| 摘要 | 第13-15页 |
| Abstract | 第15-17页 |
| 第一章 绪论 | 第18-37页 |
| 1.1 研究背景与意义 | 第18-22页 |
| 1.1.1 研究背景 | 第18-21页 |
| 1.1.2 研究意义 | 第21-22页 |
| 1.2 国内外研究现状 | 第22-34页 |
| 1.2.1 故障预测方法研究现状 | 第22-30页 |
| 1.2.2 PNN研究现状 | 第30-32页 |
| 1.2.3 故障预测的应用 | 第32-34页 |
| 1.3 主要研究工作 | 第34-37页 |
| 1.3.1 问题提出 | 第34-35页 |
| 1.3.2 主要研究内容与章节安排 | 第35-37页 |
| 第二章 基于PNN的LRE故障预测方法 | 第37-80页 |
| 2.1 引言 | 第37页 |
| 2.2 LRE故障预测通用框架与策略 | 第37-43页 |
| 2.2.1 LRE故障预测的数学描述 | 第37-40页 |
| 2.2.2 LRE广义故障预测通用框架和策略 | 第40-43页 |
| 2.3 LRE结构层次划分方法 | 第43-46页 |
| 2.3.1 LRE结构层次化分解方法 | 第43-44页 |
| 2.3.2 LRE组件可用故障预测参数分析 | 第44-46页 |
| 2.4 基于一般PNN的发动机故障预测方法 | 第46-50页 |
| 2.4.1 故障预测 | 第47-49页 |
| 2.4.2 故障隔离 | 第49-50页 |
| 2.5 仿真验证及结果分析 | 第50-78页 |
| 2.5.1 试验对象及其工作原理 | 第50-52页 |
| 2.5.2 发动机组件划分 | 第52-55页 |
| 2.5.3 稳态过程故障预测 | 第55-69页 |
| 2.5.4 启动过程故障预测 | 第69-78页 |
| 2.6 小结 | 第78-80页 |
| 第三章 基于增量学习的PNN故障预测方法 | 第80-102页 |
| 3.1 引言 | 第80页 |
| 3.2 故障阈值自适应更新方法 | 第80-86页 |
| 3.2.1 故障阈值更新算法原理 | 第80-81页 |
| 3.2.2 故障阈值更新策略 | 第81-82页 |
| 3.2.3 仿真验证及结果分析 | 第82-86页 |
| 3.3 基于权值更新的PNN预测方法 | 第86-94页 |
| 3.3.1 暴力算法 | 第86-87页 |
| 3.3.2 网络输出权值更新方法 | 第87-92页 |
| 3.3.3 仿真验证及结果分析 | 第92-94页 |
| 3.4 基于输出调节系数更新的PNN预测方法 | 第94-101页 |
| 3.4.1 DHPNN模型 | 第95-96页 |
| 3.4.2 输出调节系数更新方法 | 第96-99页 |
| 3.4.3 仿真验证及结果分析 | 第99-101页 |
| 3.5 小结 | 第101-102页 |
| 第四章 基于组合PNN的预测方法 | 第102-122页 |
| 4.1 引言 | 第102-103页 |
| 4.2 网络泛化性能分析 | 第103-108页 |
| 4.2.1 组合PNN泛化误差分析 | 第103页 |
| 4.2.2 单一网络泛化性能分析 | 第103-108页 |
| 4.3 基于组合PNN的预测方法 | 第108-115页 |
| 4.3.1 网络组合方法分析 | 第108-110页 |
| 4.3.2 动态权重合成方法 | 第110-113页 |
| 4.3.3 仿真验证及结果分析 | 第113-115页 |
| 4.4 基于误差预测修正的预测方法 | 第115-120页 |
| 4.4.1 误差预测分析 | 第115-116页 |
| 4.4.2 误差预测修正方法 | 第116-118页 |
| 4.4.3 仿真验证及结果分析 | 第118-120页 |
| 4.5 小结 | 第120-122页 |
| 第五章 基于样本重构的PNN预测方法 | 第122-143页 |
| 5.1 引言 | 第122-123页 |
| 5.2 PNN样本构造 | 第123-130页 |
| 5.2.1 样本预处理 | 第123-125页 |
| 5.2.2 样本重构 | 第125-126页 |
| 5.2.3 样本对PNN预测的影响分析 | 第126-130页 |
| 5.3 基于多尺度分析的PNN预测方法 | 第130-136页 |
| 5.3.1 多尺度分析方法 | 第130-132页 |
| 5.3.2 多尺度并行PNN预测方法 | 第132-134页 |
| 5.3.3 仿真验证及结果分析 | 第134-136页 |
| 5.4 基于数据分段的PNN预测方法 | 第136-141页 |
| 5.4.1 数据分段预测方法 | 第137-139页 |
| 5.4.2 分段网络模型选择方法分析 | 第139-140页 |
| 5.4.3 仿真验证及结果分析 | 第140-141页 |
| 5.5 小结 | 第141-143页 |
| 第六章 基于多方法集成的预测方法 | 第143-163页 |
| 6.1 引言 | 第143-144页 |
| 6.2 多方法集成原理与分段建模 | 第144-145页 |
| 6.3 基于AdaBoost.RT框架的多方法集成预测 | 第145-155页 |
| 6.3.1 基于AdaBoost.RT框架集成算法 | 第145-146页 |
| 6.3.2 基于动态权重组合的集成预测方法 | 第146-151页 |
| 6.3.3 基于增量学习的SVR预测方法 | 第151-153页 |
| 6.3.4 仿真验证及结果分析 | 第153-155页 |
| 6.4 基于在线建模的集成预测方法 | 第155-161页 |
| 6.4.1 在线建模方法分析 | 第155-157页 |
| 6.4.2 在线集成预测方法 | 第157-159页 |
| 6.4.3 仿真验证及结果分析 | 第159-161页 |
| 6.5 小结 | 第161-163页 |
| 第七章 发动机故障预测工具箱设计与实现 | 第163-173页 |
| 7.1 引言 | 第163页 |
| 7.2 工具箱设计理念与特点 | 第163-167页 |
| 7.2.1 面向实际需求 | 第163-165页 |
| 7.2.2 功能模块化 | 第165-166页 |
| 7.2.3 丰富的程序接口 | 第166-167页 |
| 7.3 工具箱的实现 | 第167-170页 |
| 7.3.2 硬件系统配置 | 第167-168页 |
| 7.3.3 数据分析与预处理 | 第168页 |
| 7.3.4 参数设置与方法选择 | 第168-169页 |
| 7.3.5 工具箱演示 | 第169-170页 |
| 7.4 小结 | 第170-173页 |
| 第八章 总结与展望 | 第173-177页 |
| 8.1 论文主要工作 | 第173-174页 |
| 8.2 本文主要创新点 | 第174-175页 |
| 8.3 工作展望 | 第175-177页 |
| 致谢 | 第177-179页 |
| 参考文献 | 第179-192页 |
| 作者在学期间取得的学术成果 | 第192-193页 |