一、应用神经网络的航空发动机故障诊断仿真研究(英文)（论文文献综述）
白明亮[1]（2020）在《故障案例稀缺场景下的燃气轮机智能故障检测及诊断研究》文中研究表明燃气轮机是一种应用广泛的动力机械。开展燃气轮机的故障检测与诊断对于其安全可靠运行有着极其重要的意义。随着人工智能和大数据技术的蓬勃发展,数据驱动的燃气轮机智能故障检测与诊断受到研究者的广泛欢迎。然而,在燃气轮机的实际运行数据中,故障案例的稀缺是不可避免的。特别是新投入运行的燃气轮机,在其运行初期,各部件处于健康状态,此时可获得的运行数据中通常只包含正常样本。新投入运行的燃气轮机在运行一段时间后,会积累少量的故障数据。此时,正常数据远远多于故障数据,处于极度的类不平衡状态。即使燃气轮机运行了很长一段时间,类不平衡现象仍然存在。故障案例的稀缺给数据驱动的燃气轮机故障检测与诊断带来了严峻的挑战。针对故障案例稀缺场景下的燃气轮机智能故障检测及诊断问题,本文开展了如下研究工作:首先,本文利用单轴燃气轮机和船用三轴燃气轮机的非线性部件级模型,对两种燃气轮机的典型气路故障特性进行了分析,比较了气路故障对可测参数的影响与工况和环境条件变化对可测参数的影响,针对故障案例稀缺场景下的燃气轮机故障检测及诊断,提出了抑制工况和环境条件干扰、凸显故障的研究思路。第二,针对燃气轮机运行初期只有正常数据的场景,本文首先完全从数据驱动的角度出发,研究了一类支持向量机、主成分分析、孤立森林和局部异常因子四种一类模式识别方法在仅有正常数据的故障检测问题中的检测效果。在Taurus70单轴燃气轮机和某船用三轴燃气轮机上的实验结果表明这四种方法均能取得一定的故障检测效果,其中采用RBF（Radical Basis Function）核函数的一类支持向量机算法取得了相对较好的故障检测精度。第三,针对燃气轮机运行初期只有正常数据的场景,本文融入了燃气轮机的物理机理,提出了常模式提取的故障检测方法。通过布雷顿循环和燃气轮机基本原理,揭示了单轴燃气轮机正常运行时各测点间的固有映射关系,消除了工况和运行条件对故障检测的干扰,并通过NARX（nonlinear autoregressive with exogenous inputs）神经网络实现了单轴燃气轮机准确的常模式提取和灵敏鲁棒的故障检测。该方法在Taurus70单轴燃气轮机正常数据上的检测精度达98.67%,在单轴燃气轮机故障数据上的检测精度达99.96%。与上述四种一类模式识别方法的比较实验表明,常模式提取方法显着提高了单轴燃气轮机的故障检测精度。第四,针对燃气轮机运行初期只有正常数据的场景,本文进一步提出了由多个常模式模型组成的常模式阵列。常模式阵列方法通过时序挖掘能力较强的长短期记忆网络进行辨识,并通过多个常模式模型的协调决策实现灵敏鲁棒的故障检测。在船用三轴燃气轮机上的实验结果表明,常模式阵列方法的正常数据上取得了96.97%的检测精度,对13种常见气路故障均能获得99.86%以上的检测精度。与单一的常模式模型方法和上述四种一类模式识别方法相比,常模式阵列方法显着提高了燃气轮机的故障检测精度。最后,针对极度类不平衡场景下的燃气轮机故障诊断,本文系统地研究了随机过采样、SMOTE（Synthetic Minority Oversampling Technique）过采样、Borderline-SMOTE过采样、随机欠采样、Near Miss欠采样和加权支持向量机在极度类不平衡场景下的燃气轮机故障诊断效果。实验结果表明过采样方法和样本加强方法均能提高极度类不平衡场景下的燃气轮机故障诊断精度,其中过采样方法对诊断精度的提升最大。综上,本文在仅有正常数据的场景下实现了单轴燃气轮机和船用三轴燃气轮机灵敏鲁棒的故障检测,在极度类不平衡场景下大幅度提高了燃气轮机的故障诊断精度,从而为故障案例稀缺场景下的燃气轮机故障检测与诊断提供了有效的理论指导。
朱永新[2]（2020）在《基于改进支持向量机的航空发动机滑油系统故障诊断研究》文中指出在航空发动机的故障中,滑油系统的故障占据了很大一部分,针对当前滑油系统的故障诊断数据匮乏、定性模糊、鲜有定量的特点,研究滑油系统的故障诊断,以方便获取故障数据,在故障时刻及时作出判断,或者在故障形成之前作出预测,对于保障航空发动机的安全运行具有很重要的意义。以某型航空发动机为研究对象,使用改进支持向量机实现了滑油系统的故障诊断。论文的具体研究内容如下:（1）研究了某型航空发动机滑油系统的构造,然后根据调研数据选取了滑油系统的四大典型故障,并对其故障成因进行了逐一分析。（2）根据故障的分析结果,建立了典型故障的贝叶斯网络模型。然后以滑油消耗量大这一故障为例,选用贝叶斯网络的精确推理算法——Hugin算法进行推理。最后结合三种部件重要度的评价方法,筛选出了故障成因中的重要基本事件。（3）因为航空发动机滑油供油系统与回油系统具有相似性,因此仅以供油系统为例,使用AMESim软件建立了供油系统的模型。然后将上文筛选出的重要基本事件在AMESim模型中进行故障仿真,得到了故障与故障特征参数之间的映射关系,即故障数据。（4）首先,使用支持向量机建立滑油系统的故障诊断模型。然后,提出了一种支持向量机在分类问题上的平均影响值计算方法——“平均距离计算法”。并将该方法用于故障数据的降维,并通过与主元分析法对比,证明了该方法的正确性。为了提升故障诊断的精确率,引入蚱蜢优化算法,优化支持向量机的惩罚因子C和高斯核参数g,使故障诊断模型的精度提升至97.5%。
葛杭[3]（2020）在《某型航空发动机机械燃油泵典型故障诊断的仿真研究》文中进行了进一步梳理航空发动机燃油泵作为燃油控制系统的重要组成部分,其健康状况直接影响着发动机的可靠性和使用寿命。当燃油泵发生故障且得不到及时准确的解决时,很可能会影响整个燃油系统的正常工作,甚至影响航空器的飞行安全。目前,国内在进行航空发动机故障诊断时,较多地采用人工经验诊断的方法,即凭借诊断人员丰富的实践经验和一定的理论知识,借助一定的简单工具,用眼看,耳听,手摸等手段来检查和定位故障,分析故障产生的原因,进而提出排故措施。但是,由于人员技术水平参差不齐,诊断技术不成熟等原因,导致了诊断维修时间过长,影响航空器的使用效率以及安全性和经济性。因此,开展基于更加科学高效的故障诊断方法的研究是十分必要的,且具有一定的工程应用价值。