |
| 2.4.1 进口总温指示故障验证 | 第35-36页 |
| 2.4.2 可调放气活门故障验证 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于多性能参数趋势分析的发动机故障诊断 | 第38-58页 |
| 3.1 引言 | 第38页 |
| 3.2 基于发动机气路参数离散变化趋势的故障诊断方法 | 第38-42页 |
| 3.2.1 气路参数趋势学习神经网络输入输出设计 | 第39-40页 |
| 3.2.2 气路参数趋势学习神经网络结构设计 | 第40-42页 |
| 3.3 基于发动机气路参数趋势拟合的故障诊断方法 | 第42-48页 |
| 3.3.1 气路参数趋势拟合方法研究 | 第43-46页 |
| 3.3.2 基于气路参数趋势拟合的神经网络结构设计 | 第46-47页 |
| 3.3.3 基于气路参数趋势拟合的神经网络学习 | 第47-48页 |
| 3.4 基于多性能参数趋势分析的故障诊断方法验证 | 第48-57页 |
| 3.4.1 基于发动机气路参数的特定故障判别 | 第48-53页 |
| 3.4.2 基于发动机气路参数的多故障分类 | 第53-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第4章 基于加权D-S证据融合的发动机故障诊断方法 | 第58-77页 |
| 4.1 引言 | 第58-59页 |
| 4.2 基础诊断模块 | 第59-64页 |
| 4.2.1 RGOPP故障诊断基本概率分配 | 第59-64页 |
| 4.2.2 DVTOPP故障诊断基本概率分配 | 第64页 |
| 4.3 基于加权D-S证据理论的融合决策诊断 | 第64-71页 |
| 4.3.1 改进的加权证据理论 | 第67-68页 |
| 4.3.2 加权证据理论的融合故障诊断 | 第68-71页 |
| 4.4 加权融合故障诊断方法验证 | 第71-76页 |
| 4.5 本章小结 | 第76-77页 |
| 结论 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的论文 | 第82-84页 |
| 致谢 | 第84页 |
