基于免疫機(jī)理和神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法

前言
第1章 緒論 1
1.1 故障診斷基本原理與方法 1
1.1.1 故障診斷重要意義 1
1.1.2 故障診斷基本原理 2
1.1.3 故障診斷基本方法 2
1.2 智能故障診斷方法發(fā)展現(xiàn)狀 3
1.2.1 單一智能故障診斷方法 3
1.2.2 集成智能故障診斷方法 5
1.2.3 智能故障診斷方法當(dāng)前存在的主要問題 5
1.3 基于免疫機(jī)理的故障診斷理論基礎(chǔ) 6
1.3.1 故障診斷的免疫學(xué)基礎(chǔ) 6
1.3.2 基于免疫機(jī)理的故障診斷基本思想 14
1.3.2 基于免疫機(jī)理的故障診斷方法研究現(xiàn)狀 18
1.4 基于神經(jīng)網(wǎng)絡(luò)的故障診斷理論基礎(chǔ) 19
1.4.1 故障診斷的神經(jīng)生物學(xué)基礎(chǔ) 19
1.4.2 基于神經(jīng)網(wǎng)絡(luò)的故障診斷基本思想 25
1.4.3 基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究現(xiàn)狀 29
第2章 基于免疫網(wǎng)絡(luò)模型的改進(jìn)的故障診斷算法 31
2.1 概述 31
2.2 基于免疫網(wǎng)絡(luò)模型的傳統(tǒng)的故障診斷算法 32
2.3 基于免疫網(wǎng)絡(luò)模型的改進(jìn)的故障診斷算法 34
2.4 仿真實(shí)驗(yàn) 38
2.4.1 實(shí)驗(yàn)過程及結(jié)果 38
2.4.2 實(shí)驗(yàn)結(jié)果分析 39
2.4.3 實(shí)驗(yàn)結(jié)果對比分析 39
2.4.4 關(guān)于算法中三個系數(shù)值的選擇 42
2.5 本章小結(jié) 5
第3 章 與粗糙集理論相結(jié)合的免疫網(wǎng)絡(luò)故障診斷算法 55
3.1 概述 55
3.2 粗糙集理論 56
3.3 粗糙集理論在免疫網(wǎng)絡(luò)算法中的應(yīng)用分析 58
3.4 基于粗糙集理論的免疫網(wǎng)絡(luò)故障診斷算法 59
3.4.1 剪枝門限與漏診和誤診的關(guān)系 59
3.4.2 模式空間的鄰域粗糙逼近 60
3.4.3 剪枝門限自適應(yīng)調(diào)整算法 61
3.5 仿真實(shí)驗(yàn) 62
3.5.1 實(shí)驗(yàn)結(jié)果分析 62
3.5.2 實(shí)驗(yàn)結(jié)果對比分析 63
3.6 本章小結(jié) 69
第4章 基于免疫機(jī)理的可重構(gòu)算法 70
4.1 概述 70
4.2 診斷規(guī)則可重構(gòu)算法設(shè)計 70
4.3 研究對象與重構(gòu)依據(jù) 72
4.3.1 研究對象 72
4.3.2 診斷規(guī)則重構(gòu)依據(jù) 73
4.4 仿真實(shí)驗(yàn) 74
4.4.1 診斷規(guī)則重構(gòu)算例 75
4.4.2 診斷規(guī)則重構(gòu)計算步驟 76
4.4.3 實(shí)驗(yàn)結(jié)果分析 77
4.5 本章小結(jié) 78
第5章 基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的故障檢測方法 79
5.1 概述 79
5.2 一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò) 80
5.2.1 RBF神經(jīng)網(wǎng)絡(luò)簡介 80
5.2.2 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程 81
5.2.3 改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)隱含層自適應(yīng)生成算法 82
5.3 基于改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的推進(jìn)系統(tǒng)低頻數(shù)據(jù)故障檢測方法 83
5.3.1 基于RBF神經(jīng)網(wǎng)絡(luò)非線性辨識的故障檢測方法 83
5.3.2 基于RBF神經(jīng)網(wǎng)絡(luò)模式識別的故障檢測方法 84
5.4 YF-75 推進(jìn)系統(tǒng)的故障檢測仿真實(shí)驗(yàn) 84
5.4.1 問題描述 84
5.4.2 數(shù)據(jù)準(zhǔn)備 85
5.4.3 仿真模型 85
5.4.4 參數(shù)選取 87
5.4.5 結(jié)果分析 87
