液体导弹发动机故障特性分析与诊断

第l章  概述
  1.1  液体导弹发动机故障诊断与建立监控系统的必要性
  1.2  液体导弹发动机故障诊断技术的历史与发展
  1.3  液体导弹发动机故障诊断的发展趋势
第2章  液体导弹发动机的故障模式和机理分析
  2.1  引言
  2.2  液体导弹发动机的结构组成
  2.3  液体导弹发动机的故障模式分析
  2.4  液体导弹发动机的故障机理分析
    2.4.1  推力室及燃气发生器
    2.4.2  涡轮泵
    2.4.3  密封件
  2.5  液体导弹发动机标准故障模式的建立
第3章  液体导弹发动机故障模型的分析方法
  3.1  引言
  3.2  液体导弹发动机工作过程
  3.3  液体导弹发动机稳态过程模型
    3.3.1  液体在管路中的流动分析
    3.3.2  发动机部件工作特性方程
    3.3.3  发动机参数平衡模型
    3.3.4  发动机部件故障特性方程
    3.3.5  一级发动机稳态过程模型的建立
    3.3.6  二级发动机稳态过程模型的建立
  3.4  液体导弹发动机动态过程模型
    3.4.1  推力室
    3.4.2  燃气发生器
    3.4.3  涡轮泵系统
    3.4.4  液体管路系统
    3.4.5  自生增压系统
    3.4.6  一级发动机动态过程模型的建立
    3.4.7  二级发动机动态过程模型的建立
第4章  液体导弹发动机故障特性分析
  4.1  稳态故障模式特性分析
    4.1.1  发动机稳态模型的数值解法
    4.1.2  静态特性仿真分析
    4.1.3  基于Hopfield神经网络的数值解法
    4.1.4  发动机稳态故障分析
    4.1.5  基于蚁群算法的二级发动机稳态故障分析
    4.1.6  基于进化计算的发动机故障特性分析
    4.1.7  发动机稳态故障模式获取
  4.2  动态故障模式分析
    4.2.1  发动机动态模型的数值解法
    4.2.2  发动机动态故障分析
  4.3  综合故障分析
  4.4  故障的可分离性与可检测性
    4.4.1  故障的可分离性
    4.4.2  故障的可检测性与可诊断性
第5章  基于人工神经网络的导弹发动机故障诊断方法
  5.1  人工神经网络理论概述
    5.1.1  神经网络的基本知识
    5.1.2  BP网络及其改进算法
  5.2  神经网络的故障诊断原理
  5.3  神经网络输入数据的模糊前置处理
  5.4  基于BP神经网络的故障诊断方法
  5.5  基于RBF神经网络的故障诊断方法
    5.5.1  RBF神经网络
    5.5.2  应用实例
    5.5.3  计算结果及分析
  5.6  基于改进型ARl2神经网络的故障诊断方法
    5.6.1  无师学习网络模型的选择
    5.6.2  ART神经网络的基本结构及其理论
    5.6.3  ARlr2算法的改进
    5.6.4  改进ART2算法的实现
    5.6.5  故障诊断实例
  5.7  基于FTART神经网络的故障诊断方法
    5.7.1  FTART结构及基本理论
    5.7.2  FTART网络的改进及其数学描述
    5.7.3  FTART网络的设计
    5.7.4  FTART网络诊断实例及分析
第6章  基于小波变换的故障诊断方法
  6.1  小波变换理论
    6.1.1  概述
    6.1.2  小波分析的基本理论
  6.2  基于小波分析的液体导弹发动机故障诊断
    6.2.1  小波包分解及特征提取
    6.2.2  时序建模方法及其应用
    6.2.3  谐波小波及其应用
    6.2.4  涡轮泵振动异常趋势的监测与诊断方法
    6.2.5  基于小波分析的涡轮泵次同步进动故障分析
    6.2.6  基于小波神经网络的发动机故障诊断
第7章  基于人工免疫系统的故障诊断方法
  7.1  人工免疫系统
    7.1.1  生物免疫系统
    7.1.2  人工免疫系统
  7.2  否定选择原理在液体导弹发动机故障检测与诊断中的应用
    7.2.1  否定选择算法
    7.2.2  应用实例与分析
  7.3  克隆选择原理在液体导弹发动机启动过程仿真中的应用
    7.3.1  克隆选择原理与算法
    7.3.2  应用实例与分析
第8章  基于模糊理论的故障诊断方法
  8.1  模糊故障诊断理论
    8.1.1  模糊理论基础
    8.1.2  基于模糊理论的故障诊断
  8.2  基于模糊模式识别技术的故障诊断方法
    8.2.1  模糊模式识别基本理论
    8.2.2  基于样本法构造隶属函数的模糊模式识别
    8.2.3  基于多元隶属函数法的模糊模式识别
  8.3  基于模糊聚类分析的故障诊断方法
    8.3.1  模糊等价矩阵动态聚类分析法
    8.3.2  模糊ISODATA聚类分析法
    8.3.3  基于max-○传递性的模糊聚类分析故障诊断
  8.4  基于模糊神经网络的导弹发动机故障诊断方法
    8.4.1  模糊神经网络
    8.4.2  模糊RBF神经网络在液体导弹发动机故障
    诊断中的应用
第9章  基于统计学习理论的故障分析与诊断方法
  9.1  统计学习理论与支持向量机
    9.1.1  机器学习
    9.1.2  统计学习理论
    9.1.3  支持向量机
    9.1.4  核函数及其参数优化
  9.2  支持向量机在液体导弹发动机故障诊断中的应用
    9.2.1  基于SVM的液体导弹发动机稳态故障特性分析及诊断
    9.2.2  基于GA—SVM的液体导弹发动机故障诊断
    9.2.3  基于SVM的液体导弹发动机故障建模与分析
第10章  基于隐Markov模型的故障诊断方法
  10.1  基于隐Markov模型(HMM)的故障诊断方法
    10.1.1  HMM基本思想
    10.1.2  HMM基本算法
    10.1.3  HMM的类型
    10.1.4  HMM在实际应用中的改进措施
    10.1.5  基于HMM的涡轮泵故障诊断实例
  10.2  HMM—SVM混合故障诊断模型及应用
    10.2.1  SVM训练
    10.2.2  HMM—SVM故障诊断应用实例
第11章  液体导弹发动机故障预测方法
  11.1  基于时间序列的导弹发动机故障预测方法
    11.1.1  时间序列分析
    11.1.2  应用与分析
  11.2  基于灰色模型的导弹发动机故障预测方法
    11.2.1  灰色系统概述
    11.2.2  灰色系统的基本原理
    11.2.3  灰色预测方法及其在导弹发动机故障预测的应用
  11.3  基于神经网络的导弹发动机故障预测方法
    11.3.1  基于BP网络的导弹发动机动力参数多步预测方法
    11.3.2  基于RBF网络的导弹发动机预测方法
    11.3.3  基于Elman网络的导弹发动机预测方法
  11.4  基于SVM方法的导弹发动机故障预测研究
    11.4.1  基于支持向量机的回归估计
    11.4.2  基于支持向量机的预测流程与评价标准
    11.4.3  基于SVM方法的液体导弹发动机故障预测实例
附录
参考文献