本書全面介紹現(xiàn)代航空飛行器在智能診斷領域的前沿技術及其應用。書中涵蓋了智能感知技術、數(shù)據(jù)處理與特征提取技術、機器學習與故障診斷技術、深度學習與狀態(tài)評估技術、小樣本下飛行器關鍵部件故障智能診斷與預測，以及飛行器跨設備遷移智能診斷等內(nèi)容。通過系統(tǒng)的闡述和豐富的案例，本書展示了人工智能技術在當今飛行器健康管理領域的重要應用價值。
更多科學出版社服務，請掃碼獲取。
博士后 （Stanford University，1998.3-2000.02）
訪問教授 （University of Illinois at Urbana-Champaign, 1997.03-1998.02）
副教授 （清華大學，1995.09-1997.02）
博士后 （天津大學，1993.10-1995.08）
博士生 （清華大學，1991.02-1993.10）
碩士生 （天津大學，1988.09-1991.01）特聘教授 （廈門大學，2015.10-）
兼職教授/博導（西北工業(yè)大學，2018.4-）
訪問教授 （Stanford University，2015.12-2016.01）
特聘研究員 （中國商用飛機有限責任公司，2010.10-2015.10）
首席科學家、技術總監(jiān)（Acellent Technologies, Inc.,2000.03-2010.10）航空航天結構健康安全管理信息系統(tǒng)作為項目負責人和主要承擔者完成了由美國NASA與國防部等政府機構以及國際著名企業(yè) (包括Boeing, EADS/Airbus, Bombardier, Lockheed Martin)的數(shù)千萬美元的研究基金, 在航空航天結構健康監(jiān)測的基礎理論研究與應用技術研究方面取得多項國際領先的創(chuàng)造性研究成果，研究成果曾先后四次在美國NASA的技術簡報上報道，發(fā)表論文及美國NASA與國防部研究報告100多篇，申請美國發(fā)明專利18項，已授權8項。2010年10起在中國商飛北京研究中心負責有關民機結構健康監(jiān)測與管理技術及智能材料與結構技術方面的基礎性、前瞻性研究。民用飛機結構與復合材料北京市重點實驗室學術委員會委員；
中航工業(yè)航材中心檢測與評價專業(yè)委員會委員；
大連理工大學、華南理工大學、南京航空航天大學、湖南人文科技學院客座/兼職教授；
美國航空航天學會（AIAA）高級會員；。
2012年SPIE智能材料與結構健康監(jiān)測國際會議分會場主席；
2011年斯坦福大學結構健康監(jiān)測國際會議分會場主席；
2010年SPIE智能材料與結構健康監(jiān)測國際會議分會場主席；
2006年歐洲結構健康監(jiān)測國際會議分會場主席
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 智能診斷的技術基礎 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 13
1.3.4 飛行器智能診斷系統(tǒng)的應用現(xiàn)狀 18
本章小結 20
思考題 21
參考文獻 21
第2章 智能感知技術 23
2.1 狀態(tài)感知技術 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 智能傳感器的技術基礎 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)絡及優(yōu)化 34
2.3.1 傳感器網(wǎng)絡概述 34
2.3.2 飛行器常用的傳感器網(wǎng)絡總線 35
2.3.3 傳感器組網(wǎng)及布局優(yōu)化 38
本章小結 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 42
3.1 數(shù)據(jù)處理與特征提取概述 42
3.2 數(shù)據(jù)預處理 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 78
思考題 79
參考文獻 79
第4章 機器學習與故障診斷技術 81
4.1 經(jīng)典機器學習方法 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 基于機器學習的故障診斷技術 89
4.3 基于機器學習的健康狀態(tài)評估與預測技術 94
4.3.1 故障預測與健康管理 94
4.3.2 案例1：使用振動信號進行狀態(tài)監(jiān)測和預測 96
4.3.3 案例2：風力渦輪機高速軸承預測和健康評估 102
本章小結 107
思考題 108
參考文獻 108
第5章 深度學習與狀態(tài)評估技術 109
5.1 張量 109
5.1.1 自動求導 109
5.1.2 神經(jīng)網(wǎng)絡模型 110
5.1.3 梯度下降算法 116
5.2 卷積神經(jīng)網(wǎng)絡 119
5.2.1 卷積層 119
5.2.2 池化層 119
5.2.3 權重共享 120
5.3 深度稀疏卷積神經(jīng)網(wǎng)絡 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 深度學習及其故障特征挖掘 123
5.4.1 軸承故障特征提取概述 123
5.4.2 深度學習在軸承故障特征提取中的應用 124
5.5 深度學習及剩余使用壽命預測技術 126
5.5.1 基本概念 126
5.5.2 深度學習模型的選擇與構建 127
5.5.3 應用案例 128
本章小結 132
思考題 132
參考文獻 132
第6章 小樣本下飛行器關鍵部件故障智能診斷與預測 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 特征學習 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構架 146
6.2 基于對抗神經(jīng)網(wǎng)絡的故障樣本生成及故障診斷技術 148
6.2.1 診斷流程 148
6.2.2 CGAN實例驗證 149
本章小結 152
思考題 152
參考文獻 152
第7章 飛行器跨設備遷移智能診斷 154
7.1 迀移學習 155
7.1.1 迀移學習的必要性 155
7.1.2 迀移學習基礎理論 157
7.1.3 迀移學習方法分類 158
7.1.4 迀移學習的本質(zhì)問題 160
7.2 基于迀移學習的飛行器智能診斷概述 161
7.2.1 迀移學習的意義 161
7.2.2 迀移學習在飛行器領域中的應用研究 162
7.3 跨工況迀移診斷技術 164
7.3.1 預訓練-微調(diào) 164
7.3.2 實例驗證 166
7.3.3 試驗結果分析 169
7.4 跨設備遷移診斷技術 170
7.4.1 基于特征的領域自適應方法 171
7.4.2 實例驗證 173
7.4.3 試驗結果分析 174
本章小結 176
思考題 176
參考文獻 177
思考題參考答案 178
書單推薦
