滿額折
商品簡介
名人/編輯推薦
目次
書摘/試閱
商品簡介
本書包括6章。第1章為緒論，主要對液體火箭發動機的分類、組成和發展方向等進行概述。第2章為液體火箭發動機系統設計，講述發動機總體設計任務與系統設計內容，主要包括發動機推進劑供應系統、主要參數選擇、擠壓式和泵壓式系統設計計算以及發動機調節與控制等方面的內容，通過這部分內容的學習，可以對發動機系統有一個比較全面的瞭解。第3章為液體火箭發動機推力室設計，主要講述推力室設計工作中所包括的型面設計、頭部設計和身部熱防護設計，並對一些典型發動機推力室的結構進行介紹。第4章為燃氣發生器與小推力發動機推力室，在第3章內容的基礎上，介紹液體火箭發動機燃氣發生器和小推力發動機推力室的結構特點和一些初步設計方法。第5章為液體火箭發動機渦輪泵設計，講述泵壓式液體火箭發動機中渦輪與泵的結構特點與設計方法，包括渦輪泵總體設計、帶誘導輪離心泵設計、渦輪設計、渦輪泵轉子及渦輪泵密封和軸承等內容。第6章為閥門和調節器設計，主要講述常用閥門和調節器的功能、結構、工作過程以及相關設計等內容。
名人/編輯推薦
《液體火箭發動機故障檢測診斷理論與方法》不僅可以為從事液體火箭發動機結構設計、健康監控與故障診斷、容錯控制等方向的科研人員、工程應用單位的技術人員提供有益參考，而且也可以作為高等院校相關專業博士生、碩士生的學習參考書。
目次
第1章 緒論
1.1引言
1.2基本概念與內涵
1.2.1液體火箭發動機故障的特點
1.2.2發動機故障診斷的基本概念
1.2.3發動機故障診斷技術與其他領域診斷技術的聯系與區別
1.3發動機故障診斷方法研究現狀
1.3.1基于信號處理的方法
1.3.2基于數學模型的方法
1.3.3基于人工智能的方法
1.4發動機故障診斷技術的發展趨勢分析
1.4.1集成不同層次領域知識的智能故障診斷
1.4.2集成不同方法的綜合故障診斷
1.4.3集成不確定性信息的魯棒故障診斷
參考文獻
第2章 基于統計分析的發動機故障檢測方法
2.1引言
2.2故障檢測統計學基礎
2.3自適應閾值故障檢測算法
2.3.1算法原理
2.3.2算法驗證與考核
2.4自適應相關故障檢測算法
2.4.1算法原理
2.4.2算法的驗證與考核
2.5瞬變過程故障檢測的包絡線算法
2.5.1算法原理
2.5.2算法的驗證
2.6本章小結
參考文獻
第3章 基于神經網絡的發動機故障檢測方法
3.1引言
3.2神經網絡基礎
3.2.1神經網絡簡介
3.2.2 BP網絡
3.2.3 RBF網絡
3.3液體火箭發動機的神經網絡辨識模型
3.3.1穩態工作過程的辨識模型
3.3.2啟動過程的辨識模型
3.4神經網絡故障檢測算法的實現與驗證
3.4.1故障檢測邏輯
3.4.2神經網絡故障檢測系統
3.4.3穩態工作過程的神經網絡故障檢測算法
3.4.4啟動工作過程的神經網絡故障檢測算法
3.5神經網絡故障檢測算法實時在線考核
3.6本章小結
參考文獻
第4章 基于模糊理論的發動機故障檢測與診斷方法
4.1引言
4.2模糊故障診斷理論基礎
4.2.1基于模糊模型的故障診斷方法
4.2.2 T—S模糊模型
4.2.3自適應神經模糊推理系統
4.3發動機工作過程模糊辨識模型
4.3.1穩態過程模糊辨識模型
4.3.2啟動過程模糊辨識模型
4.4基于模糊辨識模型的發動機故障診斷實例
4.4.1基于模糊辨識模型的故障檢測
