• 
  液体火箭发动机基...
  ￥94.80元
• 
  空间推进系统自主...
  ￥112.50元
• 
  大型固体火箭发动...
  ￥127.50元
• 
  连续旋转爆震稳定...
  ￥90.00元
• 
  固体烧蚀型脉冲等...
  ￥135.00元

故障预测对保障液体火箭发动机安全、可靠地运行具有重要意义。随着数据融合、数据挖掘和深度学习技术的快速发展，基于数据驱动的液体火箭发动机故障预测方法已成为这些年研究的重点。本书以大型氢氧火箭发动机为研究对象，按照“从总体框架到具体方法，从单一模型到组合模型，从单一算法到多算法集成，从理论分析到应用集成”的思路，系统梳理总结了以过程神经网络为基础，针对液体火箭发动机所获得的故障预测方面的主要成果。

样章试读

• 暂时还没有任何用户评论

总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

• 暂时还没有任何用户咨询内容

总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

用户名：	匿名用户
E-mail：
咨询内容：

• 目录
  第1章 绪论
  1.1 引言 001
  1.2 故障预测的基本概念与内涵 003
  1.3 国内外研究现状 006
  1.3.1 故障预测方法研究现状 006
  1.3.2 PNN研究现状 013
  1.3.3 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 027
  2.2 PNN的理论基础 028
  2.2.1 过程神经元 028
  2.2.2 过程神经网络 029
  2.3 PNN学习算法 032
  2.3.1 基于梯度下降的PNN学习算法 032
  2.3.2 基于正交基展开的PNN学习算法 034
  2.3.3 LM学习算法 036
  2.4 几种常用PNN的模型 039
  2.4.1 双隐层过程神经网络 039
  2.4.2 离散过程神经网络 041
  2.4.3 小波过程神经网络 043
  2.5 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 046
  3.2 LRE故障预测通用框架与策略 046
  3.2.1 LRE故障预测的数学描述 046
  3.2.2 LRE广义故障预测通用框架和策略 049
  3.3 LRE结构层次划分方法 052
  3.3.1 LRE结构层次化分解方法 052
  3.3.2 LRE组件可用故障预测参数分析 054
  3.4 基于一般PNN的发动机故障预测方法 056
  3.4.1 故障预测 056
  3.4.2 故障隔离 058
  3.5 仿真验证及结果分析 059
  3.5.1 试验对象及其工作原理 059
  3.5.2 发动机组件划分 061
  3.5.3 稳态过程故障预测 064
  3.5.4 启动过程故障预测 079
  3.6 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 092
  4.2 故障阈值自适应更新方法 092
  4.2.1 故障阈值更新算法原理 093
  4.2.2 故障阈值更新策略 093
  4.2.3 仿真验证及结果分析 094
  4.3 基于权值更新的PNN预测方法 098
  4.3.1 暴力算法 098
  4.3.2 网络输出权值更新方法 099
  4.3.3 仿真验证及结果分析 104
  4.4 基于输出调节系数更新的PNN预测方法 106
  4.4.1 DHPNN模型 107
  4.4.2 输出调节系数更新方法 108
  4.4.3 仿真验证及结果分析 112
  4.5 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 115
  5.2 网络泛化性能分析 116
  5.2.1 组合PNN泛化误差分析 116
  5.2.2 单一网络泛化性能分析 116
  5.3 基于组合PNN的预测方法 122
  5.3.1 网络组合方法分析 122
  5.3.2 动态权重合成方法 124
  5.3.3 仿真验证及结果分析 128
  5.4 基于误差预测修正的预测方法 129
  5.4.1 误差预测分析 129
  5.4.2 输出调节系数更新方法 130
  5.4.3 仿真验证及结果分析 132
  5.5 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 137
  6.2 PNN样本构造 138
  6.2.1 样本预处理 138
  6.2.2 样本重构 141
  6.2.3 样本对PNN预测的影响分析 142
  6.3 基于多尺度分析的PNN预测方法 145
  6.3.1 多尺度分析方法 145
  6.3.2 多尺度并行PNN预测方法 147
  6.3.3 仿真验证及结果分析 149
  6.4 基于数据分段的PNN预测方法 152
  6.4.1 数据分段预测方法 153
  6.4.2 输出调节系数更新方法 155
  6.4.3 仿真验证及结果分析 155
  6.5 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 159
  7.2 PNN样本构造 160
  7.3 基于AdaBoost.RT框架的多方法集成预测 161
  7.3.1 基于AdaBoost.RT框架集成算法 161
  7.3.2 样本重构 163
  7.3.3 基于增量学习的SVR预测方法 167
  7.3.4 仿真验证及结果分析 170
  7.4 基于在线建模的集成预测方法 172
  7.4.1 在线建模方法分析 172
  7.4.2 在线集成预测方法 174
  7.4.3 仿真验证及结果分析 176
  7.5 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 181
  8.2 工具箱设计理念与特点 181
  8.2.1 面向实际需求 182
  8.2.2 功能模块化 184
  8.2.3 丰富的程序接口 185
  8.3 工具箱的实现 185
  8.3.1 硬件系统配置 186
  8.3.2 数据分析与预处理 186
  8.3.3 参数设置与方法选择 188
  8.3.4 工具箱演示 188
  8.4 本章小结 190
  参考文献 191