第1章 概述 1
1.1 背景 1
1.2 信号处理 2
1.3 典型的燃气涡轮发动机诊断 4
1.4 线性滤波器 5
1.5 中值滤波器 6
1.6 最小二乘算法 7
1.7 卡尔曼滤波器 9
1.8 影响因子 11
1.9 基于振动的诊断 13
第2章 幂等中值滤波器 15
2.1 加权中值滤波器 15
2.2 中心加权中值滤波器 16
2.3 中心加权幂等中值滤波器 16
2.3.1 气路测量参数的滤波器设计 16
2.4 测试信号 17
2.4.1 理想信号 18
2.4.2 噪声信号 18
2.5 误差测量 23
2.5.1 数值模拟 23
2.6 总结 25
第3章 中值-有理混合滤波器 26
3.1 测试信号 26
3.2 有理滤波器 30
3.3 中值-有理滤波器 30
3.4 数值仿真 31
3.5 小结 33
第4章 FIR-中值混合滤波器 34
4.1 FIR-中值混合(FMH)滤波器 34
4.2 加权FM H滤波器 34
4.3 测试信号 36
4.3.1 根信号 37
4.3.2 高斯噪声 37
4.3.3 异常值 37
4.3.4 误差计算 37
4.4 数值仿真 38
4.5 总结 41
第5章 过渡态数据和Myriad滤波器 43
5.1 稳态和过渡态信号 43
5.2 Myriad滤波器 44
5.3 数值仿真 45
5.4 燃气轮机过渡态信号 48
5.5 加权Myriad算法 54
5.6 自适应加权Myriad滤波器算法 55
5.7 数值仿真 57
5.8 总结 60
第6章 变化趋势检测 61
6.1 问题与建模 62
6.2 图像处理概念 62
6.3 中值滤波器 63
6.4 递归中值滤波器 63
6.5 级联递归中值滤波器 64
6.6 边缘检测 64
6.6.1 梯度边缘检测器 65
6.6.2 拉普拉斯边缘检测 65
6.7 数值仿真 65
6.7.1 测试信号 65
6.7.2 降噪 68
6.7.3 异常值的滤除 68
6.8 趋势变化的检测 69
6.8.1 门限值选择 71
6.8.2 趋势检测算法的验证 74
6.9 总结 74
第7章 最优加权递归中值滤波器 76
7.1 加权递归中值滤波器 76
7.2 测试信号 77
7.3 数值模拟 79
7.4 含异常值的测试信号 84
7.5 性能比较 88
7.6 三点和七点最优加权RM滤波器 90
7.6.1 数值分析 90
7.6.2 含异常值的信号 96
7.7 总结 102
第8章 卡尔曼滤波 103
8.1 卡尔曼滤波法 103
8.2 单故障隔离 105
8.3 数值模拟 109
8.4 传感器误差修正 111
8.5 总结 114
第9章 神经网络结构 115
9.1 人工神经网络方法 115
9.1.1 BP算法 116
9.1.2 混合神经网络算法 118
9.2 卡尔曼滤波器和神经网络方法 119
9.3 自联想神经网络 120
9.4 总结 121
第10章 模糊逻辑系统 122
10.1 部件和系统故障 122
10.2 模糊逻辑系统 124
10.3 去模糊化 126
10.4 输入输出定义 126
10.5 模糊化 127
10.6 规则和故障隔离 129
10.7 数值仿真 130
10.8 总结 134
第11章 软计算方法 136
11.1 燃气涡轮发动机故障隔离 136
11.2 神经信号处理——径向基函数神经网络 137
11.3 模糊逻辑系统 138
11.4 遗传算法 138
11.5 遗传模糊系统 139
11.6 数值模拟 141
11.7 总结 149
第12章 基于振动的故障诊断 150
12.1 公式与建模 152
12.1.1 涡轮叶片建模 152
12.1.2 疲劳损伤模型 153
12.1.3 疲劳损伤梁 157
12.2 数值仿真 158
12.2.1 有限元仿真 158
12.2.2 损伤检测 163
12.3 总结 167
参考文献 168