4.4.2基于模糊辨識模型的穩態過程故障隔離
4.5本章小結
參考文獻
第5章基于云理論的發動機故障檢測與診斷方法
5.1引言
5.2云理論基礎
5.2.1基本概念
5.2.2云的數字特征
5.2.3云發生器
5.2.4虛云
5.2.5云變換
5.3基于云關聯規則的發動機故障檢測方法
5.3.1云關聯規則
5.3.2基于云關聯規則的故障檢測算法
5.3.3算法實現與結果分析
5.4基于云分類器的發動機故障診斷方法
5.4.1云分類器
5.4.2基于云分類器的發動機故障診斷算法
5.4.3診斷實例分析
5.5本章小結
參考文獻
第6章基于云－神經網絡的發動機故障檢測與診斷方法
6.1引言
6.2基于云－神經網絡的發動機實時故障檢測方法
6.2.1網絡結構
6.2.2前向傳播過程
6.2.3反向傳播學習算法
6.2.4故障檢測方法
6.2.5實時性改進
6.3基于云－神經網絡的發動機瞬變過程故障檢測實現與驗證
6.3.1啟動過程的云－神經網絡算法實現與驗證
6.3.2額定工況到高工況的云－神經網絡算法實現與驗證
6.3.3高工況到高工況高混合比的云－神經網絡算法實現與驗證
6.3.4高工況高混合比到高工況的云－神經網絡算法實現與驗證
6.4基于云－神經網絡的發動機穩態過程故障檢測實現與驗證
6.4.1額定工況的云－神經網絡算法實現與驗證
6.4.2高工況的云－神經網絡算法實現與驗證
6.4.3高工況高混合比的云－神經網絡算法實現與驗證
6.5基于云模型的神經模糊系統故障診斷方法
6.5.1相關研究評述
6.5.2基于云模型與神經網絡的發動機故障診斷方法
6.5.3診斷實例分析
6.6本章小結
參考文獻
第7章基于人工免疫的發動機故障檢測與診斷方法
7.1引言
7.2人工免疫原理
7.2.1人工免疫系統的仿生機理
7.2.2人工免疫系統模型與算法
7.3基于反向選擇的發動機穩態過程故障檢測方法
7.3.1算法流程
7.3.2檢測實例
7.4免疫實值故障檢測與診斷方法
7.4.1免疫實值故障檢測算法
7.4.2 IRVR－NSA故障檢測與診斷算法
7.5基于克隆選擇的發動機故障診斷方法
7.5.1克隆選擇原理
7.5.2基于克隆選擇的故障診斷方法
7.5.3診斷實例
7.6本章小結
參考文獻
第8章基于符號有向圖的發動機故障診斷方法
8.1引言
8.2基于SDG的故障診斷基礎理論
8.3基于SDG的發動機診斷知識獲取和表示
8.3.1診斷對象
8.3.2發動機診斷知識獲取和表示
8.4基于SDG的發動機故障診斷推理
8.4.1基于深淺知識規則的故障診斷推理
8.4.2集成定量知識的故障診斷推理
8.4.3基于SDG的多模式故障診斷推理
8.5本章小結
參考文獻
……
第9章 基于時間因果圖的發動機故障診斷方法
第10章 基于定性偏差模型的發動機故障診斷方法
第11章 集成擴展知識的發動機故障診斷方法
參考文獻
1.1引言
1.2基本概念與內涵
1.2.1液體火箭發動機故障的特點
1.2.2發動機故障診斷的基本概念
1.2.3發動機故障診斷技術與其他領域診斷技術的聯系與區別
1.3發動機故障診斷方法研究現狀
1.3.1基于信號處理的方法
1.3.2基于數學模型的方法
1.3.3基于人工智能的方法
1.4發動機故障診斷技術的發展趨勢分析
1.4.1集成不同層次領域知識的智能故障診斷
1.4.2集成不同方法的綜合故障診斷
