液體火箭發(fā)動機基于過程神經(jīng)網(wǎng)絡(luò)故障預測理論與方法

目錄
第1章 緒論
1.1 引言 001
1.2 故障預測的基本概念與內(nèi)涵 003
1.3 國內(nèi)外研究現(xiàn)狀 006
1.3.1 故障預測方法研究現(xiàn)狀 006
1.3.2 PNN研究現(xiàn)狀 013
1.3.3 故障預測的應(yīng)用 016
參考文獻 018
第2章 PNN理論基礎(chǔ)
2.1 引言 027
2.2 PNN的理論基礎(chǔ) 028
2.2.1 過程神經(jīng)元 028
2.2.2 過程神經(jīng)網(wǎng)絡(luò) 029
2.3 PNN學習算法 032
2.3.1 基于梯度下降的PNN學習算法 032
2.3.2 基于正交基展開的PNN學習算法 034
2.3.3 LM學習算法 036
2.4 幾種常用PNN的模型 039
2.4.1 雙隱層過程神經(jīng)網(wǎng)絡(luò) 039
2.4.2 離散過程神經(jīng)網(wǎng)絡(luò) 041
2.4.3 小波過程神經(jīng)網(wǎng)絡(luò) 043
2.5 本章小結(jié) 045
參考文獻 045
第3章 基于PNN的LRE故障預測方法
3.1 引言 046
3.2 LRE故障預測通用框架與策略 046
3.2.1 LRE故障預測的數(shù)學描述 046
3.2.2 LRE廣義故障預測通用框架和策略 049
3.3 LRE結(jié)構(gòu)層次劃分方法 052
3.3.1 LRE結(jié)構(gòu)層次化分解方法 052
3.3.2 LRE組件可用故障預測參數(shù)分析 054
3.4 基于一般PNN的發(fā)動機故障預測方法 056
3.4.1 故障預測 056
3.4.2 故障隔離 058
3.5 仿真驗證及結(jié)果分析 059
3.5.1 試驗對象及其工作原理 059
3.5.2 發(fā)動機組件劃分 061
3.5.3 穩(wěn)態(tài)過程故障預測 064
3.5.4 啟動過程故障預測 079
3.6 本章小結(jié) 088
參考文獻 089
第4章 基于增量學習的 PNN故障預測方法
4.1 引言 092
4.2 故障閾值自適應(yīng)更新方法 092
4.2.1 故障閾值更新算法原理 093
4.2.2 故障閾值更新策略 093
4.2.3 仿真驗證及結(jié)果分析 094
4.3 基于權(quán)值更新的PNN預測方法 098
4.3.1 暴力算法 098
4.3.2 網(wǎng)絡(luò)輸出權(quán)值更新方法 099
4.3.3 仿真驗證及結(jié)果分析 104
4.4 基于輸出調(diào)節(jié)系數(shù)更新的PNN預測方法 106
4.4.1 DHPNN模型 107
4.4.2 輸出調(diào)節(jié)系數(shù)更新方法 108
4.4.3 仿真驗證及結(jié)果分析 112
4.5 本章小結(jié) 113
參考文獻 114
第5章 基于組合PNN的預測方法
5.1 引言 115
5.2 網(wǎng)絡(luò)泛化性能分析 116
5.2.1 組合PNN泛化誤差分析 116
5.2.2 單一網(wǎng)絡(luò)泛化性能分析 116
5.3 基于組合PNN的預測方法 122
5.3.1 網(wǎng)絡(luò)組合方法分析 122
5.3.2 動態(tài)權(quán)重合成方法 124
5.3.3 仿真驗證及結(jié)果分析 128
5.4 基于誤差預測修正的預測方法 129
5.4.1 誤差預測分析 129
5.4.2 輸出調(diào)節(jié)系數(shù)更新方法 130
5.4.3 仿真驗證及結(jié)果分析 132
5.5 本章小結(jié) 135
參考文獻 135
第6章 基于樣本重構(gòu)的PNN預測方法
6.1 引言 137
6.2 PNN樣本構(gòu)造 138
6.2.1 樣本預處理 138
6.2.2 樣本重構(gòu) 141
6.2.3 樣本對PNN預測的影響分析 142
6.3 基于多尺度分析的PNN預測方法 145
6.3.1 多尺度分析方法 145
6.3.2 多尺度并行PNN預測方法 147
6.3.3 仿真驗證及結(jié)果分析 149
6.4 基于數(shù)據(jù)分段的PNN預測方法 152
6.4.1 數(shù)據(jù)分段預測方法 153
6.4.2 輸出調(diào)節(jié)系數(shù)更新方法 155
6.4.3 仿真驗證及結(jié)果分析 155
6.5 本章小結(jié) 157
參考文獻 157
第7章 基于多方法集成的預測方法
7.1 引言 159
7.2 PNN樣本構(gòu)造 160
7.3 基于AdaBoost.RT框架的多方法集成預測 161
7.3.1 基于AdaBoost.RT框架集成算法 161
7.3.2 樣本重構(gòu) 163
7.3.3 基于增量學習的SVR預測方法 167
7.3.4 仿真驗證及結(jié)果分析 170
7.4 基于在線建模的集成預測方法 172
7.4.1 在線建模方法分析 172
7.4.2 在線集成預測方法 174
7.4.3 仿真驗證及結(jié)果分析 176
7.5 本章小結(jié) 178
參考文獻 179
第8章 發(fā)動機故障預測工具箱設(shè)計與實現(xiàn)
8.1 引言 181
8.2 工具箱設(shè)計理念與特點 181
8.2.1 面向?qū)嶋H需求 182
8.2.2 功能模塊化 184
8.2.3 豐富的程序接口 185
8.3 工具箱的實現(xiàn) 185
8.3.1 硬件系統(tǒng)配置 186
8.3.2 數(shù)據(jù)分析與預處理 186
8.3.3 參數(shù)設(shè)置與方法選擇 188
8.3.4 工具箱演示 188
8.4 本章小結(jié) 190
參考文獻 191