基于免疫機理和神經(jīng)網(wǎng)絡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前存在的主要問題 5
1.3 基于免疫機理的故障診斷理論基礎 6
1.3.1 故障診斷的免疫學基礎 6
1.3.2 基于免疫機理的故障診斷基本思想 14
1.3.2 基于免疫機理的故障診斷方法研究現(xiàn)狀 18
1.4 基于神經(jīng)網(wǎng)絡的故障診斷理論基礎 19
1.4.1 故障診斷的神經(jīng)生物學基礎 19
1.4.2 基于神經(jīng)網(wǎng)絡的故障診斷基本思想 25
1.4.3 基于神經(jīng)網(wǎng)絡的故障診斷方法研究現(xiàn)狀 29
第2章 基于免疫網(wǎng)絡模型的改進的故障診斷算法 31
2.1 概述 31
2.2 基于免疫網(wǎng)絡模型的傳統(tǒng)的故障診斷算法 32
2.3 基于免疫網(wǎng)絡模型的改進的故障診斷算法 34
2.4 仿真實驗 38
2.4.1 實驗過程及結(jié)果 38
2.4.2 實驗結(jié)果分析 39
2.4.3 實驗結(jié)果對比分析 39
2.4.4 關于算法中三個系數(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)絡算法中的應用分析 58
3.4 基于粗糙集理論的免疫網(wǎng)絡故障診斷算法 59
3.4.1 剪枝門限與漏診和誤診的關系 59
3.4.2 模式空間的鄰域粗糙逼近 60
3.4.3 剪枝門限自適應調(diào)整算法 61
3.5 仿真實驗 62
3.5.1 實驗結(jié)果分析 62
3.5.2 實驗結(jié)果對比分析 63
3.6 本章小結(jié) 69
第4章 基于免疫機理的可重構(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 仿真實驗 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 實驗結(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)絡的故障檢測方法 79
5.1 概述 79
5.2 一種改進的RBF神經(jīng)網(wǎng)絡 80
5.2.1 RBF神經(jīng)網(wǎng)絡簡介 80
5.2.2 RBF神經(jīng)網(wǎng)絡的學習過程 81
5.2.3 改進的RBF神經(jīng)網(wǎng)絡隱含層自適應生成算法 82
5.3 基于改進的RBF神經(jīng)網(wǎng)絡的推進系統(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)絡模式識別的故障檢測方法 84
5.4 YF-75 推進系統(tǒng)的故障檢測仿真實驗 84
5.4.1 問題描述 84
5.4.2 數(shù)據(jù)準備 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 某運載火箭推進系統(tǒng)故障檢測仿真實驗 90
5.5.1 問題描述 90
5.5.2 數(shù)據(jù)準備 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 推進系統(tǒng)熱試車故障檢測仿真實驗 105
5.6.1 問題描述 105
5.6.2 數(shù)據(jù)準備 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 116
6.2.1 量子超球神經(jīng)網(wǎng)絡的建立 116
6.2.2 量子超球神經(jīng)網(wǎng)絡的學習算法 118
6.3 基于量子超球神經(jīng)網(wǎng)絡的推進系統(tǒng)振動故障檢測方法 120
6.4 YF-75 推進系統(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)絡的模糊規(guī)則集實現(xiàn) 132
7.3 應用模糊超球集神經(jīng)網(wǎng)絡的若干問題 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)絡的故障診斷仿真 136
7.4.1 問題描述 136
7.4.2 數(shù)據(jù)準備 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 151
8.2.3 基于概率超球集神經(jīng)網(wǎng)絡的概率規(guī)則集實現(xiàn) 152
8.3 與Bayes分類器的等價性分析 153
8.4 應用概率超球集神經(jīng)網(wǎng)絡的兩個問題 155
8.4.1 概率規(guī)則集改進后的相等判別 155
8.4.2 診斷邏輯 155
8.5 基于概率超球神經(jīng)網(wǎng)絡的故障診斷仿真 156
8.5.1 問題描述 156
8.5.2 數(shù)據(jù)準備 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 一種改進的一維逆向云算法 171
9.4 基于云神經(jīng)網(wǎng)絡的故障診斷方法 171
9.4.1 云神經(jīng)網(wǎng)絡的提出 171
9.4.2 云神經(jīng)網(wǎng)絡故障診斷方法 174
9.4.3 故障檢測算法 174
9.5 基于云神經(jīng)網(wǎng)絡的故障診斷仿真 175
9.5.1 問題描述 175
9.5.2 數(shù)據(jù)準備 175
9.5.3 結(jié)果分析 177
9.6 本章小結(jié) 188
參考文獻 189