5.5 某運(yùn)載火箭推進(jìn)系統(tǒng)故障檢測仿真實(shí)驗(yàn) 90
5.5.1 問題描述 90
5.5.2 數(shù)據(jù)準(zhǔn)備 91
5.5.3 仿真模型 91
5.5.4 參數(shù)選取 93
5.5.5 結(jié)果分析 94
5.6 YF-75 推進(jìn)系統(tǒng)熱試車故障檢測仿真實(shí)驗(yàn) 105
5.6.1 問題描述 105
5.6.2 數(shù)據(jù)準(zhǔn)備 105
5.6.3 仿真模型 105
5.6.4 參數(shù)選取 106
5.6.5 結(jié)果分析 106
5.7 故障檢測方法的性能分析 110
5.8 本章小結(jié) 113
第6章 基于量子超球神經(jīng)網(wǎng)絡(luò)的故障檢測方法 114
6.1 概述 114
6.2 量子超球神經(jīng)網(wǎng)絡(luò) 116
6.2.1 量子超球神經(jīng)網(wǎng)絡(luò)的建立 116
6.2.2 量子超球神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 118
6.3 基于量子超球神經(jīng)網(wǎng)絡(luò)的推進(jìn)系統(tǒng)振動故障檢測方法 120
6.4 YF-75 推進(jìn)系統(tǒng)試車振動故障檢測 122
6.4.1 問題描述 122
6.4.2 數(shù)據(jù)準(zhǔn)備 122
6.4.3 結(jié)果分析 123
6.5 本章小結(jié) 127
第7章 基于模糊超球集神經(jīng)網(wǎng)絡(luò)的故障診斷方法 128
7.1 概述 128
7.2 基于模糊超球集神經(jīng)網(wǎng)絡(luò)的故障診斷方法 129
7.2.1 方法概述 129
7.2.2 基于超球的樣本空間劃分 130
7.2.3 基于超球的模糊規(guī)則拓展 131
7.2.4 基于模糊超球集神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則集實(shí)現(xiàn) 132
7.3 應(yīng)用模糊超球集神經(jīng)網(wǎng)絡(luò)的若干問題 133
7.3.1 基于拓展規(guī)則集的模糊相等 134
7.3.2 基于拓展規(guī)則集的模糊匹配 134
7.3.3 去模糊化處理 135
7.3.4 診斷邏輯 136
7.4 基于模糊超球集神經(jīng)網(wǎng)絡(luò)的故障診斷仿真 136
7.4.1 問題描述 136
7.4.2 數(shù)據(jù)準(zhǔn)備 137
7.4.3 參數(shù)選取 138
7.4.4 結(jié)果分析 139
7.5 本章小結(jié) 148
第8章 基于概率超球集神經(jīng)網(wǎng)絡(luò)的故障診斷方法 150
8.1 概述 150
8.2 基于概率超球集神經(jīng)網(wǎng)絡(luò)的故障診斷方法 150
8.2.1 方法概述 150
8.2.2 概率規(guī)則的改進(jìn) 151
8.2.3 基于概率超球集神經(jīng)網(wǎng)絡(luò)的概率規(guī)則集實(shí)現(xiàn) 152
8.3 與Bayes分類器的等價性分析 153
8.4 應(yīng)用概率超球集神經(jīng)網(wǎng)絡(luò)的兩個問題 155
8.4.1 概率規(guī)則集改進(jìn)后的相等判別 155
8.4.2 診斷邏輯 155
8.5 基于概率超球神經(jīng)網(wǎng)絡(luò)的故障診斷仿真 156
8.5.1 問題描述 156
8.5.2 數(shù)據(jù)準(zhǔn)備 156
8.5.3 參數(shù)選取 157
8.5.4 結(jié)果分析 157
8.6 本章小結(jié) 167
第9章 基于云神經(jīng)網(wǎng)絡(luò)的故障診斷方法 168
9.1 概述 168
9.2 云模型 168
9.2.1 云的基本概念 168
9.2.2 云的數(shù)字特征 169
9.2.3 正態(tài)云模型 169
9.2.4 云發(fā)生器 170
9.3 一種改進(jìn)的一維逆向云算法 171
9.4 基于云神經(jīng)網(wǎng)絡(luò)的故障診斷方法 171
9.4.1 云神經(jīng)網(wǎng)絡(luò)的提出 171
9.4.2 云神經(jīng)網(wǎng)絡(luò)故障診斷方法 174
9.4.3 故障檢測算法 174
9.5 基于云神經(jīng)網(wǎng)絡(luò)的故障診斷仿真 175
9.5.1 問題描述 175
9.5.2 數(shù)據(jù)準(zhǔn)備 175
9.5.3 結(jié)果分析 177
9.6 本章小結(jié) 188
參考文獻(xiàn) 189