第l章  概述  1.1  液體導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷與建立監(jiān)控系統(tǒng)的必要性  1.2  液體導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷技術(shù)的歷史與發(fā)展  1.3  液體導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷的發(fā)展趨勢(shì)第2章  第l章 概述 1.1 液體導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷與建立監(jiān)控系統(tǒng)的必要性 1.2 液體導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷技術(shù)的歷史與發(fā)展 1.3 液體導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷的發(fā)展趨勢(shì)第2章 液體導(dǎo)彈發(fā)動(dòng)機(jī)的故障模式和機(jī)理分析 2.1 引言 2.2 液體導(dǎo)彈發(fā)動(dòng)機(jī)的結(jié)構(gòu)組成 2.3 液體導(dǎo)彈發(fā)動(dòng)機(jī)的故障模式分析 2.4 液體導(dǎo)彈發(fā)動(dòng)機(jī)的故障機(jī)理分析 2.4.1 推力室及燃?xì)獍l(fā)生器 2.4.2 渦輪泵 2.4.3 密封件 2.5 液體導(dǎo)彈發(fā)動(dòng)機(jī)標(biāo)準(zhǔn)故障模式的建立第3章 液體導(dǎo)彈發(fā)動(dòng)機(jī)故障模型的分析方法 3.1 引言 3.2 液體導(dǎo)彈發(fā)動(dòng)機(jī)工作過(guò)程 3.3 液體導(dǎo)彈發(fā)動(dòng)機(jī)穩(wěn)態(tài)過(guò)程模型 3.3.1 液體在管路中的流動(dòng)分析 3.3.2 發(fā)動(dòng)機(jī)部件工作特性方程 3.3.3 發(fā)動(dòng)機(jī)參數(shù)平衡模型 3.3.4 發(fā)動(dòng)機(jī)部件故障特性方程 3.3.5 一級(jí)發(fā)動(dòng)機(jī)穩(wěn)態(tài)過(guò)程模型的建立 3.3.6 二級(jí)發(fā)動(dòng)機(jī)穩(wěn)態(tài)過(guò)程模型的建立 3.4 液體導(dǎo)彈發(fā)動(dòng)機(jī)動(dòng)態(tài)過(guò)程模型 3.4.1 推力室 3.4.2 燃?xì)獍l(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(jí)發(fā)動(dòng)機(jī)動(dòng)態(tài)過(guò)程模型的建立 3.4.7 二級(jí)發(fā)動(dòng)機(jī)動(dòng)態(tài)過(guò)程模型的建立第4章 液體導(dǎo)彈發(fā)動(dòng)機(jī)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(dòng)機(jī)穩(wěn)態(tài)模型的數(shù)值解法 4.1.2 靜態(tài)特性仿真分析 4.1.3 基于Hopfield神經(jīng)網(wǎng)絡(luò)的數(shù)值解法 4.1.4 發(fā)動(dòng)機(jī)穩(wěn)態(tài)故障分析 4.1.5 基于蟻群算法的二級(jí)發(fā)動(dòng)機(jī)穩(wěn)態(tài)故障分析 4.1.6 基于進(jìn)化計(jì)算的發(fā)動(dòng)機(jī)故障特性分析 4.1.7 發(fā)動(dòng)機(jī)穩(wěn)態(tài)故障模式獲取 4.2 動(dòng)態(tài)故障模式分析 4.2.1 發(fā)動(dòng)機(jī)動(dòng)態(tài)模型的數(shù)值解法 4.2.2 發(fā)動(dòng)機(jī)動(dòng)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(cè)性 4.4.1 故障的可分離性 4.4.2 故障的可檢測(cè)性與可診斷性第5章 基于人工神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷方法 5.1 人工神經(jīng)網(wǎng)絡(luò)理論概述 5.1.1 神經(jīng)網(wǎng)絡(luò)的基本知識(shí) 5.1.2 BP網(wǎng)絡(luò)及其改進(jìn)算法 5.2 神經(jīng)網(wǎng)絡(luò)的故障診斷原理 5.3 神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的模糊前置處理 5.4 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法 5.5 基于RBF神經(jīng)網(wǎng)絡(luò)的故障診斷方法 5.5.1 RBF神經(jīng)網(wǎng)絡(luò) 5.5.2 應(yīng)用實(shí)例 5.5.3 計(jì)算結(jié)果及分析 5.6 基于改進(jìn)型ARl2神經(jīng)網(wǎng)絡(luò)的故障診斷方法 5.6.1 無(wú)師學(xué)習(xí)網(wǎng)絡(luò)模型的選擇 5.6.2 ART神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其理論 5.6.3 ARlr2算法的改進(jìn) 5.6.4 改進(jìn)ART2算法的實(shí)現(xiàn) 5.6.5 故障診斷實(shí)例 5.7 基于FTART神經(jīng)網(wǎng)絡(luò)的故障診斷方法 