《基于免疫机理和神经网络的智能故障诊断方法》详细阐述了基于免疫机理和神经网络的两种智能故障诊断新方法，主要包括基于免疫网络模型的改进的故障诊断算法、与粗糙集理论相结合的免疫网络故障诊断算法、基于量子超球神经网络的故障检测方法和基于云神经网络的故障诊断方法等8种方法。《基于免疫机理和神经网络的智能故障诊断方法》思路清晰、内容丰富、安排合理，各章相对独立，有利于读者学习参考。《基于免疫机理和神经网络的智能故障诊断方法》在**阐述思想方法的基础上，追求对工程实践的指导性，力求使读者在较短的时间内学习掌握这些智能故障诊断新方法，并能在实际工程中熟练应用。

前言 第1章 绪论 1 1.1 故障诊断基本原理与方法 1 1.1.1 故障诊断重要意义 1 1.1.2 故障诊断基本原理 2 1.1.3 故障诊断基本方法 2 1.2 智能故障诊断方法发展现状 3 1.2.1 单一智能故障诊断方法 3 1.2.2 集成智能故障诊断方法 5 1.2.3 智能故障诊断方法当前存在的主要问题 5 1.3 基于免疫机理的故障诊断理论基础 6 1.3.1 故障诊断的免疫学基础 6 1.3.2 基于免疫机理的故障诊断基本思想 14 1.3.2 基于免疫机理的故障诊断方法研究现状 18 1.4 基于神经网络的故障诊断理论基础 19 1.4.1 故障诊断的神经生物学基础 19 1.4.2 基于神经网络的故障诊断基本思想 25 1.4.3 基于神经网络的故障诊断方法研究现状 29 第2章 基于免疫网络模型的改进的故障诊断算法 31 2.1 概述 31 2.2 基于免疫网络模型的传统的故障诊断算法 32 2.3 基于免疫网络模型的改进的故障诊断算法 34 2.4 仿真实验 38 2.4.1 实验过程及结果 38 2.4.2 实验结果分析 39 2.4.3 实验结果对比分析 39 2.4.4 关于算法中三个系数值的选择 42 2.5 本章小结 5 第3 章 与粗糙集理论相结合的免疫网络故障诊断算法 55 3.1 概述 55 3.2 粗糙集理论 56 3.3 粗糙集理论在免疫网络算法中的应用分析 58 3.4 基于粗糙集理论的免疫网络故障诊断算法 59 3.4.1 剪枝门限与漏诊和误诊的关系 59 3.4.2 模式空间的邻域粗糙逼近 60 3.4.3 剪枝门限自适应调整算法 61 3.5 仿真实验 62 3.5.1 实验结果分析 62 3.5.2 实验结果对比分析 63 3.6 本章小结 69 第4章 基于免疫机理的可重构算法 70 4.1 概述 70 4.2 诊断规则可重构算法设计 70 4.3 研究对象与重构依据 72 4.3.1 研究对象 72 4.3.2 诊断规则重构依据 73 4.4 仿真实验 74 4.4.1 诊断规则重构算例 75 4.4.2 诊断规则重构计算步骤 76 4.4.3 实验结果分析 77 4.5 本章小结 78 第5章 基于径向基函数神经网络的故障检测方法 79 5.1 概述 79 5.2 一种改进的RBF神经网络 80 5.2.1 RBF神经网络简介 80 5.2.2 RBF神经网络的学习过程 81 5.2.3 改进的RBF神经网络隐含层自适应生成算法 82 5.3 基于改进的RBF神经网络的推进系统低频数据故障检测方法 83 5.3.1 基于RBF神经网络非线性辨识的故障检测方法 83 5.3.2 基于RBF神经网络模式识别的故障检测方法 84 5.4 YF-75 推进系统的故障检测仿真实验 84 5.4.1 问题描述 84 5.4.2 数据准备 85 5.4.3 仿真模型 85 5.4.4 参数选取 87 5.4.5 结果分析 87 5.5 某运载火箭推进系统故障检测仿真实验 90 5.5.1 问题描述 90 5.5.2 数据准备 91 5.5.3 仿真模型 91 5.5.4 参数选取 93 5.5.5 结果分析 94 5.6 YF-75 推进系统热试车故障检测仿真实验 105 5.6.1 问题描述 105 5.6.2 数据准备 105 5.6.3 仿真模型 105 5.6.4 参数选取 106 5.6.5 结果分析 106 5.7 故障检测方法的性能分析 110 5.8 本章小结 113 第6章 基于量子超球神经网络的故障检测方法 114 6.1 概述 114 6.2 量子超球神经网络 116 6.2.1 量子超球神经网络的建立 116 6.2.2 量子超球神经网络的学习算法 118 6.3 基于量子超球神经网络的推进系统振动故障检测方法 120 6.4 YF-75 推进系统试车振动故障检测 122 6.4.1 问题描述 122 6.4.2 数据准备 122 6.4.3 结果分析 123 6.5 本章小结 127 第7章 基于模糊超球集神经网络的故障诊断方法 128 7.1 概述 128 7.2 基于模糊超球集神经网络的故障诊断方法 129 7.2.1 方法概述 129 7.2.2 基于超球的样本空间划分 130 7.2.3 基于超球的模糊规则拓展 131 7.2.4 基于模糊超球集神经网络的模糊规则集实现 132 7.3 应用模糊超球集神经网络的若干问题 133 7.3.1 基于拓展规则集的模糊相等 134 7.3.2 基于拓展规则集的模糊匹配 134 7.3.3 去模糊化处理 135 7.3.4 诊断逻辑 136 7.4 基于模糊超球集神经网络的故障诊断仿真 136 7.4.1 问题描述 136 7.4.2 数据准备 137 7.4.3 参数选取 138 7.4.4 结果分析 139 7.5 本章小结 148 第8章 基于概率超球集神经网络的故障诊断方法 150 8.1 概述 150 8.2 基于概率超球集神经网络的故障诊断方法 150 8.2.1 方法概述 150 8.2.2 概率规则的改进 151 8.2.3 基于概率超球集神经网络的概率规则集实现 152 8.3 与Bayes分类器的等价性分析 153 8.4 应用概率超球集神经网络的两个问题 155 8.4.1 概率规则集改进后的相等判别 155 8.4.2 诊断逻辑 155 8.5 基于概率超球神经网络的故障诊断仿真 156 8.5.1 问题描述 156 8.5.2 数据准备 156 8.5.3 参数选取 157 8.5.4 结果分析 157 8.6 本章小结 167 第9章 基于云神经网络的故障诊断方法 168 9.1 概述 168 9.2 云模型 168 9.2.1 云的基本概念 168 9.2.2 云的数字特征 169 9.2.3 正态云模型 169 9.2.4 云发生器 170 9.3 一种改进的一维逆向云算法 171 9.4 基于云神经网络的故障诊断方法 171 9.4.1 云神经网络的提出 171 9.4.2 云神经网络故障诊断方法 174 9.4.3 故障检测算法 174 9.5 基于云神经网络的故障诊断仿真 175 9.5.1 问题描述 175 9.5.2 数据准备 175 9.5.3 结果分析 177 9.6 本章小结 188 参考文献 189