1.4.3集成不確定性信息的魯棒故障診斷
參考文獻
第2章 基于統計分析的發動機故障檢測方法
2.1引言
2.2故障檢測統計學基礎
2.3自適應閾值故障檢測算法
2.3.1算法原理
2.3.2算法驗證與考核
2.4自適應相關故障檢測算法
2.4.1算法原理
2.4.2算法的驗證與考核
2.5瞬變過程故障檢測的包絡線算法
2.5.1算法原理
2.5.2算法的驗證
2.6本章小結
參考文獻
第3章 基于神經網絡的發動機故障檢測方法
3.1引言
3.2神經網絡基礎
3.2.1神經網絡簡介
3.2.2 BP網絡
3.2.3 RBF網絡
3.3液體火箭發動機的神經網絡辨識模型
3.3.1穩態工作過程的辨識模型
3.3.2啟動過程的辨識模型
3.4神經網絡故障檢測算法的實現與驗證
3.4.1故障檢測邏輯
3.4.2神經網絡故障檢測系統
3.4.3穩態工作過程的神經網絡故障檢測算法
3.4.4啟動工作過程的神經網絡故障檢測算法
3.5神經網絡故障檢測算法實時在線考核
3.6本章小結
參考文獻
第4章 基于模糊理論的發動機故障檢測與診斷方法
4.1引言
4.2模糊故障診斷理論基礎
4.2.1基于模糊模型的故障診斷方法
4.2.2 T—S模糊模型
4.2.3自適應神經模糊推理系統
4.3發動機工作過程模糊辨識模型
4.3.1穩態過程模糊辨識模型
4.3.2啟動過程模糊辨識模型
4.4基于模糊辨識模型的發動機故障診斷實例
4.4.1基于模糊辨識模型的故障檢測
4.4.2基于模糊辨識模型的穩態過程故障隔離
4.5本章小結
參考文獻
第5章基于云理論的發動機故障檢測與診斷方法
5.1引言
5.2云理論基礎
5.2.1基本概念
5.2.2云的數字特征
5.2.3云發生器
5.2.4虛云
5.2.5云變換
5.3基于云關聯規則的發動機故障檢測方法
5.3.1云關聯規則
5.3.2基于云關聯規則的故障檢測算法
5.3.3算法實現與結果分析
5.4基于云分類器的發動機故障診斷方法
5.4.1云分類器
5.4.2基于云分類器的發動機故障診斷算法
5.4.3診斷實例分析
5.5本章小結
參考文獻
第6章基于云－神經網絡的發動機故障檢測與診斷方法
6.1引言
6.2基于云－神經網絡的發動機實時故障檢測方法
6.2.1網絡結構
6.2.2前向傳播過程
6.2.3反向傳播學習算法
6.2.4故障檢測方法
6.2.5實時性改進
6.3基于云－神經網絡的發動機瞬變過程故障檢測實現與驗證
6.3.1啟動過程的云－神經網絡算法實現與驗證
6.3.2額定工況到高工況的云－神經網絡算法實現與驗證
6.3.3高工況到高工況高混合比的云－神經網絡算法實現與驗證
6.3.4高工況高混合比到高工況的云－神經網絡算法實現與驗證
6.4基于云－神經網絡的發動機穩態過程故障檢測實現與驗證
6.4.1額定工況的云－神經網絡算法實現與驗證
6.4.2高工況的云－神經網絡算法實現與驗證
6.4.3高工況高混合比的云－神經網絡算法實現與驗證
6.5基于云模型的神經模糊系統故障診斷方法
6.5.1相關研究評述
6.5.2基于云模型與神經網絡的發動機故障診斷方法
6.5.3診斷實例分析
6.6本章小結
參考文獻
第7章基于人工免疫的發動機故障檢測與診斷方法
7.1引言
7.2人工免疫原理
7.2.1人工免疫系統的仿生機理
7.2.2人工免疫系統模型與算法