为了得到燃油泵的故障模型,本文在分析了该型燃油泵工作原理及各参数的变化规律的基础上,利用AMESim软件和Matlab平台下Simulink模块建立燃油泵的数字孪生体,在验证其精确性的基础上,通过在仿真模型中添加故障的手段,获得了该型燃油泵在典型故障模式下的仿真模型及故障数据。实践表明,本文所建立的燃油泵仿真模型,在正常工作模式下,其所输出的工作参数变化曲线与飞行记录仪所记录的数据,两者之间的拟合程度满足要求。并且,通过故障注入手段获得的故障模式下的工作参数变化曲线,其特征与理论分析结果基本保持一致。该方法为故障数据较少或难以获取的诊断问题提供了一个很好的解决思路。采用基于人工智能的方法建立燃油泵故障诊断模型,选取诊断参数并进行归一化处理。将单向活门卡滞和膜盒泄漏两种典型故障及故障组合进行诊断。诊断结果表明,在故障样本较少且难以获取的情况下,随机森林,支持向量机以及神经网络等基于人工智能的故障诊断模型具有良好的适应性,适用于本文所研究的燃油泵故障诊断。并且,对比三种故障诊断模型的诊断结果,基于LSTM深度神经网络诊断模型具有更高的诊断精度。
刘星怡[4]（2020）在《基于深度信念网络的航空发动机气路故障诊断方法研究》文中研究指明先进的航空发动机故障诊断技术,可有效提高飞机的安全性,并大幅降低发动机维修保养的成本。为此,本文针对大涵道比民用涡扇发动机气路故障,开展基于深度信念网络（DBN）的故障诊断算法设计方法研究。首先,阐述了航空发动机故障诊断的研究意义,分析了航空发动机气路故障产生的原因,基于TMATS工具箱航空发动机部件级模型,生成气路故障数据并进行预处理,用于训练和测试故障诊断模型。其次,分析了深度信念网络原理和训练方法,构建了基于深度信念网络的航空发动机气路故障诊断模型,并与基于反向传播神经网络和支持向量机的传统故障诊断模型进行对比,验证了该模型的故障诊断性能。进一步提出了基于正交试验法、粒子群算法和量子粒子群算法的超参数优化方法,提高了模型的诊断精度。最后,提出了基于DBSCAN聚类的包线划分算法,对标称转速下的飞行包线进行区域划分,并建立相应的故障诊断模型,训练和测试结果验证了算法的有效性。在此研究基础上,提出了基于深度信念网络的全飞行包线故障诊断算法。
刘伟民[5]（2020）在《航空发动机健康管理系统数字仿真平台关键技术研究》文中研究说明航空发动机健康管理作为提高航空发动机可靠性、可用性与安全性的重要手段之一,一直是航空制造业、运输业和维修业共同关注的热点问题。为了方便后人对航空发动机健康管理系统架构进行探索,并对健康管理相关算法进行仿真验证,本文针对航空发动机健康管理系统,设计并构造了一个航空发动机健康管理系统数字仿真平台,并在建立了某型发动机退化模型的基础上,在平台上设计与验证了部分航空发动机健康管理算法。论文主要工作内容如下:首先,开展航空发动机健康管理系统需求分析和构架设计的研究。通过文献调研,对航空发动机健康管理系统进行需求定义,对航空发动机健康管理系统数字仿真平台进行具体需求分析,并以此为基础,结合课题组实际情况和硬件水平,将需求进行进一步分解,根据仿真平台需求分解,采用典型C/S软件架构,将系统定义为机载、地面和用户终端健康管理子系统,并对整体软件功能架构进行了定义;然后,开展健康管理系统关键算法的研究。首先建立JT9D部件级模型,并在测绘NASA公开文献和数据的基础上,建立JT9D发动机退化模型,对航空发动机健康管理系统的算法进行需求与功能分析,提出基于卷积神经网络（Convolutional Neural Network,CNN）的航空发动机故障诊断算法和基于长短期记忆神经网络（Long Short-Term Memory,LSTM）的剩余寿命预估算法,并对算法进行了验证和结果分析。其次,进行健康管理系统仿真平台各子系统设计与实现的工作。设计仿真平台的网络数据链构架,并分别对机载、地面和用户终端健康管理仿真子系统进行构架设计,决定各子系统中数据管理、算法集成、软件架构和数据储存等关键技术路径,为各个子系统的实现提供解决方案,并完成各个子系统具体的编码工作;最后,进行健康管理系统仿真平台与算法集成验证的工作。在硬件在环仿真平台上验证机载健康管理仿真子系统,在某商用云服务器上验证地面健康管理仿真子系统,在PC端和移动终端验证用户终端健康管理仿真子系统的各项功能,然后验证传感器故障诊断算法、发动机剩余寿命预估算法和故障报警等功能,集成所有子系统,对照定义的需求对发动机健康管理仿真系统进行整体验证。
刘莹[6]（2020）在《微型燃气轮机故障诊断容错控制验证研究》文中研究说明微型燃气轮机技术作为本世纪能源与动力系统的核心关键技术,微型燃气轮机的发电机组已被广泛应用于分布式发电系统,成为衡量国家工业基础先进程度的重要标志。为了保证分布式发电系统的安全稳定运行,微型燃气轮机的故障诊断和容错控制研究至关重要。本文选择某款单轴微型燃气轮机为研究对象,为了针对传感器发生故障的情况进行诊断和容错研究,搭建了该款微型燃气轮机的部件级数学模型和线性化模型,分别设计了基于卡尔曼滤波器和BP神经网络的传感器故障诊断和容错控制方法,并在全数字仿真平台和硬件在回路仿真平台上进行模型和算法的集成验证。首先,开展微型燃气轮机的部件级建模研究。使用基于模型的设计方法,借助T-MATS模块工具包,在MATLAB/Simulink软件平台上搭建了T100微型燃气轮机的部件级数学模型。建模过程中基于系统的部件特性热力学方程和部件特性平衡方程,初步建立T100微燃机的数学模型,接着根据部件特性图对非设计点的特性数据进行修正,以此提高所建立数学模型的仿真准确度。其次,开展了微型燃气轮机控制系统的设计研究。基于部件级数学模型,采用小扰动法和拟合法相结合的方法建立了T100微型燃气轮机的线性化模型。基于此线性化模型,以微型燃气轮机排气温度为控制目标,搭建了温度控制器。仿真结果表明,该控制器可以使T100微型燃气轮机获得较稳定的动态性能,验证了控制方案的可行性。接着,设计微型燃气轮机传感器故障诊断和容错控制研究。基于卡尔曼滤波算法原理和BP神经网络原理,针对T100微型燃气轮机传感器偏置和漂移两种故障模式,分别设计并搭建了基于扩展卡尔曼滤波器和BP神经网络的故障诊断和信号重构模块。仿真结果表明这两种方法可以有效诊断并隔离故障传感器,重构出正确的信号保证T100微型燃气轮机控制系统继续安全稳定运行。然后,开展微型燃气轮机部件级模型和故障诊断、容错控制算法在全数字仿真平台的集成和验证研究。使用代码生成的方法,将基于模型设计方法建立的T100微型燃气轮机部件级模型、恒温度控制器、故障诊断方法和容错控制算法在全权限数字电子控制系统设计综合平台FWorks进行集成和验证,分析了FWorks数字仿真平台开发的需求、技术开发,并介绍了模型和算法代码编译封装、FWorks平台集成的方法和流程。根据测试向例下的仿真结果对比验证了模型到代码转换的一致性。最后,开展微型燃气轮机部件级模型和故障诊断、容错控制算法在硬件在回路平台的集成和验证研究。总结了硬件在回路仿真平台的主要功能、基本架构和工作原理,介绍了模型和控制算法在硬件在回路平台集成和验证的代码编译封装、接口配置、烧写调用的方法流程。根据与全数字仿真相同的测试向例下的仿真结果对比验证了模型和算法的有效性。
