液體導彈發(fā)動機故障特性分析與診斷

1.1 液體導彈發(fā)動機故障診斷與建立監(jiān)控系統(tǒng)的必要性
1.2 液體導彈發(fā)動機故障診斷技術的歷史與發(fā)展
1.3 液體導彈發(fā)動機故障診斷的發(fā)展趨勢
第2章 液體導彈發(fā)動機的故障模式和機理分析
2.1 引言
2.2 液體導彈發(fā)動機的結構組成
2.3 液體導彈發(fā)動機的故障模式分析
2.4 液體導彈發(fā)動機的故障機理分析
2.4.1 推力室及燃氣發(fā)生器
2.4.2 渦輪泵
2.4.3 密封件
2.5 液體導彈發(fā)動機標準故障模式的建立
第3章 液體導彈發(fā)動機故障模型的分析方法
3.1 引言
3.2 液體導彈發(fā)動機工作過程
3.3 液體導彈發(fā)動機穩(wěn)態(tài)過程模型
3.3.1 液體在管路中的流動分析
3.3.2 發(fā)動機部件工作特性方程
3.3.3 發(fā)動機參數平衡模型
3.3.4 發(fā)動機部件故障特性方程
3.3.5 一級發(fā)動機穩(wěn)態(tài)過程模型的建立
3.3.6 二級發(fā)動機穩(wěn)態(tài)過程模型的建立
3.4 液體導彈發(fā)動機動態(tài)過程模型
3.4.1 推力室
3.4.2 燃氣發(fā)生器
3.4.3 渦輪泵系統(tǒng)
3.4.4 液體管路系統(tǒng)
3.4.5 自生增壓系統(tǒng)
3.4.6 一級發(fā)動機動態(tài)過程模型的建立
3.4.7 二級發(fā)動機動態(tài)過程模型的建立
第4章 液體導彈發(fā)動機故障特性分析
4.1 穩(wěn)態(tài)故障模式特性分析
4.1.1 發(fā)動機穩(wěn)態(tài)模型的數值解法
4.1.2 靜態(tài)特性仿真分析
4.1.3 基于Hopfield神經網絡的數值解法
4.1.4 發(fā)動機穩(wěn)態(tài)故障分析
4.1.5 基于蟻群算法的二級發(fā)動機穩(wěn)態(tài)故障分析
4.1.6 基于進化計算的發(fā)動機故障特性分析
4.1.7 發(fā)動機穩(wěn)態(tài)故障模式獲取
4.2 動態(tài)故障模式分析
4.2.1 發(fā)動機動態(tài)模型的數值解法
4.2.2 發(fā)動機動態(tài)故障分析
4.3 綜合故障分析
4.4 故障的可分離性與可檢測性
4.4.1 故障的可分離性
4.4.2 故障的可檢測性與可診斷性
第5章 基于人工神經網絡的導彈發(fā)動機故障診斷方法
5.1 人工神經網絡理論概述
5.1.1 神經網絡的基本知識
5.1.2 BP網絡及其改進算法
5.2 神經網絡的故障診斷原理
5.3 神經網絡輸入數據的模糊前置處理
5.4 基于BP神經網絡的故障診斷方法
5.5 基于RBF神經網絡的故障診斷方法
5.5.1 RBF神經網絡
5.5.2 應用實例
5.5.3 計算結果及分析
5.6 基于改進型ARl2神經網絡的故障診斷方法
5.6.1 無師學習網絡模型的選擇
5.6.2 ART神經網絡的基本結構及其理論
5.6.3 ARlr2算法的改進
5.6.4 改進ART2算法的實現
5.6.5 故障診斷實例
5.7 基于FTART神經網絡的故障診斷方法
5.7.1 FTART結構及基本理論
5.7.2 FTART網絡的改進及其數學描述
5.7.3 FTART網絡的設計
5.7.4 FTART網絡診斷實例及分析
第6章 基于小波變換的故障診斷方法
6.1 小波變換理論
6.1.1 概述
6.1.2 小波分析的基本理論
