| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 液体火箭发动机健康管理系统研究综述 | 第10页 |
| 1.3 液体火箭发动机故障检测与诊断方法研究综述 | 第10-13页 |
| 1.3.1 基于信号处理的方法 | 第11-12页 |
| 1.3.2 基于解析模型的方法 | 第12页 |
| 1.3.3 基于人工智能的方法 | 第12-13页 |
| 1.4 基于优化算法及的应用 | 第13-14页 |
| 1.5 论文主要研究内容和组织结构 | 第14-17页 |
| 1.5.1 研究内容 | 第14页 |
| 1.5.2 本文组织结构 | 第14-17页 |
| 第二章 液体火箭发动机故障模式分析 | 第17-23页 |
| 2.1 液体火箭发动机试车试验平台介绍 | 第17-19页 |
| 2.1.1 试验台的基本组成 | 第17页 |
| 2.1.2 试车试验平台现有测点分析 | 第17-19页 |
| 2.2 试车平台试验过程 | 第19页 |
| 2.3 历史故障统计分析 | 第19-20页 |
| 2.4 故障模式及影响分析 | 第20-21页 |
| 2.5 实际分析的系统故障模式 | 第21-22页 |
| 2.6 小结 | 第22-23页 |
| 第三章 基于量子遗传优化BP神经网络的液体火箭发动机故障检测 | 第23-37页 |
| 3.1 量子遗传优化BP神经网络算法原理 | 第23-28页 |
| 3.1.1 BP神经网络 | 第23-25页 |
| 3.1.2 遗传算法 | 第25-26页 |
| 3.1.3 量子遗传算法 | 第26-28页 |
| 3.2 量子遗传算法的改进策略 | 第28-29页 |
| 3.2.1 动态改进策略 | 第28页 |
| 3.2.2 灾变策略 | 第28-29页 |
| 3.3 量子遗传优化的BP神经网络 | 第29-31页 |
| 3.4 量子遗传优化BP神经网络的故障检测算法框架 | 第31页 |
| 3.5 液体火箭发动机故障检测分析 | 第31-36页 |
| 3.5.1 问题描述 | 第31页 |
| 3.5.2 监测参数选取 | 第31-32页 |
| 3.5.3 数据来源及预处理 | 第32页 |
| 3.5.4 故障检测模型建立 | 第32页 |
| 3.5.5 仿真结果分析 | 第32-36页 |
| 3.6 小结 | 第36-37页 |
| 第四章 基于布谷鸟搜索算法优化BP神经网络的液体火箭发动机故障检测 | 第37-43页 |
| 4.1 布谷鸟算法优化BP神经网络算法原理 | 第37-39页 |
| 4.1.1 布谷鸟搜索算法 | 第37-38页 |
| 4.1.2 布谷鸟搜索算法优化的BP神经网络 | 第38-39页 |
| 4.2 布谷鸟搜索算法优化BP神经网络的故障检测算法框架 | 第39-40页 |
| 4.3 液体火箭发动机故障检测分析 | 第40-42页 |
| 4.3.1 故障检测模型建立 | 第40页 |
| 4.3.2 仿真结果分析 | 第40-42页 |
| 4.4 小结 | 第42-43页 |
| 第五章 基于混沌粒子群优化LSSVM的液体火箭发动机故障诊断 | 第43-55页 |
| 5.1 混沌粒子群优化LSSVM算法原理 | 第43-49页 |
| 5.1.1 混沌算法 | 第43-44页 |
| 5.1.2 粒子群算法 | 第44-45页 |
| 5.1.3 混沌粒子群优化算法 | 第45-46页 |
| 5.1.4 LSSVM算法 | 第46-48页 |
| 5.1.5 CPSO优化LSSVM原理 | 第48-49页 |
| 5.2 混沌粒子群优化LSSVM的故障诊断算法框架 | 第49-50页 |
| 5.3 液体火箭发动机故障诊断分析 | 第50-54页 |
| 5.3.1 问题描述 | 第50页 |
| 5.3.2 监测参数及故障模式选取 | 第50-51页 |
| 5.3.3 数据来源及预处理 | 第51页 |
| 5.3.4 故障诊断模型建立 | 第51-52页 |
| 5.3.5 仿真结果分析 | 第52-54页 |
| 5.4 小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 发表论文和科研情况说明 | 第62-63页 |
| 致谢 | 第63页 |
