当前位置:首页 > 天文地球
惯性测量组合智能故障诊断及预测技术
惯性测量组合智能故障诊断及预测技术

惯性测量组合智能故障诊断及预测技术PDF电子书下载

天文地球

  • 电子书积分:10 积分如何计算积分?
  • 作 者:王宏力等著
  • 出 版 社:北京市:国防工业出版社
  • 出版年份:2017
  • ISBN:9787118112511
  • 页数:226 页
图书介绍:本书主要对智能故障诊断与预测的相关概念、发展历程以及代表性方法进行概述性介绍与分析;其次,以某飞行器为例,介绍了惯性测量组合的组成、功能,并对其主要故障机理进行了分析;最后,基于可变成本的惯性测量组合实时预测维护与备件订购模型,着眼于降低维护成本以及实现快速维护决策,重点讨论了可变成本下的预测维护与备件订购模型的构建过程。
《惯性测量组合智能故障诊断及预测技术》目录

第1章 绪论 1

1.1 引言 1

1.2 故障诊断方法概述 2

1.2.1 故障诊断的概念 2

1.2.2 基于多信号模型的故障诊断研究现状 4

1.2.3 基于人工智能的模拟电路故障诊断研究现状 7

1.3 故障预测方法概述 11

1.4 剩余寿命估计方法概述 12

1.4.1 基于机理模型的剩余寿命估计方法 13

1.4.2 数据驱动的剩余寿命估计方法 13

1.4.3 剩余寿命估计在预测维护中的应用 20

1.5 惯性测量组合 21

1.5.1 惯性导航的基本原理 21

1.5.2 惯性测量组合的组成 23

1.5.3 惯性测量组合的工作原理及功能 23

1.6 本书结构安排 23

参考文献 25

第2章 多信号模型建模 34

2.1 引言 34

2.2 多信号建模理论与建模方法 34

2.2.1 多信号建模理论 34

2.2.2 多信号建模方法 36

2.3 测试性工程与维护系统(TEAMS) 38

2.3.1 TEAMS的功能与组成 38

2.3.2 基于TEAMS的测试性分析 40

2.3.3 基于TEAMS的故障诊断策略 42

2.4 惯性测量组合多信号模型的构建 43

2.4.1 建模原则 43

2.4.2 本体多信号建模 44

2.4.3 电子箱多信号建模 46

2.4.4 二次电源多信号建模 47

2.4.5 模型合成及属性设置 50

2.5 惯性测量组合测试性分析与改进 51

2.5.1 测试点的选取及测试设置 51

2.5.2 惯性测量组合固有测试性分析 53

2.5.3 改进测试性分析 54

2.6 小结 55

参考文献 55

第3章 基于计算智能的惯性测量组合诊断策略优化 57

3.1 引言 57

3.2 测试集优化方法 57

3.2.1 测试集优化的数学描述 57

3.2.2 测试性指标 58

3.2.3 粒子群优化算法概述 58

3.2.4 基于多维并行免疫离散粒子群优化算法的IMU测试集优化 61

3.2.5 基于多维动态翻转离散粒子群算法的IMU测试集优化 67

3.3 诊断策略优化方法 73

3.3.1 惯性测量组合故障树的构建 74

3.3.2 惯性测量组合故障树诊断策略优化 77

3.3.3 基于蚁群算法优化的惯性测量组合相关矩阵诊断策略 82

3.4 小结 93

参考文献 93

第4章 基于人工智能方法的惯性测量组合模拟电路故障诊断 95

4.1 引言 95

4.2 基于人工神经网络的模拟电路故障诊断 95

4.2.1 神经网络的故障诊断能力 95

4.2.2 径向基函数神经网络 96

4.2.3 基于遗传RBF网络的惯性测量组合模拟电路故障诊断 96

4.2.4 基于经验模式分解和神经网络的IMU模拟电路故障诊断 100

4.3 基于支持向量机的模拟电路故障诊断 104

4.3.1 支持向量机基本理论 104

4.3.2 层次聚类LSSVM多分类算法 106

4.3.3 基于层次聚类LSSVM的惯性测量组合模拟电路故障诊断 109

4.3.4 基于故障残差和SVM的惯性测量组合模拟电路故障诊断 113

4.4 基于极端学习机的模拟电路故障诊断 119

4.4.1 ELM基本理论 119

4.4.2 基于优选小波包和ELM的模拟电路故障诊断 120

4.4.3 基于固定尺寸序贯极端学习机的模拟电路在线故障诊断 124

4.5 基于信息融合的模拟电路故障诊断 134

4.5.1 信息融合的级别 134

4.5.2 基于特征级信息融合的故障诊断 136

4.5.3 基于响应曲线有效点的特征提取方法 137

4.5.4 改进的模糊聚类特征压缩算法 137

4.5.5 诊断实例 140

4.6 小结 146

参考文献 146

第5章 基于数据驱动的惯性测量组合智能故障预测 148

5.1 引言 148

5.2 基于数据驱动的故障预测方法 148

5.3 基于支持向量机的惯性测量组合故障预测 149

5.3.1 最小二乘支持向量机回归 149

5.3.2 基于EMD-LSSVM的故障预测方法 150

5.3.3 基于进化交叉验证与直接支持向量机回归的故障预测方法 155

5.4 基于极端学习机的惯性测量组合故障预测 161

5.4.1 基于极端学习机的惯性测量组合多尺度混合预测方法 162

5.4.2 基于改进集合在线序贯极端学习机的惯性测量组合故障预测 166

5.5 基于小样本条件下的惯性测量组合故障预测 173

5.5.1 结构自适应序贯正则极端学习机 173

5.5.2 实例验证 176

5.6 小结 179

参考文献 180

第6章 基于退化过程建模的惯性测量组合剩余寿命在线估计 182

6.1 引言 182

6.2 基于半随机滤波和EM算法的剩余寿命在线估计 183

6.2.1 问题描述 183

6.2.2 基于半随机滤波的估计模型 184

6.2.3 参数在线估计算法 187

6.2.4 惯性测量组合剩余寿命估计的仿真试验 190

6.3 基于隐含线性退化过程建模的剩余寿命在线估计 193

6.3.1 状态空间模型与剩余寿命估计 193

6.3.2 参数估计 197

6.3.3 惯性测量组合剩余寿命估计的仿真试验 199

6.4 基于隐含非线性退化过程建模的剩余寿命在线估计 203

6.4.1 问题描述与剩余寿命估计 204

6.4.2 参数在线估计算法 209

6.4.3 惯性测量组合剩余寿命预测的仿真试验 211

6.5 小结 213

参考文献 213

第7章 基于可变成本的IMU实时预测维护与备件订购 216

7.1 引言 216

7.2 第一种基于可变成本的预测维护模型的构建 217

7.2.1 长期运行成本方差 217

7.2.2 预测维护决策目标函数 218

7.3 第二种基于可变成本的预测维护模型的构建 219

7.3.1 长期运行成本方差 219

7.3.2 预测维护决策目标函数 219

7.4 备件订购模型的构建 221

7.5 惯性测量组合预测维护的仿真试验 222

7.5.1 问题描述 222

7.5.2 试验结果 222

7.6 小结 226

参考文献 226

相关图书
作者其它书籍
返回顶部