强子健[7]（2020）在《基于滑模观测器的发动机传感器解析余度方法研究》文中提出航空发动机传感器解析余度研究是保证传感器和控制系统正常工作、提高飞行安全性和可靠性的重要途经。针对传统滤波器方法在传感器故障诊断应用中鲁棒性不强、结构复杂的问题,本文以某型大涵道比涡扇发动机为研究对象,开展基于二阶滑模观测器传感器解析余度方法研究。论文的主要工作如下:针对传统滤波器组方法结构冗余、多故障诊断实现复杂的问题,提出了基于带扰动项Super-Twisting结构的二阶未知输入重构滑模观测器设计方法,实现了航空发动机的传感器多故障诊断。将传感器故障视为系统未知输入,滑模特有的不连续切换项能够实现对故障的准确重构;对于观测结果的抖振问题,基于Super-Twisting结构,分析了各参数选择对抖振的抑制能力和对传感器故障重构精度的影响;包线内多组动、稳态仿真验证了该方法对于单个或多个传感器软、硬故障的重构能力。针对发动机不确定性,提出了基于二阶滑模观测器组的多自由度鲁棒传感器故障重构方法,提高了诊断鲁棒性。基于线性矩阵不等式求解缩放因子,减小了不确定性对重构结果的影响;考虑到发动机传感器数量的限制,利用滑模观测器组的方法得到了用于鲁棒设计的自由度,并结合逻辑判断实现了传感器数量有限情况下的航空发动机传感器鲁棒故障诊断。考虑到发动机可能存在的部件性能故障,提出了主、辅观测器结合逻辑判断的故障区分方法;针对部件故障对传感器故障重构精度的影响,提出了基于辅助观测器的传感器故障诊断系统的修正方法。利用主观测器（用于重构传感器故障）和辅助观测器（用于重构部件性能故障）得到故障的重构结果,并结合故障重构信息与逻辑判断实现了两类故障的区分;针对发生部件性能故障的发动机,利用辅助观测器估计结果修正主观测器,保证了传感器故障重构的准确性。
任茹菲[8]（2019）在《燃气轮机预测与健康管理关键技术研究》文中研究说明为实现燃气轮机的维修方式从定期维修转变为视情维修,保障燃气轮机系统运行过程的安全性和可靠性,需要在燃气轮机全寿命期间实现健康监控,因此需要研究燃气轮机预测与健康管理技术。本文在充分吸收国内外学者的研究成果的基础上,研究了燃气轮机预测与健康管理系统涉及到的关键技术。（1）首先,研究了燃气轮机预测与健康管理系统的总体结构。对PHM系统的基本概念和功能架构进行了研究,研究了燃气轮机异常工作模式以及复杂系统按照功能及结构的分解方法,并设计了燃气轮机预测与健康管理系统总体架构,分析了其主要组成部分。（2）其次,研究了基于数据驱动的KPCA算法,总结了采用KPCA进行故障检测与隔离的步骤,用KPCA实现了对燃气轮机传感器典型故障诊断与隔离,Matlab/Simulink仿真结果表明了KPCA能有效地检测出传感器恒偏差故障、漂移故障以及间歇性故障。（3）再次,采用基于模型的故障诊断方法,构建了燃气轮机气路故障诊断系统模型,提出了燃气轮机气路故障诊断系统的总体结构和设计方法,详细介绍了神经网络和多元假设检验两种故障检测和故障识别方法,并仿真验证了两种算法的有效性。在对两种算法优缺点分析的基础上,设计了一种算法融合方法,弥补了以上两种诊断方法的不足,仿真表明,算法融合后诊断系统的故障判别准确率得到提高。接下来,研究了测量参数趋势分析方法。研究了参数趋势分析方法的具体实施步骤,单参数趋势分析和参数之间关系的趋势分析,参数趋势的异常模式以及应用指印图分析方法进行故障诊断,并总结了参数趋势分析方法的优缺点。（4）最后,针对搭建的健康管理仿真平台,提出了一种评估故障诊断算法的统一标准。从算法本身性能出发,提出了故障诊断算法性能评价标准,分析了上述性能评价指标与门限值的关系,给出评估准则的计算方法,并给出上述评价指标的准确度置信区间。
尹玥[9]（2019）在《基于Elman神经网络的航空发动机故障诊断研究》文中研究说明航空发动机作为飞机的核心部件,其工作状况是否良好关乎到整个飞机的安全与稳定。目前,单是航空发动机维护与修理的开销就占据大多数公司整个维修资金的一半以上[1],因此航空发动机的故障诊断和状态监测对保障飞行安全和节省航空公司资金、避免浪费有着极为重要的用处。在日常的发动机故障诊断中,发动机都被抽象为一个典型复杂的机械系统,由于发动机结构复杂、模型的非线性化、诊断方法多样以及飞行因素等问题,要建立高精度的故障诊断模型很难,而人工神经网络以其强大的自我学习能力、自我适应能力、强的容错性等特点着称,因此可以应用神经网络对发动机故障进行诊断。本文基于Elman神经网络对发动机故障进行诊断研究,主要研究内容如下:针对Elman网络传统的激励函会数影响收敛速度且容易出现局部极小值、初始权值和阈值选取等问题,在原有的基础上,对Elman神经网络的训练算法、激励函数做了相关的改进,然后用万有引力算法（GSA）优化网络的初始权值和阈值,进而提出了GSA-Elman神经网络,最后以从航空公司所获得的气路故障样本为实验数据,在MATLAB环境下进行仿真。如诊断结果所示,相比于传统的BP、Elman网络而言,运用改进的Elman神经网络进行故障诊断,网络的收敛速率更快,且网络诊断的绝对误差也相对较小;在不同数量训练样本下,改进的Elman神经网络的诊断绝对误差都略小于其他两种方法;同时,改进的GSA-Elman网络还具有良好的抗噪能力;在不同的状态监控监测系统下,虽然输入参数的种类有所改变,但网络的误差变化不大,展现出较强的适应能力,最后利用常用的灰色系统预测模型GM（1,n）与GSA-Elman网络进行对比,结果表明针对非线性、样本数量适中的情况时,GSA-Elman网络的诊断效果更佳。
