涡扇发动机气路健康参数滤波估计方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-13页 |
| 第一章 绪论 | 第13-18页 |
| ·研究背景 | 第13-14页 |
| ·国内外研究现状 | 第14-16页 |
| ·本文的内容安排 | 第16-18页 |
| 第二章 发动机气路故障分析与机载自适应实时模型 | 第18-44页 |
| ·发动机非线性模型 | 第18页 |
| ·发动机气路部件故障分析 | 第18-19页 |
| ·发动机状态变量模型 | 第19-28页 |
| ·状态变量模型的建立 | 第19-21页 |
| ·增广状态变量模型 | 第21页 |
| ·增广状态变量模型求解与精度验证 | 第21-28页 |
| ·大范围小偏差模型 | 第28-32页 |
| ·稳态模型 | 第29页 |
| ·大范围小偏差模型建立与仿真 | 第29-32页 |
| ·发动机机载自适应模型 | 第32-39页 |
| ·卡尔曼滤波器设计 | 第32-33页 |
| ·机载自适应实时模型仿真 | 第33-39页 |
| ·起动与加力过程建模 | 第39-43页 |
| ·简化起动模型 | 第39-40页 |
| ·加力过程建模 | 第40-41页 |
| ·机载自适应模型全状态仿真 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第三章 基于非线性滤波算法的发动机气路健康诊断 | 第44-55页 |
| ·扩展卡尔曼滤波 | 第44-47页 |
| ·基本原理 | 第44-45页 |
| ·诊断原理 | 第45页 |
| ·仿真分析 | 第45-47页 |
| ·无迹卡尔曼滤波 | 第47-50页 |
| ·基本原理 | 第47-49页 |
| ·仿真分析 | 第49-50页 |
| ·粒子滤波 | 第50-54页 |
| ·标准粒子滤波算法 | 第50-51页 |
| ·扩展卡尔曼粒子滤波（EKPF） | 第51-52页 |
| ·仿真分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第四章 粒子滤波的改进算法 | 第55-72页 |
| ·自适应粒子滤波 | 第55-60页 |
| ·滤波样本数选择 | 第55-56页 |
| ·自适应粒子滤波算法 | 第56-57页 |
| ·仿真分析 | 第57-60页 |
| ·强跟踪粒子滤波 | 第60-65页 |
| ·强跟踪滤波 | 第60-61页 |
| ·强跟踪粒子滤波算法描述 | 第61-62页 |
| ·仿真分析 | 第62-65页 |
| ·基于神经网络的重要性权值调整粒子滤波 | 第65-71页 |
| ·BP 神经网络学习算法 | 第66页 |
| ·神经网络调整粒子 | 第66-68页 |
| ·仿真分析 | 第68-71页 |
| ·本章小结 | 第71-72页 |
| 第五章 基于快速原型的发动机气路故障诊断方法验证 | 第72-77页 |
| ·快速原型技术 | 第72页 |
| ·系统方案简介 | 第72-74页 |
| ·仿真与分析 | 第74-76页 |
| ·自适应粒子滤波仿真分析 | 第74-75页 |
| ·强跟踪粒子滤波仿真分析 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| ·本文主要工作总结 | 第77-78页 |
| ·展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-84页 |
| 在学期间的研究成果及发表的学术论文 | 第84页 |
