人工智能在飞行器智能诊断中的应用

定　　价：80 元

丛书名：普通高等教育智能飞行器系列教材

• 作者：卿新林等
• 出版时间：2024/12/1
• ISBN：9787030808202
• 出 版 社：科学出版社

适用读者:适合作为高等院校航空航天类专业教材，飞行器设计、制造和维护的工程师和研宄人员，对人工智能在特定领域应用感兴趣的学者

• 中图法分类：V47-39 
• 页码：177
• 版次：1
• 开本：16
• 字数：280(单位：千字)

内容简介

本书全面介绍现代航空飞行器在智能诊断领域的前沿技术及其应用。书中涵盖了智能感知技术、数据处理与特征提取技术、机器学习与故障诊断技术、深度学习与状态评估技术、小样本下飞行器关键部件故障智能诊断与预测，以及飞行器跨设备迁移智能诊断等内容。通过系统的阐述和丰富的案例，本书展示了人工智能技术在当今飞行器健康管理领域的重要应用价值。

更多科学出版社服务，请扫码获取。

作者介绍

博士后 （Stanford University，1998.3-2000.02） 访问教授 （University of Illinois at Urbana-Champaign, 1997.03-1998.02） 副教授 （清华大学，1995.09-1997.02） 博士后 （天津大学，1993.10-1995.08） 博士生 （清华大学，1991.02-1993.10） 硕士生 （天津大学，1988.09-1991.01）特聘教授 （厦门大学，2015.10-） 兼职教授/博导（西北工业大学，2018.4-） 访问教授 （Stanford University，2015.12-2016.01） 特聘研究员 （中国商用飞机有限责任公司，2010.10-2015.10） 首席科学家、技术总监（Acellent Technologies, Inc.,2000.03-2010.10）航空航天结构健康安全管理信息系统作为项目负责人和主要承担者完成了由美国NASA与国防部等政府机构以及国际著名企业 (包括Boeing, EADS/Airbus, Bombardier, Lockheed Martin)的数千万美元的研究基金, 在航空航天结构健康监测的基础理论研究与应用技术研究方面取得多项国际领先的创造性研究成果，研究成果曾先后四次在美国NASA的技术简报上报道，发表论文及美国NASA与国防部研究报告100多篇，申请美国发明专利18项，已授权8项。2010年10起在中国商飞北京研究中心负责有关民机结构健康监测与管理技术及智能材料与结构技术方面的基础性、前瞻性研究。民用飞机结构与复合材料北京市重点实验室学术委员会委员； 中航工业航材中心检测与评价专业委员会委员； 大连理工大学、华南理工大学、南京航空航天大学、湖南人文科技学院客座/兼职教授； 美国航空航天学会（AIAA）高级会员；。 2012年SPIE智能材料与结构健康监测国际会议分会场主席； 2011年斯坦福大学结构健康监测国际会议分会场主席； 2010年SPIE智能材料与结构健康监测国际会议分会场主席； 2006年欧洲结构健康监测国际会议分会场主席