林文斌[10]（2019）在《基于数据和知识驱动的发动机监控技术的研究》文中指出研究发动机监控系统必须面临两大技术难题:发动机基线挖掘和故障诊断。获取基线是进行故障诊断的前提条件。分别针对这两项难题构建基线挖掘和故障诊断模型,具体工作如下:（1）为提高基线挖掘的精度,提出BAS（Beetle Antennae Search,天牛须算法）与Elman相结合的基线挖掘模型。为解决BAS寻优效率低的问题,将BAS算法群体化;为解决BAS算法搜索精度问题,用自适应思想对BAS算法改造。最后将群体ADP BAS算法（改进后的BAS）与Elman结合建立群体ADP BAS-Elman模型。经计算验证,群体ADP BAS算法收敛速度、精度均高于传统寻优算法,群体ADP BAS-Elman模型的基线拟合精度和学习能力均强于传统模型。（2）为提高发动机气路故障诊断的正确率,提出PSO（Particle Swarm Optimization,粒子群算法）与ELM（Extreme Learning Machine,极限学习机）相结合的诊断模型。针对PSO易于陷入局部最优的缺陷,提出混沌算法;为解决PSO的搜索精度和速度的矛盾,利用自适应思想改进PSO算法。经计算验证,混沌ADP PSO寻优算法（改进后的PSO）相对于传统寻优算法具有更高的收敛速度和精度;ELM中隐层激活函数为Tanh函数时更适用于诊断;混沌ADP PSO-ELM诊断模型诊断正确率和学习能力明显高于传统诊断模型。（3）为建立准确的CBR（Case-based Reasoning,基于案例推理）气路故障诊断模型,先建立了PW4056发动机案例库。为简化CBR计算,根据发动机原理剔除冗余参数。考虑发动机参数具有方向性,提出余弦-改进灰色关联度（Cosine-IGRA）案例相似度计算函数。利用混沌ADP PSO算法对各参数寻找最优权值。最后建立基于Cosine-IGRA函数的CBR诊断模型。经实例仿真验证该模型具有较高的诊断正确率。
二、应用神经网络的航空发动机故障诊断仿真研究(英文)（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、应用神经网络的航空发动机故障诊断仿真研究(英文)（论文提纲范文）
（1）故障案例稀缺场景下的燃气轮机智能故障检测及诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 燃气轮机智能故障检测与诊断的研究现状 |
| 1.2.1 燃气轮机智能监测诊断系统的研究现状 |
| 1.2.2 燃气轮机智能故障检测与诊断方法的研究现状 |
| 1.2.3 故障案例稀缺场景下故障检测与诊断方法的研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 燃气轮机的典型故障特性仿真分析 |
| 2.1 引言 |
| 2.2 燃气轮机故障检测及诊断的原理 |
| 2.3 面向故障诊断的燃气轮机建模 |
| 2.3.1 面向故障诊断的单轴燃气轮机建模 |
| 2.3.2 面向故障诊断的船用三轴燃气轮机建模 |
| 2.4 燃气轮机典型故障特性与变工况特性分析 |
| 2.4.1 单轴燃气轮机典型故障特性与变工况特性分析 |
| 2.4.2 三轴燃气轮机变工况特性与典型故障特性分析 |
| 2.5 故障案例稀缺场景下故障检测与诊断的关键问题分析 |
| 2.6 本章小结 |
| 第3章 仅有正常样本的燃气轮机一类模式识别故障检测方法 |
| 3.1 引言 |
| 3.2 常见的一类模式识别方法简介 |
| 3.2.1 一类模式识别算法概述 |
| 3.2.2 一类支持向量机算法 |
| 3.2.3 主成分分析算法 |
| 3.2.4 孤立森林算法 |
| 3.2.5 局部异常因子算法 |
| 3.3 基于一类模式识别方法的燃气轮机故障检测实验 |
| 3.3.1 实验数据介绍及评价指标 |
| 3.3.2 实验结果 |
| 3.4 本章小结 |
| 第4章 基于常模式提取的燃气轮机故障检测研究 |
| 4.1 引言 |
| 4.2 燃气轮机常模式提取的定义 |
| 4.3 基于NARX神经网络的燃气轮机常模式提取与故障检测 |
| 4.3.1 NARX神经网络简介 |
| 4.3.2 基于NARX网络的燃气轮机常模式辨识 |
| 4.3.3 基于NARX网络常模式提取的故障检测算法流程 |
| 4.4 基于NARX网络常模式提取的燃气轮机故障检测实验 |
| 4.5 常模式提取算法与其他故障检测方法的实验比较 |
| 4.5.1 常模式提取算法与一类模式识别算法的实验比较 |
| 4.5.2 常模式提取算法与其他参数组合的实验比较 |
| 4.5.3 NARX网络与其他方法的常模式提取性能比较 |
| 4.6 本章小结 |
| 第5章 基于常模式阵列的燃气轮机故障检测研究 |
| 5.1 引言 |
| 5.2 燃气轮机常模式阵列的定义 |
| 5.3 基于LSTM网络的常模式阵列建立及故障检测 |
| 5.3.1 LSTM网络简介 |
| 5.3.2 燃气轮机常模式阵列的故障检测策略设计 |
| 5.3.3 基于LSTM网络常模式阵列的燃气轮机故障检测流程 |
| 5.4 基于常模式阵列的燃气轮机故障检测实验 |
| 5.5 常模式阵列与其他故障检测方法的实验比较 |
| 5.5.1 常模式阵列算法与单个常模式算法的实验比较 |
| 5.5.2 常模式阵列算法与一类模式识别算法的实验比较 |
| 5.6 本章小结 |
| 第6章 极度类不平衡场景下的燃气轮机故障诊断研究 |
| 6.1 引言 |
| 6.2 极度类不平衡场景下的燃气轮机故障诊断方法 |
| 6.2.1 极度类不平衡场景下的故障诊断方法概述 |
| 6.2.2 过采样方法介绍 |
| 6.2.3 欠采样方法介绍 |
| 6.2.4 样本加权方法介绍 |
| 6.3 极度类不平衡场景下的燃气轮机故障诊断评价指标 |
| 6.4 极度类不平衡场景下的燃气轮机故障诊断实验 |
| 6.4.1 实验数据描述 |
| 6.4.2 单轴燃气轮机数据集实验结果 |
| 6.4.3 船用三轴燃气轮机数据集实验结果 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）基于改进支持向量机的航空发动机滑油系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与结构安排 |
| 第二章 航空发动机滑油系统的构造与典型故障分析 |
| 2.1 引言 |
| 2.2 滑油系统的组成 |
