基于神经网络和协同学的航空发动机气路故障诊断研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 目前存在的以及要解决的主要问题 | 第12-13页 |
| 1.3.1 存在的主要问题及发展趋势 | 第12-13页 |
| 1.3.2 需要解决的主要问题 | 第13页 |
| 1.4 本文主要研究内容和工作安排 | 第13-17页 |
| 1.4.1 论文主要研究内容和研究思路 | 第13-15页 |
| 1.4.2 论文内容安排 | 第15-17页 |
| 第二章 航空发动机气路故障分析与诊断方法 | 第17-24页 |
| 2.1 航空发动机气路故障 | 第17-18页 |
| 2.2 气路故障诊断基本原理 | 第18页 |
| 2.3 气路故障诊断准备工作 | 第18-19页 |
| 2.3.1 测量参数的选择 | 第18-19页 |
| 2.3.2 测试数据的录取 | 第19页 |
| 2.4 相似故障问题分析 | 第19-21页 |
| 2.5 气路故障诊断方法研究 | 第21-23页 |
| 2.5.1 神经网络在气路故障诊断中的应用 | 第22-23页 |
| 2.5.2 协同学在气路故障诊断中的应用 | 第23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于神经网络的初步故障诊断 | 第24-40页 |
| 3.1 神经网络概述 | 第24-26页 |
| 3.1.1 神经元模型与神经网络的构成 | 第24-25页 |
| 3.1.2 神经网络的学习 | 第25页 |
| 3.1.3 神经网络应用于故障诊断的优越性 | 第25-26页 |
| 3.2 基于SOM的航空发动机气路故障诊断 | 第26-31页 |
| 3.2.1 SOM神经网络结构 | 第26-27页 |
| 3.2.2 SOM神经网络学习算法 | 第27页 |
| 3.2.3 基于SOM神经网络的故障诊断 | 第27-28页 |
| 3.2.4 实例模型选择与仿真分析 | 第28-31页 |
| 3.3 基于支持向量机的航空发动机气路故障诊断 | 第31-39页 |
| 3.3.1 支持向量机基本原理 | 第31-34页 |
| 3.3.2 多分类支持向量机 | 第34页 |
| 3.3.3 SVM的软件实现 | 第34-35页 |
| 3.3.4 SVM参数选择及优化 | 第35-36页 |
| 3.3.5 基于SVM的故障诊断实例分析 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于协同学的进一步故障诊断 | 第40-52页 |
| 4.1 协同学理论 | 第40-42页 |
| 4.1.1 协同学基本思想 | 第40页 |
| 4.1.2 协同模式识别的数学模型 | 第40-41页 |
| 4.1.3 协同识别中的关键概念 | 第41-42页 |
| 4.2 协同神经网络 | 第42-44页 |
| 4.3 协同学习算法 | 第44-46页 |
| 4.3.1 原型模式的选择 | 第44-45页 |
| 4.3.2 伴随向量的求取 | 第45-46页 |
| 4.4 基于协同学的相似故障区分 | 第46-51页 |
| 4.4.1 协同故障诊断的基本原理 | 第46-47页 |
| 4.4.2 实例仿真 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 航空发动机气路故障诊断系统软件实现 | 第52-63页 |
| 5.1 图形用户界面（GUI）概述 | 第52页 |
| 5.2 故障诊断系统界面设计过程 | 第52-59页 |
| 5.3 故障诊断系统界面运行过程 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70-71页 |
| 作者简介 | 第71页 |
