包邮液体火箭发动机基于过程神经网络故障预测理论与方法

目录第1章 绪论1.1 引言 0011.2 故障预测的基本概念与内涵 0031.3 国内外研究现状 0061.3.1 故障预测方法研究现状 0061.3.2 PNN研究现状 0131.3.3 故障预测的应用 016参考文献 018第2章 PNN理论基础2.1 引言 0272.2 PNN的理论基础 0282.2.1 过程神经元 0282.2.2 过程神经网络 0292.3 PNN学习算法 0322.3.1 基于梯度下降的PNN学习算法 0322.3.2 基于正交基展开的PNN学习算法 0342.3.3 LM学习算法 0362.4 几种常用PNN的模型 0392.4.1 双隐层过程神经网络 0392.4.2 离散过程神经网络 0412.4.3 小波过程神经网络 0432.5 本章小结 045参考文献 045第3章 基于PNN的LRE故障预测方法3.1 引言 0463.2 LRE故障预测通用框架与策略 0463.2.1 LRE故障预测的数学描述 0463.2.2 LRE广义故障预测通用框架和策略 0493.3 LRE结构层次划分方法 0523.3.1 LRE结构层次化分解方法 0523.3.2 LRE组件可用故障预测参数分析 0543.4 基于一般PNN的发动机故障预测方法 0563.4.1 故障预测 0563.4.2 故障隔离 0583.5 仿真验证及结果分析 0593.5.1 试验对象及其工作原理 0593.5.2 发动机组件划分 0613.5.3 稳态过程故障预测 0643.5.4 启动过程故障预测 0793.6 本章小结 088参考文献 089第4章 基于增量学习的 PNN故障预测方法4.1 引言 0924.2 故障阈值自适应更新方法 0924.2.1 故障阈值更新算法原理 0934.2.2 故障阈值更新策略 0934.2.3 仿真验证及结果分析 0944.3 基于权值更新的PNN预测方法 0984.3.1 暴力算法 0984.3.2 网络输出权值更新方法 0994.3.3 仿真验证及结果分析 1044.4 基于输出调节系数更新的PNN预测方法 1064.4.1 DHPNN模型 1074.4.2 输出调节系数更新方法 1084.4.3 仿真验证及结果分析 1124.5 本章小结 113参考文献 114第5章 基于组合PNN的预测方法5.1 引言 1155.2 网络泛化性能分析 1165.2.1 组合PNN泛化误差分析 1165.2.2 单一网络泛化性能分析 1165.3 基于组合PNN的预测方法 1225.3.1 网络组合方法分析 1225.3.2 动态权重合成方法 1245.3.3 仿真验证及结果分析 1285.4 基于误差预测修正的预测方法 1295.4.1 误差预测分析 1295.4.2 输出调节系数更新方法 1305.4.3 仿真验证及结果分析 1325.5 本章小结 135参考文献 135第6章 基于样本重构的PNN预测方法6.1 引言 1376.2 PNN样本构造 1386.2.1 样本预处理 1386.2.2 样本重构 1416.2.3 样本对PNN预测的影响分析 1426.3 基于多尺度分析的PNN预测方法 1456.3.1 多尺度分析方法 1456.3.2 多尺度并行PNN预测方法 1476.3.3 仿真验证及结果分析 1496.4 基于数据分段的PNN预测方法 1526.4.1 数据分段预测方法 1536.4.2 输出调节系数更新方法 1556.4.3 仿真验证及结果分析 1556.5 本章小结 157参考文献 157第7章 基于多方法集成的预测方法7.1 引言 1597.2 PNN样本构造 1607.3 基于AdaBoost.RT框架的多方法集成预测 1617.3.1 基于AdaBoost.RT框架集成算法 1617.3.2 样本重构 1637.3.3 基于增量学习的SVR预测方法 1677.3.4 仿真验证及结果分析 1707.4 基于在线建模的集成预测方法 1727.4.1 在线建模方法分析 1727.4.2 在线集成预测方法 1747.4.3 仿真验证及结果分析 1767.5 本章小结 178参考文献 179第8章 发动机故障预测工具箱设计与实现8.1 引言 1818.2 工具箱设计理念与特点 1818.2.1 面向实际需求 1828.2.2 功能模块化 1848.2.3 丰富的程序接口 1858.3 工具箱的实现 1858.3.1 硬件系统配置 1868.3.2 数据分析与预处理 1868.3.3 参数设置与方法选择 1888.3.4 工具箱演示 1888.4 本章小结 190参考文献 191