7.3基于反向選擇的發動機穩態過程故障檢測方法
7.3.1算法流程
7.3.2檢測實例
7.4免疫實值故障檢測與診斷方法
7.4.1免疫實值故障檢測算法
7.4.2 IRVR－NSA故障檢測與診斷算法
7.5基于克隆選擇的發動機故障診斷方法
7.5.1克隆選擇原理
7.5.2基于克隆選擇的故障診斷方法
7.5.3診斷實例
7.6本章小結
參考文獻
第8章基于符號有向圖的發動機故障診斷方法
8.1引言
8.2基于SDG的故障診斷基礎理論
8.3基于SDG的發動機診斷知識獲取和表示
8.3.1診斷對象
8.3.2發動機診斷知識獲取和表示
8.4基于SDG的發動機故障診斷推理
8.4.1基于深淺知識規則的故障診斷推理
8.4.2集成定量知識的故障診斷推理
8.4.3基于SDG的多模式故障診斷推理
8.5本章小結
參考文獻
……
第9章 基于時間因果圖的發動機故障診斷方法
第10章 基于定性偏差模型的發動機故障診斷方法
第11章 集成擴展知識的發動機故障診斷方法
參考文獻
書摘/試閱
算法開始的最初△t1（s）為第一階段，采用從不同臺次發動機正常試車數據統計所得到的瞬變過程結束時刻的參數均值和方差來計算閾值；接下去的△t2（s）為第二階段，采用的方差與第一階段相同，均值則采用由第一階段實時估計的參數均值；最后是第三階段，持續到一個穩態過程或檢測算法的結束時刻，采用由遞推計算得到的參數均值和方差。
設發動機的試車時間為t。在發動機啟動完成進入穩態階段之后的前△t1（如3s～5s）內，因為啟動過程剛剛結束，各個參數還不夠穩定，因此使用固定閾值方法檢測發動機故障。此時的初始閾值是通過發動機歷史試車數據訓練得到的，采用不同臺次（具有相同試車時間）發動機正常試車數據進入穩態階段某時刻（如4s）的均值和方差。
在接下來的△t2（如5s～10s）內，如果沒有檢測到參數異常，采用的方差與第一階段相同，均值則根據式（2.10）自適應地更新，再根據式（2.14）自適應地更新閾值。否則，不對信號的均值及其閾值進行更新。這一階段內不對參數的方差進行自適應更新，其原因是這段時間內發動機的數據還不夠穩定，方差的變化較大，不便在發動機故障檢測中使用。
之后的△t3（10s～t，t的單位為s），若沒有檢測到參數異常，則繼續對均值進行自適應更新，同時根據式（2.11）對參數的方差進行自適應更新，然后根據式（2.13）自適應更新閾值。否則，不對信號的均值、方差及閾值進行更新。
7.故障檢測邏輯
在計算出各參數的閾值以后，檢測算法分兩個層次檢測發動機的故障。第一層次是參數的門限檢測，即檢測各個參數測量值是否在各自的正常區間之內。為了減小測量噪聲和隨機干擾的影響，用參數測量值的滑動平均值來進行門限檢測。第二層次是發動機的故障檢測，采用兩個檢驗準則綜合所有參數在一段時間內的狀況來進行。其一是多參數檢驗準則，只有當同時出現多個不在正常區間內的參數時才認為系統可能出現異常情況，其二是持續性檢驗準則，只有連續出現多次可能的異常情況才判斷系統出現了故障。
多參數檢驗準則的參數個數、持續性檢驗準則的持續次數對算法的性能影響較大。取值過大，容易出現漏檢測或檢測時間延遲，反之則極易出現誤檢測。它們的取值應在仔細分析發動機故障模式和測量參數的分布規律基礎上才能具體確定。
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。