| 2.2.1 滑油系统的部件 |
| 2.2.2 滑油系统的子系统 |
| 2.3 滑油系统的典型故障分析 |
| 2.4 本章小结 |
| 第三章 基于贝叶斯网络的滑油系统重要基本事件的确定 |
| 3.1 引言 |
| 3.2 贝叶斯网络理论 |
| 3.2.1 贝叶斯网络的概率基础 |
| 3.2.2 贝叶斯网络的组成 |
| 3.2.3 贝叶斯网络的推理 |
| 3.3 基于贝叶斯网络的典型故障的重要基本事件的确定 |
| 3.3.1 滑油系统典型故障的贝叶斯网络 |
| 3.3.2 贝叶斯网络的求解 |
| 3.3.3 重要基本事件的确定 |
| 3.4 本章小结 |
| 第四章 基于AMESim模型的重要基本事件的故障特征参数获取 |
| 4.1 引言 |
| 4.2 滑油系统部件的数学建模 |
| 4.3 供油系统的AMESim建模 |
| 4.3.1 模型的简化处理 |
| 4.3.2 边界条件的设置 |
| 4.3.3 供油系统的AMESim模型及验证 |
| 4.4 故障特征参数的获取 |
| 4.4.1 故障的模拟 |
| 4.4.2 故障数据的获取 |
| 4.5 本章小结 |
| 第五章 基于支持向量机的航空发动机滑油系统故障诊断 |
| 5.1 引言 |
| 5.2 支持向量机的基本理论 |
| 5.2.1 最优分类超平面 |
| 5.2.2 核函数 |
| 5.3 基于支持向量机的平均影响值的故障数据降维 |
| 5.3.1 一种新的基于支持向量机的平均影响值的计算方法 |
| 5.3.2 计算方法在多分类问题情况下的推广 |
| 5.4 蚱蜢优化算法对支持向量机参数的优化 |
| 5.5 基于改进支持向量机的航空发动机滑油系统故障诊断 |
| 5.5.1 支持向量机的子分类器选择 |
| 5.5.2 滑油系统故障数据的降维处理 |
| 5.5.3 基于蚱蜢优化算法的参数寻优 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 创新点 |
| 6.3 对未来的展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）某型航空发动机机械燃油泵典型故障诊断的仿真研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外故障诊断技术研究历程和现状 |
| 1.2.2 国内故障诊断技术研究历程和现状 |
| 1.2.3 基于人工智能的故障诊断方法概述 |
| 1.2.4 航空故障诊断与健康管理技术的发展趋势 |
| 1.2.5 故障仿真技术 |
| 1.3 本文研究的主要研究内容及技术路线 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的主要技术路线 |
| 第2章 燃油泵工作过程和故障模式分析 |
| 2.1 燃油泵的工作过程和特性分析 |
| 2.1.1 燃油泵的工作过程 |
| 2.1.2 燃油泵的特性分析 |
| 2.2 燃油泵的故障模式分析 |
| 2.2.1 燃油泵故障影响因素模型的建立 |
| 2.2.2 两种典型故障模式的分析 |
| 第3章 燃油泵仿真平台的建立和验证 |
| 3.1 数字孪生技术 |
| 3.1.1 数字孪生技术的概念 |
| 3.1.2 数字孪生技术的相关技术要素 |
| 3.1.3 数字孪生技术的应用 |
| 3.2 AMESim仿真软件简介 |
| 3.3 AMESim和 Simulink联合仿真平台的建立 |
| 3.3.1 AMESim中模型的建立 |
| 3.3.2 Simulink中模型的建立 |
| 3.3.3 联合仿真的实现 |
| 3.4 燃油泵无故障模式下仿真结果分析及验证 |
| 3.4.1 燃油泵无故障模式下的联合仿真模型 |
| 3.4.2 仿真结果分析及验证 |
| 3.5 燃油泵故障模式仿真及结果分析 |
| 3.5.1 故障注入技术 |
| 3.5.2 单向活门卡滞故障注入 |
| 3.5.3 膜盒泄漏故障注入 |
| 3.5.4 燃油泵仿真模型故障模式下仿真结果分析 |
| 3.5.5 样本数据的获取和展示 |
| 3.6 本章小结 |
| 第4章 基于人工智能的故障诊断研究 |
| 4.1 故障诊断方法 |
| 4.1.1 随机森林(Random Forest,RF) |
| 4.1.2 支持向量机(Support Vector Machine,SVM) |
| 4.1.3 LSTM深度学习神经网络 |
| 4.2 燃油泵故障数据的预处理 |
| 4.2.1 故障诊断参数的选取 |
| 4.2.2 样本容量的选择 |
| 4.2.3 数据的标准化 |
| 4.3 故障诊断结果及分析 |
| 4.3.1 分类模型性能评价指标 |
| 4.3.2 随机森林诊断模型 |
| 4.3.3 支持向量机诊断模型 |
| 4.3.4 基于LSTM深度学习神经网络诊断模型 |
| 4.4 各模型的结果分析比较 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（4）基于深度信念网络的航空发动机气路故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 航空发动机故障诊断技术 |
| 1.2.2 基于深度学习的故障诊断方法 |
| 1.2.3 深度神经网络超参数优化方法 |
| 1.3 论文主要研究内容及安排 |
| 第二章 航空发动机气路故障数据生成 |
| 2.1 航空发动机气路故障 |
| 2.1.1 部件结垢和结冰 |
| 2.1.2 部件磨损 |
| 2.1.3 部件腐蚀 |
| 2.1.4 部件受外来异物损坏 |
| 2.2 基于T-MATS的 JT9D发动机模型 |
| 2.3 故障数据生成 |
| 2.3.1 噪声注入 |
| 2.3.2 数据归一化 |
| 2.3.3 训练集与测试集生成 |
| 2.4 本章小结 |
| 第三章 基于深度信念网络的航空发动机故障诊断模型 |
| 3.1 受限玻尔兹曼机 |
| 3.2 深度信念网络基本原理 |
| 3.3 深度信念网络的构建与训练方法 |
| 3.4.1 深度信念网络的构建 |
| 3.4.2 深度信念网络的训练 |
| 3.4.3 深度学习平台选择 |
| 3.4 基于深度信念网络的故障诊断模型 |