5.7.1 FTART結(jié)構(gòu)及基本理論 5.7.2 FTART網(wǎng)絡(luò)的改進(jìn)及其數(shù)學(xué)描述 5.7.3 FTART網(wǎng)絡(luò)的設(shè)計(jì) 5.7.4 FTART網(wǎng)絡(luò)診斷實(shí)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(dǎo)彈發(fā)動(dòng)機(jī)故障診斷 6.2.1 小波包分解及特征提取 6.2.2 時(shí)序建模方法及其應(yīng)用 6.2.3 諧波小波及其應(yīng)用 6.2.4 渦輪泵振動(dòng)異常趨勢(shì)的監(jiān)測(cè)與診斷方法 6.2.5 基于小波分析的渦輪泵次同步進(jìn)動(dòng)故障分析 6.2.6 基于小波神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)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(dǎo)彈發(fā)動(dòng)機(jī)故障檢測(cè)與診斷中的應(yīng)用 7.2.1 否定選擇算法 7.2.2 應(yīng)用實(shí)例與分析 7.3 克隆選擇原理在液體導(dǎo)彈發(fā)動(dòng)機(jī)啟動(dòng)過(guò)程仿真中的應(yīng)用 7.3.1 克隆選擇原理與算法 7.3.2 應(yīng)用實(shí)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(chǔ) 8.1.2 基于模糊理論的故障診斷 8.2 基于模糊模式識(shí)別技術(shù)的故障診斷方法 8.2.1 模糊模式識(shí)別基本理論 8.2.2 基于樣本法構(gòu)造隸屬函數(shù)的模糊模式識(shí)別 8.2.3 基于多元隸屬函數(shù)法的模糊模式識(shí)別 8.3 基于模糊聚類(lèi)分析的故障診斷方法 8.3.1 模糊等價(jià)矩陣動(dòng)態(tài)聚類(lèi)分析法 8.3.2 模糊ISODATA聚類(lèi)分析法 8.3.3 基于max-○傳遞性的模糊聚類(lèi)分析故障診斷 8.4 基于模糊神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷方法 8.4.1 模糊神經(jīng)網(wǎng)絡(luò) 8.4.2 模糊RBF神經(jīng)網(wǎng)絡(luò)在液體導(dǎo)彈發(fā)動(dòng)機(jī)故障 診斷中的應(yīng)用第9章 基于統(tǒng)計(jì)學(xué)習(xí)理論的故障分析與診斷方法 9.1 統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī) 9.1.1 機(jī)器學(xué)習(xí) 9.1.2 統(tǒng)計(jì)學(xué)習(xí)理論 9.1.3 支持向量機(jī) 9.1.4 核函數(shù)及其參數(shù)優(yōu)化 9.2 支持向量機(jī)在液體導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用 9.2.1 基于SVM的液體導(dǎo)彈發(fā)動(dòng)機(jī)穩(wěn)態(tài)故障特性分析及診斷 9.2.2 基于GA—SVM的液體導(dǎo)彈發(fā)動(dòng)機(jī)故障診斷 9.2.3 基于SVM的液體導(dǎo)彈發(fā)動(dòng)機(jī)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(lèi)型 10.1.4 HMM在實(shí)際應(yīng)用中的改進(jìn)措施 10.1.5 基于HMM的渦輪泵故障診斷實(shí)例 10.2 HMM—SVM混合故障診斷模型及應(yīng)用 10.2.1 SVM訓(xùn)練 10.2.2 HMM—SVM故障診斷應(yīng)用實(shí)例第11章 液體導(dǎo)彈發(fā)動(dòng)機(jī)故障預(yù)測(cè)方法 11.1 基于時(shí)間序列的導(dǎo)彈發(fā)動(dòng)機(jī)故障預(yù)測(cè)方法 11.1.1 時(shí)間序列分析 11.1.2 應(yīng)用與分析 11.2 基于灰色模型的導(dǎo)彈發(fā)動(dòng)機(jī)故障預(yù)測(cè)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(yù)測(cè)方法及其在導(dǎo)彈發(fā)動(dòng)機(jī)故障預(yù)測(cè)的應(yīng)用 11.3 基于神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈發(fā)動(dòng)機(jī)故障預(yù)測(cè)方法 11.3.1 基于BP網(wǎng)絡(luò)的導(dǎo)彈發(fā)動(dòng)機(jī)動(dòng)力參數(shù)多步預(yù)測(cè)方法 11.3.2 基于RBF網(wǎng)絡(luò)的導(dǎo)彈發(fā)動(dòng)機(jī)預(yù)測(cè)方法 11.3.3 基于Elman網(wǎng)絡(luò)的導(dǎo)彈發(fā)動(dòng)機(jī)預(yù)測(cè)方法 11.4 基于SVM方法的導(dǎo)彈發(fā)動(dòng)機(jī)故障預(yù)測(cè)研究 11.4.1 基于支持向量機(jī)的回歸估計(jì) 11.4.2 基于支持向量機(jī)的預(yù)測(cè)流程與評(píng)價(jià)標(biāo)準(zhǔn) 11.4.3 基于SVM方法的液體導(dǎo)彈發(fā)動(dòng)機(jī)故障預(yù)測(cè)實(shí)例附錄參考文獻(xiàn)