液體火箭發(fā)動(dòng)機(jī)基于過程神經(jīng)網(wǎng)絡(luò)故障預(yù)測(cè)理論與方法

目錄
第1章 緒論
1.1 引言 001
1.2 故障預(yù)測(cè)的基本概念與內(nèi)涵 003
1.3 國(guó)內(nèi)外研究現(xiàn)狀 006
1.3.1 故障預(yù)測(cè)方法研究現(xiàn)狀 006
1.3.2 PNN研究現(xiàn)狀 013
1.3.3 故障預(yù)測(cè)的應(yīng)用 016
參考文獻(xiàn) 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(xué)習(xí)算法 032
2.3.1 基于梯度下降的PNN學(xué)習(xí)算法 032
2.3.2 基于正交基展開的PNN學(xué)習(xí)算法 034
2.3.3 LM學(xué)習(xí)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(xiàn) 045
第3章 基于PNN的LRE故障預(yù)測(cè)方法
3.1 引言 046
3.2 LRE故障預(yù)測(cè)通用框架與策略 046
3.2.1 LRE故障預(yù)測(cè)的數(shù)學(xué)描述 046
3.2.2 LRE廣義故障預(yù)測(cè)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(yù)測(cè)參數(shù)分析 054
3.4 基于一般PNN的發(fā)動(dòng)機(jī)故障預(yù)測(cè)方法 056
3.4.1 故障預(yù)測(cè) 056
3.4.2 故障隔離 058
3.5 仿真驗(yàn)證及結(jié)果分析 059
3.5.1 試驗(yàn)對(duì)象及其工作原理 059
3.5.2 發(fā)動(dòng)機(jī)組件劃分 061
3.5.3 穩(wěn)態(tài)過程故障預(yù)測(cè) 064
3.5.4 啟動(dòng)過程故障預(yù)測(cè) 079
3.6 本章小結(jié) 088
參考文獻(xiàn) 089
第4章 基于增量學(xué)習(xí)的 PNN故障預(yù)測(cè)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(yàn)證及結(jié)果分析 094
4.3 基于權(quán)值更新的PNN預(yù)測(cè)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(yàn)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(yù)測(cè)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(yàn)證及結(jié)果分析 112
4.5 本章小結(jié) 113
參考文獻(xiàn) 114
第5章 基于組合PNN的預(yù)測(cè)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(yù)測(cè)方法 122
5.3.1 網(wǎng)絡(luò)組合方法分析 122
5.3.2 動(dòng)態(tài)權(quán)重合成方法 124
5.3.3 仿真驗(yàn)證及結(jié)果分析 128
5.4 基于誤差預(yù)測(cè)修正的預(yù)測(cè)方法 129
5.4.1 誤差預(yù)測(cè)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(yàn)證及結(jié)果分析 132
5.5 本章小結(jié) 135
參考文獻(xiàn) 135
第6章 基于樣本重構(gòu)的PNN預(yù)測(cè)方法
6.1 引言 137
6.2 PNN樣本構(gòu)造 138
6.2.1 樣本預(yù)處理 138
6.2.2 樣本重構(gòu) 141
6.2.3 樣本對(duì)PNN預(yù)測(cè)的影響分析 142
6.3 基于多尺度分析的PNN預(yù)測(cè)方法 145
6.3.1 多尺度分析方法 145
6.3.2 多尺度并行PNN預(yù)測(cè)方法 147
6.3.3 仿真驗(yàn)證及結(jié)果分析 149
6.4 基于數(shù)據(jù)分段的PNN預(yù)測(cè)方法 152
6.4.1 數(shù)據(jù)分段預(yù)測(cè)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(yàn)證及結(jié)果分析 155
6.5 本章小結(jié) 157
參考文獻(xiàn) 157
第7章 基于多方法集成的預(yù)測(cè)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(yù)測(cè) 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(xué)習(xí)的SVR預(yù)測(cè)方法 167
7.3.4 仿真驗(yàn)證及結(jié)果分析 170
7.4 基于在線建模的集成預(yù)測(cè)方法 172
7.4.1 在線建模方法分析 172
7.4.2 在線集成預(yù)測(cè)方法 174
7.4.3 仿真驗(yàn)證及結(jié)果分析 176
7.5 本章小結(jié) 178
參考文獻(xiàn) 179
第8章 發(fā)動(dòng)機(jī)故障預(yù)測(cè)工具箱設(shè)計(jì)與實(shí)現(xiàn)
8.1 引言 181
8.2 工具箱設(shè)計(jì)理念與特點(diǎn) 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(shí)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(yù)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(xiàn) 191