| 3.5 本章小结 |
| 第四章 故障诊断模型超参数优化方法 |
| 4.1 典型超参数对训练结果的影响 |
| 4.1.1 隐含层层数 |
| 4.1.2 学习率 |
| 4.1.3 动量值 |
| 4.2 基于正交试验法的超参数优化 |
| 4.2.1 正交试验法方法原理 |
| 4.2.2 优化结果及性能分析 |
| 4.3 基于粒子群算法的超参数优化 |
| 4.3.1 粒子群算法原理 |
| 4.3.2 量子粒子群算法原理 |
| 4.3.3 优化结果及性能分析 |
| 4.4 本章小结 |
| 第五章 全飞行包线故障诊断 |
| 5.1 典型包线划分方法 |
| 5.2 基于DBSCAN聚类的包线划分算法 |
| 5.2.1 包线划分算法 |
| 5.2.2 包线划分仿真实验 |
| 5.3 全飞行包线故障诊断算法 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（5）航空发动机健康管理系统数字仿真平台关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 下标 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 航空发动机健康管理构架研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 航空发动机健康管理算法研究现状 |
| 1.3.1 故障诊断算法 |
| 1.3.2 剩余寿命预估算法 |
| 1.4 本文的内容安排 |
| 第二章 健康管理系统数字仿真平台需求分析与构架设计 |
| 2.1 引言 |
| 2.2 需求分析 |
| 2.2.1 健康管理系统需求分析 |
| 2.2.2 仿真平台功能需求分析 |
| 2.2.3 算法需求分析 |
| 2.3 构架设计 |
| 2.3.1 仿真平台需求分解 |
| 2.3.2 仿真平台构架设计 |
| 2.4 本章小结 |
| 第三章 健康管理系统关键算法需求分析与设计 |
| 3.1 引言 |
| 3.2 航空发动机模型及其退化模型简介 |
| 3.2.1 JT9D发动机模型建立 |
| 3.2.2 JT9D发动机退化模型建立 |
| 3.3 航空发动机传感器故障诊断算法 |
| 3.3.1 卷积神经网络简介 |
| 3.3.2 卷积神经网络的推导 |
| 3.3.3 基于CNN的传感器故障诊断算法设计 |
| 3.3.4 传感器故障诊断算法验证与结果分析 |
| 3.4 航空发动机剩余寿命预估算法 |
| 3.4.1 长短期记忆神经网络简介 |
| 3.4.2 长短期记忆神经网络推导 |
| 3.4.3 基于LSTM的剩余寿命预估算法设计 |
| 3.4.4 剩余寿命预估算法验证与结果分析 |
| 3.5 本章小结 |
| 第四章 健康管理系统仿真平台子系统设计 |
| 4.1 引言 |
| 4.2 机载健康管理仿真子系统设计 |
| 4.3 地面健康管理仿真子系统设计 |
| 4.4 用户终端健康管理仿真子系统设计 |
| 4.5 仿真平台网络功能实现 |
| 4.6 本章小结 |
| 第五章 健康管理系统仿真平台与算法集成验证 |
| 5.1 引言 |
| 5.2 系统集成验证 |
| 5.2.1 机载健康管理仿真子系统 |
| 5.2.2 地面健康管理仿真子系统 |
| 5.2.3 用户终端健康管理仿真子系统 |
| 5.3 功能验证 |
| 5.3.1 传感器故障诊断算法验证 |
| 5.3.2 剩余寿命预估算法验证 |
| 5.3.3 故障报警功能验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（6）微型燃气轮机故障诊断容错控制验证研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 燃气轮机建模与仿真技术研究现状 |
| 1.2.2 故障诊断技术研究现状 |
| 1.2.3 容错控制技术研究现状 |
| 1.2.4 硬件在环仿真技术研究现状 |
| 1.3 本文的内容安排 |
| 第二章 微型燃气轮机部件级模型开发 |
| 2.1 引言 |
| 2.2 T100 型微型燃气轮机简介 |
| 2.3 T100 部件级数学模型 |
| 2.3.1 各部件热力学模型 |
| 2.3.2 T100 稳态模型 |
| 2.3.3 T100 动态模型 |
| 2.4 T100 部件级建模 |
| 2.5 本章小结 |
| 第三章 微型燃气轮机线性化模型搭建及卡尔曼滤波器 |
| 3.1 引言 |
| 3.2 线性化模型建立方法 |
| 3.3 稳态控制器设计 |
| 3.4 卡尔曼滤波器 |
| 3.4.1 卡尔曼滤波算法介绍 |
| 3.4.2 基于卡尔曼滤波器的传感器故障诊断 |
| 3.6 本章小结 |
| 第四章 基于神经网络的故障诊断和容错控制 |
| 4.1 引言 |
| 4.2 人工神经网络概述 |
| 4.3 基于BP神经网络的传感器故障诊断模型 |
| 4.3.1 BP神经网络概述 |
| 4.3.2 基于BP神经网络的传感器故障诊断方法设计 |
| 4.4 仿真结果分析 |
| 4.5 本章小结 |
| 第五章 软件平台中的集成及验证 |
| 5.1 引言 |
| 5.2 FWORKS需求定义 |
| 5.2.1 功能需求分析 |
| 5.2.2 技术需求分析 |
| 5.3 FWORKS平台介绍 |
| 5.3.1 FWorks架构介绍 |
| 5.3.2 FWorks平台开发 |
| 5.4 基于FWORKS的 T100 集成和验证 |
| 5.4.1 T100 模型的集成和验证 |
| 5.4.2 故障诊断容错控制方法的集成和验证 |
| 5.5 本章小结 |
| 第六章 硬件在环仿真平台中的集成与验证 |
| 6.1 引言 |
| 6.2 硬件在回路平台需求分析 |
| 6.3 硬件在回路平台介绍 |
| 6.3.1 架构介绍 |
| 6.3.2 功能介绍 |
| 6.4 基于硬件在回路平台的T100 集成与验证 |
| 6.4.1 T100 开环、闭环模型的集成和验证 |
| 6.4.2 故障诊断方法的集成和验证 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在校期间的研究成果及发表的学术论文 |
