第l章  概述
  1.1  液體導彈發動機故障診斷與建立監控繫統的必要性
  1.2  液體導彈發動機故障診斷技術的歷史與發展
  1.3  液體導彈發動機故障診斷的發展趨勢
第2章  液體導彈發動機的故障模式和機理分析
  2.1  引言
  2.2  液體導彈發動機的結構組成
  2.3  液體導彈發動機的故障模式分析
  2.4  液體導彈發動機的故障機理分析
    2.4.1  推力室及燃氣發生器
    2.4.2  渦輪泵
    2.4.3  密封件
  2.5  液體導彈發動機標準故障模式的建立
第3章  液體導彈發動機故障模型的分析方法
  3.1  引言
  3.2  液體導彈發動機工作過程
  3.3  液體導彈發動機穩態過程模型
    3.3.1  液體在管路中的流動分析
    3.3.2  發動機部件工作特性方程
    3.3.3  發動機參數平衡模型
    3.3.4  發動機部件故障特性方程
    3.3.5  一級發動機穩態過程模型的建立
    3.3.6  二級發動機穩態過程模型的建立
  3.4  液體導彈發動機動態過程模型
    3.4.1  推力室
    3.4.2  燃氣發生器
    3.4.3  渦輪泵繫統
    3.4.4  液體管路繫統
    3.4.5  自生增壓繫統
    3.4.6  一級發動機動態過程模型的建立
    3.4.7  二級發動機動態過程模型的建立
第4章  液體導彈發動機故障特性分析
  4.1  穩態故障模式特性分析
    4.1.1  發動機穩態模型的數值解法
    4.1.2  靜態特性仿真分析
    4.1.3  基於Hopfield神經網絡的數值解法
    4.1.4  發動機穩態故障分析
    4.1.5  基於蟻群算法的二級發動機穩態故障分析
    4.1.6  基於進化計算的發動機故障特性分析
    4.1.7  發動機穩態故障模式獲取
  4.2  動態故障模式分析
    4.2.1  發動機動態模型的數值解法
    4.2.2  發動機動態故障分析
  4.3  綜合故障分析
  4.4  故障的可分離性與可檢測性
    4.4.1  故障的可分離性
    4.4.2  故障的可檢測性與可診斷性
第5章  基於人工神經網絡的導彈發動機故障診斷方法
  5.1  人工神經網絡理論概述
    5.1.1  神經網絡的基本知識
    5.1.2  BP網絡及其改進算法
  5.2  神經網絡的故障診斷原理
  5.3  神經網絡輸入數據的模糊前置處理
  5.4  基於BP神經網絡的故障診斷方法
  5.5  基於RBF神經網絡的故障診斷方法
    5.5.1  RBF神經網絡
    5.5.2  應用實例
    5.5.3  計算結果及分析
  5.6  基於改進型ARl2神經網絡的故障診斷方法
    5.6.1  無師學習網絡模型的選擇
    5.6.2  ART神經網絡的基本結構及其理論
    5.6.3  ARlr2算法的改進
    5.6.4  改進ART2算法的實現
    5.6.5  故障診斷實例
  5.7  基於FTART神經網絡的故障診斷方法
    5.7.1  FTART結構及基本理論
    5.7.2  FTART網絡的改進及其數學描述
    5.7.3  FTART網絡的設計
    5.7.4  FTART網絡診斷實例及分析
第6章  基於小波變換的故障診斷方法
  6.1  小波變換理論
    6.1.1  概述
    6.1.2  小波分析的基本理論
  6.2  基於小波分析的液體導彈發動機故障診斷
    6.2.1  小波包分解及特征提取
    6.2.2  時序建模方法及其應用
    6.2.3  諧波小波及其應用
    6.2.4  渦輪泵振動異常趨勢的監測與診斷方法
    6.2.5  基於小波分析的渦輪泵次同步進動故障分析
    6.2.6  基於小波神經網絡的發動機故障診斷
第7章  基於人工免疫繫統的故障診斷方法
  7.1  人工免疫繫統
    7.1.1  生物免疫繫統
    7.1.2  人工免疫繫統
  7.2  否定選擇原理在液體導彈發動機故障檢測與診斷中的應用
    7.2.1  否定選擇算法
    7.2.2  應用實例與分析
  7.3  克隆選擇原理在液體導彈發動機啟動過程仿真中的應用
    7.3.1  克隆選擇原理與算法
    7.3.2  應用實例與分析
第8章  基於模糊理論的故障診斷方法
  8.1  模糊故障診斷理論
    8.1.1  模糊理論基礎
    8.1.2  基於模糊理論的故障診斷
  8.2  基於模糊模式識別技術的故障診斷方法
    8.2.1  模糊模式識別基本理論
    8.2.2  基於樣本法構造隸屬函數的模糊模式識別
    8.2.3  隸屬函數法的模糊模式識別
  8.3  基於模糊聚類分析的故障診斷方法
    8.3.1  模糊等價矩陣動態聚類分析法
    8.3.2  模糊ISODATA聚類分析法
    8.3.3  基於max-○傳遞性的模糊聚類分析故障診斷
  8.4  基於模糊神經網絡的導彈發動機故障診斷方法
    8.4.1  模糊神經網絡
    8.4.2  模糊RBF神經網絡在液體導彈發動機故障
    診斷中的應用
第9章  基於統計學習理論的故障分析與診斷方法
  9.1  統計學習理論與支持向量機
    9.1.1  機器學習
    9.1.2  統計學習理論
    9.1.3  支持向量機
    9.1.4  核函數及其參數優化
  9.2  支持向量機在液體導彈發動機故障診斷中的應用
    9.2.1  基於SVM的液體導彈發動機穩態故障特性分析及診斷
    9.2.2  基於GA—SVM的液體導彈發動機故障診斷
    9.2.3  基於SVM的液體導彈發動機故障建模與分析
第10章  基於隱Markov模型的故障診斷方法
  10.1  基於隱Markov模型(HMM)的故障診斷方法
    10.1.1  HMM基本思想
    10.1.2  HMM基本算法
    10.1.3  HMM的類型
    10.1.4  HMM在實際應用中的改進措施
    10.1.5  基於HMM的渦輪泵故障診斷實例
  10.2  HMM—SVM混合故障診斷模型及應用
    10.2.1  SVM訓練
    10.2.2  HMM—SVM故障診斷應用實例
第11章  液體導彈發動機故障預測方法
  11.1  基於時間序列的導彈發動機故障預測方法
    11.1.1  時間序列分析
    11.1.2  應用與分析
  11.2  基於灰色模型的導彈發動機故障預測方法
    11.2.1  灰色繫統概述
    11.2.2  灰色繫統的基本原理
    11.2.3  灰色預測方法及其在導彈發動機故障預測的應用
  11.3  基於神經網絡的導彈發動機故障預測方法
    11.3.1  基於BP網絡的導彈發動機動力參數多步預測方法
    11.3.2  基於RBF網絡的導彈發動機預測方法
    11.3.3  基於Elman網絡的導彈發動機預測方法
  11.4  基於SVM方法的導彈發動機故障預測研究
    11.4.1  基於支持向量機的回歸估計
    11.4.2  基於支持向量機的預測流程與評價標準
    11.4.3  基於SVM方法的液體導彈發動機故障預測實例
附錄
參考文獻