目 录

目录
第1章 绪论 1
1.1 人工智能概述 1
1.2 智能诊断 3
1.2.1 智能诊断的技术基础 3
1.2.2 智能诊断的优势 6
1.3 飞行器智能诊断系统 8
1.3.1 飞行器智能诊断系统的演变过程 9
1.3.2 飞行器智能诊断系统的功能划分 12
1.3.3 飞行器智能诊断系统的通用架构 13
1.3.4 飞行器智能诊断系统的应用现状 18
本章小结 20
思考题 21
参考文献 21
第2章 智能感知技术 23
2.1 状态感知技术 23
2.1.1 状态感知对象 23
2.1.2 状态感知参数及传感器 25
2.2 智能传感器 30
2.2.1 智能传感器的主要类型及实现途径 30
2.2.2 智能传感器的技术基础 32
2.2.3 智能传感器的发展趋势 33
2.3 感知传感器网络及优化 34
2.3.1 传感器网络概述 34
2.3.2 飞行器常用的传感器网络总线 35
2.3.3 传感器组网及布局优化 38
本章小结 40
思考题 40
参考文献 40
第3章 数据处理与特征提取技术 42
3.1 数据处理与特征提取概述 42
3.2 数据预处理 43
3.2.1 数据清洗 43
3.2.2 数据转换 46
3.3 特征提取 47
3.3.1 频域特征提取 48
3.3.2 时频域特征提取 51
3.4 数据降噪 61
3.4.1 降噪效果评价指标 61
3.4.2 平滑降噪 62
3.4.3 小波阈值降噪 63
3.4.4 小波频带滤波降噪 66
3.5 基于稀疏表本的微弱信号增强方法 66
3.5.1 正弦特征信号的稀疏表示提取方法 68
3.5.2 周期性冲击信号的稀疏表示提取方法 69
3.5.3 非周期性冲击信号的稀疏表示提取方法 73
3.6 信息融合 77
本章小结 78
思考题 79
参考文献 79
第4章 机器学习与故障诊断技术 81
4.1 经典机器学习方法 81
4.1.1 线性回归 82
4.1.2 支持向量机 83
4.1.3 朴素贝叶斯 85
4.1.4 K均值聚类 86
4.1.5 层次聚类 87
4.1.6 主成分分析 88
4.2 基于机器学习的故障诊断技术 89
4.3 基于机器学习的健康状态评估与预测技术 94
4.3.1 故障预测与健康管理 94
4.3.2 案例1：使用振动信号进行状态监测和预测 96
4.3.3 案例2：风力涡轮机高速轴承预测和健康评估 102
本章小结 107
思考题 108
参考文献 108
第5章 深度学习与状态评估技术 109
5.1 张量 109
5.1.1 自动求导 109
5.1.2 神经网络模型 110
5.1.3 梯度下降算法 116
5.2 卷积神经网络 119
5.2.1 卷积层 119
5.2.2 池化层 119
5.2.3 权重共享 120
5.3 深度稀疏卷积神经网络 120
5.3.1 稀疏性分类 121
5.3.2 稀疏性约束方法——L2正则化 122
5.3.3 稀疏性约束在DSCNN中的实现 122
5.3.4 稀疏性的优势 123
5.4 深度学习及其故障特征挖掘 123
5.4.1 轴承故障特征提取概述 123
5.4.2 深度学习在轴承故障特征提取中的应用 124
5.5 深度学习及剩余使用寿命预测技术 126
5.5.1 基本概念 126
5.5.2 深度学习模型的选择与构建 127
5.5.3 应用案例 128
本章小结 132
思考题 132
参考文献 132
第6章 小样本下飞行器关键部件故障智能诊断与预测 134
6.1 小样本下飞行器故障诊断需求 134
6.1.1 数据增强 135
6.1.2 特征学习 137
6.1.3 常用生成模型 138
6.1.4 GAN介绍 141
6.1.5 GAN原理 143
6.1.6 GAN构架 146
6.2 基于对抗神经网络的故障样本生成及故障诊断技术 148
6.2.1 诊断流程 148
6.2.2 CGAN实例验证 149
本章小结 152
思考题 152
参考文献 152
第7章 飞行器跨设备迁移智能诊断 154
7.1 迀移学习 155
7.1.1 迀移学习的必要性 155
7.1.2 迀移学习基础理论 157
7.1.3 迀移学习方法分类 158
7.1.4 迀移学习的本质问题 160
7.2 基于迀移学习的飞行器智能诊断概述 161
7.2.1 迀移学习的意义 161
7.2.2 迀移学习在飞行器领域中的应用研究 162
7.3 跨工况迀移诊断技术 164
7.3.1 预训练-微调 164
7.3.2 实例验证 166
7.3.3 试验结果分析 169
7.4 跨设备迁移诊断技术 170
7.4.1 基于特征的领域自适应方法 171
7.4.2 实例验证 173
7.4.3 试验结果分析 174
本章小结 176
思考题 176
参考文献 177
思考题参考答案 178