6.2 基于小波分析的液體導彈發(fā)動機故障診斷
6.2.1 小波包分解及特征提取
6.2.2 時序建模方法及其應用
6.2.3 諧波小波及其應用
6.2.4 渦輪泵振動異常趨勢的監(jiān)測與診斷方法
6.2.5 基于小波分析的渦輪泵次同步進動故障分析
6.2.6 基于小波神經網絡的發(fā)動機故障診斷
第7章 基于人工免疫系統(tǒng)的故障診斷方法
7.1 人工免疫系統(tǒng)
7.1.1 生物免疫系統(tǒng)
7.1.2 人工免疫系統(tǒng)
7.2 否定選擇原理在液體導彈發(fā)動機故障檢測與診斷中的應用
7.2.1 否定選擇算法
7.2.2 應用實例與分析
7.3 克隆選擇原理在液體導彈發(fā)動機啟動過程仿真中的應用
7.3.1 克隆選擇原理與算法
7.3.2 應用實例與分析
第8章 基于模糊理論的故障診斷方法
8.1 模糊故障診斷理論
8.1.1 模糊理論基礎
8.1.2 基于模糊理論的故障診斷
8.2 基于模糊模式識別技術的故障診斷方法
8.2.1 模糊模式識別基本理論
8.2.2 基于樣本法構造隸屬函數的模糊模式識別
8.2.3 基于多元隸屬函數法的模糊模式識別
8.3 基于模糊聚類分析的故障診斷方法
8.3.1 模糊等價矩陣動態(tài)聚類分析法
8.3.2 模糊ISODATA聚類分析法
8.3.3 基于max-○傳遞性的模糊聚類分析故障診斷
8.4 基于模糊神經網絡的導彈發(fā)動機故障診斷方法
8.4.1 模糊神經網絡
8.4.2 模糊RBF神經網絡在液體導彈發(fā)動機故障
診斷中的應用
第9章 基于統(tǒng)計學習理論的故障分析與診斷方法
9.1 統(tǒng)計學習理論與支持向量機
9.1.1 機器學習
9.1.2 統(tǒng)計學習理論
9.1.3 支持向量機
9.1.4 核函數及其參數優(yōu)化
9.2 支持向量機在液體導彈發(fā)動機故障診斷中的應用
9.2.1 基于SVM的液體導彈發(fā)動機穩(wěn)態(tài)故障特性分析及診斷
9.2.2 基于GA-SVM的液體導彈發(fā)動機故障診斷
9.2.3 基于SVM的液體導彈發(fā)動機故障建模與分析
第10章 基于隱Markov模型的故障診斷方法
10.1 基于隱Markov模型（HMM）的故障診斷方法
10.1.1 HMM基本思想
10.1.2 HMM基本算法
10.1.3 HMM的類型
10.1.4 HMM在實際應用中的改進措施
10.1.5 基于HMM的渦輪泵故障診斷實例
10.2 HMM-SVM混合故障診斷模型及應用
10.2.1 SVM訓練
10.2.2 HMM-SVM故障診斷應用實例
第11章 液體導彈發(fā)動機故障預測方法
11.1 基于時間序列的導彈發(fā)動機故障預測方法
11.1.1 時間序列分析
11.1.2 應用與分析
11.2 基于灰色模型的導彈發(fā)動機故障預測方法
11.2.1 灰色系統(tǒng)概述
11.2.2 灰色系統(tǒng)的基本原理
11.2.3 灰色預測方法及其在導彈發(fā)動機故障預測的應用
11.3 基于神經網絡的導彈發(fā)動機故障預測方法
11.3.1 基于BP網絡的導彈發(fā)動機動力參數多步預測方法
11.3.2 基于RBF網絡的導彈發(fā)動機預測方法
11.3.3 基于Elman網絡的導彈發(fā)動機預測方法
11.4 基于SVM方法的導彈發(fā)動機故障預測研究
11.4.1 基于支持向量機的回歸估計
11.4.2 基于支持向量機的預測流程與評價標準
11.4.3 基于SVM方法的液體導彈發(fā)動機故障預測實例
附錄
參考文獻