（7）基于滑模观测器的发动机传感器解析余度方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 缩略表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 传感器故障诊断技术国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 滑模观测器国内外研究现状 |
| 1.4 本文的内容安排 |
| 第二章 商用涡扇发动机数学模型 |
| 2.1 发动机非线性模型 |
| 2.2 含健康参数的状态变量模型 |
| 2.2.1 发动机性能变化分析 |
| 2.2.2 发动机状态变量模型 |
| 2.3 大范围小偏差模型 |
| 2.3.1 大范围小偏差模型建模过程 |
| 2.3.2 基于神经网络的模型修正 |
| 2.4 性能基线模型 |
| 2.5 验证点选取 |
| 2.6 本章小结 |
| 第三章 基于滑模观测器的传感器故障重构 |
| 3.1 传感器故障类型和建模 |
| 3.1.1 传感器故障分类 |
| 3.1.2 传感器故障建模 |
| 3.2 基于滑模观测器的传感器故障重构(不受外部干扰) |
| 3.2.1 Super-Twisting结构 |
| 3.2.2 二阶滑模观测器设计 |
| 3.2.3 数字仿真验证 |
| 3.2.4 设计参数对观测器性能的影响 |
| 3.3 基于滑模观测器组的传感器故障重构(受到外部干扰) |
| 3.3.1 滑模观测器组设计 |
| 3.3.2 数字仿真验证 |
| 3.4 本章小结 |
| 第四章 传感器故障和部件性能故障的在线区分 |
| 4.1 故障在线区分模块 |
| 4.1.1 辅助观测器设计 |
| 4.1.2 故障区分模块设计 |
| 4.1.3 数字仿真验证 |
| 4.2 区分模块修正 |
| 4.2.1 区分模块修正原理 |
| 4.2.2 数字仿真验证 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文的主要工作总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（8）燃气轮机预测与健康管理关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 燃气轮机PHM系统发展现状及趋势 |
| 1.3 本文研究内容与章节安排 |
| 第二章 燃气轮机PHM系统功能及架构设计 |
| 2.1 燃气轮机PHM系统的范围及功能 |
| 2.1.1 PHM系统范围及系统结构 |
| 2.1.2 复杂系统的结构划分 |
| 2.1.3 处理单元的结构 |
| 2.1.4 PHM系统关键技术 |
| 2.2 燃气轮机PHM系统架构和功能研究 |
| 2.2.1 燃气轮机健康监控系统结构 |
| 2.2.2 PHM系统总体架构设计 |
| 2.3 PHM系统功能详述 |
| 2.3.1 在线健康监控系统各部分功能 |
| 2.3.2 离线PHM系统各部分功能 |
| 2.4 本章小结 |
| 第三章 基于数据驱动的燃气轮机故障诊断算法 |
| 3.1 燃气轮机输出参数核主元模型的建立 |
| 3.1.1 KPCA对燃气轮机进行故障特征提取的基本原理 |
| 3.1.2 选择主元个数 |
| 3.1.3 燃气轮机主元模型 |
| 3.2 基于KPCA的燃气轮机故障检测与隔离 |
| 3.3 燃气轮机传感器典型故障仿真 |
| 3.4 KPCA在燃气轮机传感器故障诊断中的应用 |
| 3.4.1 基于KPCA的燃气轮机传感器故障诊断仿真 |
| 3.4.2 传感器故障诊断与隔离 |
| 3.5 本章小结 |
| 第四章 基于模型的燃气轮机故障诊断算法 |
| 4.1 基于模型的气路故障诊断总体结构 |
| 4.2 人工神经网络故障分类器研究 |
| 4.2.1 人工神经网络参数设计 |
| 4.2.2 BP神经网络分类器模型 |
| 4.3 多元假设检验故障诊断算法 |
| 4.3.1 MHT结构设计 |
| 4.3.2 MHT方法的MATLAB/Simulink仿真 |
| 4.4 算法融合设计 |
| 4.5 本章小结 |
| 第五章 测量参数趋势分析方法 |
| 5.1 测量参数趋势分析总体架构 |
| 5.1.1 数据获取与数据处理 |
| 5.1.2 趋势图的绘制 |
| 5.1.3 燃气轮机部件退化仿真 |
| 5.2 基于参数趋势分析的故障诊断方法 |
| 5.3 测量参数趋势分析方法评价 |
| 5.4 本章小结 |
| 第六章 燃气轮机故障诊断算法评价准则 |
| 6.1 燃气轮机故障诊断算法性能指标 |
| 6.1.1 故障诊断算法性能指标具体内容 |
| 6.1.2 性能评价指标与门限值的关系 |
| 6.2 基于蒙特卡洛仿真方法求取诊断算法性能指标参数 |
| 6.3 诊断算法性能指标准确度置信区间 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于Elman神经网络的航空发动机故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 航空发动机诊断和预测技术的发展及现状 |
| 1.2.2 Elman神经网络的发展现状 |
| 1.3 本课题主要研究内容 |
| 第二章 神经网络简介 |
| 2.1 神经网络概述 |
| 2.2 神经网络的结构及特点 |
| 2.3 神经网络的分类 |
| 2.4 神经网络的学习方式与规则 |
| 2.4.1 学习方式 |
| 2.4.2 Hebb学习规则 |
| 2.4.3 纠错规则 |
| 2.5 BP网络 |
| 2.5.1 BP神经网络基本原理 |
| 2.5.2 BP神经网络的结构 |
| 2.5.3 BP神经网络的应用 |
| 2.6 Elman神经网络 |
| 2.6.1 Elman神经网络的基本原理 |
| 2.6.2 Elman神经网络结构及预测流程 |
| 2.6.3 Elman神经网络的学习与算法 |
| 第三章 BP、ELMAN网络的航空发动机故障诊断 |
| 3.1 MATLAB及神经网络工具箱 |
| 3.1.1 MATLAB简介 |
