目錄
第1章 緒論 1
1.1 人工智能概述 1
1.2 智能診斷 3
1.2.1 智能診斷的技術(shù)基礎(chǔ) 3
1.2.2 智能診斷的優(yōu)勢 6
1.3 飛行器智能診斷系統(tǒng) 8
1.3.1 飛行器智能診斷系統(tǒng)的演變過程 9
1.3.2 飛行器智能診斷系統(tǒng)的功能劃分 12
1.3.3 飛行器智能診斷系統(tǒng)的通用架構(gòu) 13
1.3.4 飛行器智能診斷系統(tǒng)的應(yīng)用現(xiàn)狀 18
本章小結(jié) 20
思考題 21
參考文獻 21
第2章 智能感知技術(shù) 23
2.1 狀態(tài)感知技術(shù) 23
2.1.1 狀態(tài)感知對象 23
2.1.2 狀態(tài)感知參數(shù)及傳感器 25
2.2 智能傳感器 30
2.2.1 智能傳感器的主要類型及實現(xiàn)途徑 30
2.2.2 智能傳感器的技術(shù)基礎(chǔ) 32
2.2.3 智能傳感器的發(fā)展趨勢 33
2.3 感知傳感器網(wǎng)絡(luò)及優(yōu)化 34
2.3.1 傳感器網(wǎng)絡(luò)概述 34
2.3.2 飛行器常用的傳感器網(wǎng)絡(luò)總線 35
2.3.3 傳感器組網(wǎng)及布局優(yōu)化 38
本章小結(jié) 40
思考題 40
參考文獻 40
第3章 數(shù)據(jù)處理與特征提取技術(shù) 42
3.1 數(shù)據(jù)處理與特征提取概述 42
3.2 數(shù)據(jù)預(yù)處理 43
3.2.1 數(shù)據(jù)清洗 43
3.2.2 數(shù)據(jù)轉(zhuǎn)換 46
3.3 特征提取 47
3.3.1 頻域特征提取 48
3.3.2 時頻域特征提取 51
3.4 數(shù)據(jù)降噪 61
3.4.1 降噪效果評價指標 61
3.4.2 平滑降噪 62
3.4.3 小波閾值降噪 63
3.4.4 小波頻帶濾波降噪 66
3.5 基于稀疏表本的微弱信號增強方法 66
3.5.1 正弦特征信號的稀疏表示提取方法 68
3.5.2 周期性沖擊信號的稀疏表示提取方法 69
3.5.3 非周期性沖擊信號的稀疏表示提取方法 73
3.6 信息融合 77
本章小結(jié) 78
思考題 79
參考文獻 79
第4章 機器學(xué)習(xí)與故障診斷技術(shù) 81
4.1 經(jīng)典機器學(xué)習(xí)方法 81
4.1.1 線性回歸 82
4.1.2 支持向量機 83
4.1.3 樸素貝葉斯 85
4.1.4 K均值聚類 86
4.1.5 層次聚類 87
4.1.6 主成分分析 88
4.2 基于機器學(xué)習(xí)的故障診斷技術(shù) 89
4.3 基于機器學(xué)習(xí)的健康狀態(tài)評估與預(yù)測技術(shù) 94
4.3.1 故障預(yù)測與健康管理 94
4.3.2 案例1：使用振動信號進行狀態(tài)監(jiān)測和預(yù)測 96
4.3.3 案例2：風(fēng)力渦輪機高速軸承預(yù)測和健康評估 102
本章小結(jié) 107
思考題 108
參考文獻 108
第5章 深度學(xué)習(xí)與狀態(tài)評估技術(shù) 109
5.1 張量 109
5.1.1 自動求導(dǎo) 109
5.1.2 神經(jīng)網(wǎng)絡(luò)模型 110
5.1.3 梯度下降算法 116
5.2 卷積神經(jīng)網(wǎng)絡(luò) 119
5.2.1 卷積層 119
5.2.2 池化層 119
5.2.3 權(quán)重共享 120
5.3 深度稀疏卷積神經(jīng)網(wǎng)絡(luò) 120
5.3.1 稀疏性分類 121
5.3.2 稀疏性約束方法——L2正則化 122
5.3.3 稀疏性約束在DSCNN中的實現(xiàn) 122
5.3.4 稀疏性的優(yōu)勢 123
5.4 深度學(xué)習(xí)及其故障特征挖掘 123
5.4.1 軸承故障特征提取概述 123
5.4.2 深度學(xué)習(xí)在軸承故障特征提取中的應(yīng)用 124
5.5 深度學(xué)習(xí)及剩余使用壽命預(yù)測技術(shù) 126
5.5.1 基本概念 126
5.5.2 深度學(xué)習(xí)模型的選擇與構(gòu)建 127
5.5.3 應(yīng)用案例 128
本章小結(jié) 132
思考題 132
參考文獻 132
第6章 小樣本下飛行器關(guān)鍵部件故障智能診斷與預(yù)測 134
6.1 小樣本下飛行器故障診斷需求 134
6.1.1 數(shù)據(jù)增強 135
6.1.2 特征學(xué)習(xí) 137
6.1.3 常用生成模型 138
6.1.4 GAN介紹 141
6.1.5 GAN原理 143
6.1.6 GAN構(gòu)架 146
6.2 基于對抗神經(jīng)網(wǎng)絡(luò)的故障樣本生成及故障診斷技術(shù) 148
6.2.1 診斷流程 148
6.2.2 CGAN實例驗證 149
本章小結(jié) 152
思考題 152
參考文獻 152
第7章 飛行器跨設(shè)備遷移智能診斷 154
7.1 迀移學(xué)習(xí) 155
7.1.1 迀移學(xué)習(xí)的必要性 155
7.1.2 迀移學(xué)習(xí)基礎(chǔ)理論 157
7.1.3 迀移學(xué)習(xí)方法分類 158
7.1.4 迀移學(xué)習(xí)的本質(zhì)問題 160
7.2 基于迀移學(xué)習(xí)的飛行器智能診斷概述 161
7.2.1 迀移學(xué)習(xí)的意義 161
7.2.2 迀移學(xué)習(xí)在飛行器領(lǐng)域中的應(yīng)用研究 162
7.3 跨工況迀移診斷技術(shù) 164
7.3.1 預(yù)訓(xùn)練-微調(diào) 164
7.3.2 實例驗證 166
7.3.3 試驗結(jié)果分析 169
7.4 跨設(shè)備遷移診斷技術(shù) 170
7.4.1 基于特征的領(lǐng)域自適應(yīng)方法 171
7.4.2 實例驗證 173
7.4.3 試驗結(jié)果分析 174
本章小結(jié) 176
思考題 176
參考文獻 177
思考題參考答案 178