| 3.1.2 MATLAB神经网络工具箱 |
| 3.2 发动机故障数据的采集与筛选 |
| 3.2.1 故障数据的采集 |
| 3.2.2 数据的归一化 |
| 3.2.3 故障数据的筛选——MIV原理 |
| 3.3 故障模型的建立 |
| 3.4 网络结构的确定 |
| 3.5 故障诊断与分析 |
| 3.6 Elman神经网络的改进 |
| 3.7 本章小结 |
| 第四章 ELMAN神经网络的优化 |
| 4.1 学习算法的优化 |
| 4.2 传递函数的优化 |
| 4.3 万有引力算法优化初始值 |
| 4.3.1 万有引力定理 |
| 4.3.2 万有引力算法 |
| 4.3.3 万有引力算法实现流程 |
| 4.4 GSA-Elman网络 |
| 4.5 本章小结 |
| 第五章 GSA-ELMAN网络的航空发动机故障诊断 |
| 5.1 训练时间比较 |
| 5.2 不同样本数下的诊断误差分析 |
| 5.3 抗噪性能分析 |
| 5.4 RD监测系统下的诊断分析 |
| 5.5 多故障模式下的诊断分析 |
| 5.5.1 故障模型的重建 |
| 5.5.2 对八种故障的诊断分析 |
| 5.6 用其他预测方法诊断并对比 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）基于数据和知识驱动的发动机监控技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 发动机监控系统国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 数据挖掘国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 ANN和 CBR的故障诊断研究现状 |
| 1.4.1 国外研究现状 |
| 1.4.2 国内研究现状 |
| 1.5 研究内容与目标 |
| 1.6 论文的组织与结构 |
| 第二章 群体ADP BAS-Elman发动机基线挖掘方法的研究 |
| 2.1 基线挖掘的意义和难点 |
| 2.2 Elman网络原理分析 |
| 2.3 BAS原理分析 |
| 2.3.1 BAS算法运算规则 |
| 2.3.2 BAS算法计算流程 |
| 2.4 BAS算法的改进 |
| 2.4.1 寻优效率问题的改进 |
| 2.4.2 搜索精度与速度间矛盾的改进 |
| 2.5 群体ADP BAS-Elman模型的建立 |
| 2.5.1 模型参数的优化 |
| 2.5.2 群体ADP BAS-Elman模型工作流程 |
| 2.6 群体ADP BAS-Elman模型用于发动机基线挖掘 |
| 2.6.1 数据的来源与选择 |
| 2.6.2 寻优算法的比较研究 |
| 2.6.3 基线挖掘模型的比较分析 |
| 2.6.4 基线挖掘模型的学习能力对比分析 |
| 第三章 混沌ADP PSO-ELM气路故障诊断方法的研究 |
| 3.1 发动机气路性能趋势分析 |
| 3.2 气路诊断的方法及优缺点 |
| 3.3 ELM原理分析 |
| 3.4 PSO算法运算原理分析 |
| 3.4.1 PSO速度和位置公式 |
| 3.4.2 PSO算法流程 |
| 3.5 PSO算法的改进 |
| 3.5.1 搜索精度与速度间矛盾的改进 |
| 3.5.2 局部最优问题的改进 |
| 3.6 混沌ADP PSO-ELM模型的建立 |
| 3.6.1 数据的来源与选择 |
| 3.6.2 模型参数的优化 |
| 3.6.3 混沌ADP PSO-ELM模型工作流程 |
| 3.7 混沌ADP PSO-ELM模型用于气路故障诊断 |
| 3.7.1 寻优算法的比较研究 |
| 3.7.2 激活函数对诊断效果的影响 |
| 3.7.3 隐层神经元数量对诊断效果的影响 |
| 3.7.4 气路诊断模型学习能力的对比分析 |
| 第四章 基于Cosine-IGRA相似度判定方法的CBR气路故障诊断 |
| 4.1 ANN的缺点与CBR的优势 |
| 4.2 CBR原理分析 |
| 4.2.1 CBR概述 |
| 4.2.2 CBR诊断模型的总体思路 |
| 4.3 属性约减 |
| 4.4 相似度判定算法的研究与改进 |
| 4.4.1 传统的相似度算法存在的缺点 |
| 4.4.2 建立Cosine-IGRA联合相似度判定算法 |
| 4.5 权值分配算法的研究与改进 |
| 4.5.1 传统权值分配算法存在的缺点 |
| 4.5.2 混沌ADP PSO-CBR权值分配模型 |
| 4.6 CBR模型诊断结果对比 |
| 4.6.1 数据来源 |
| 4.6.2 权值分配结果及诊断效果对比 |
| 第五章 总结与展望 |
| 5.1 研究内容总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| FF的拟合误差 |
| N2的拟合误差 |
| 作者简介 |
四、应用神经网络的航空发动机故障诊断仿真研究(英文)（论文参考文献）
- [1]故障案例稀缺场景下的燃气轮机智能故障检测及诊断研究[D]. 白明亮. 哈尔滨工业大学, 2020(02)
- [2]基于改进支持向量机的航空发动机滑油系统故障诊断研究[D]. 朱永新. 中国民航大学, 2020(01)
- [3]某型航空发动机机械燃油泵典型故障诊断的仿真研究[D]. 葛杭. 中国民用航空飞行学院, 2020(11)
- [4]基于深度信念网络的航空发动机气路故障诊断方法研究[D]. 刘星怡. 南京航空航天大学, 2020(07)
- [5]航空发动机健康管理系统数字仿真平台关键技术研究[D]. 刘伟民. 南京航空航天大学, 2020(07)
- [6]微型燃气轮机故障诊断容错控制验证研究[D]. 刘莹. 南京航空航天大学, 2020(07)
- [7]基于滑模观测器的发动机传感器解析余度方法研究[D]. 强子健. 南京航空航天大学, 2020(07)
- [8]燃气轮机预测与健康管理关键技术研究[D]. 任茹菲. 西安电子科技大学, 2019(02)
- [9]基于Elman神经网络的航空发动机故障诊断研究[D]. 尹玥. 中国民航大学, 2019(02)
- [10]基于数据和知识驱动的发动机监控技术的研究[D]. 林文斌. 中国民航大学, 2019(02)