【内容简介】
本书详细介绍了基于数据驱动故障预测技术的方法体系、框架和算法，内容包括：绪论、PHM方法体系、数据驱动PHM技术体系与框架等。书中详细介绍了典型数据驱动PHM算法，涵盖了特征识别和提取、PHM预测方法、PHM不确定性、PHM融合方法等，尤其是对当前研究广泛的多种数据驱动故障预测方法进行了详细论述和分析，书末展望了数据驱动故障预测PHM技术的发展与挑战。
本书可作为航空航天、自动测试、可靠性和维修性等领域的重要参考书。
【目 录】
第1章 绪论
1．1 引言
1．2 PHM的概念和内涵
1．2．1 PHM基本概念
1．2．2 PHM基本内涵
1．3 PHM技术的发展和现状
1．3．1 PHM技术发展现状
1．3．2 PHM技术应用现状
1．4 PHM研究实例
1．4．1 综合飞行器健康管理系统
1．4．2 联合战斗机的PHM技术
1．5 本书内容安排
第2章 PHM方法体系
2．1 引言
2．2 PHM方法分类
2．3 基于可靠性模型的PHM方法
2．4 基于物理模型的PHM方法
2．5 基于数据驱动的PHM方法
2．5．1 数据驱动PHM方法
2．5．2 数据驱动PHM方法现状
2．6 融合型PHM方法
第3章 数据驱动PHM技术体系与框架
3．1 引言
3．2 数据驱动PHM方法策略
3．2．1 直接数据驱动预测方法
3．2．2 间接数据驱动预测方法
3．2．3 两类数据驱动PHM方法的比较
3．3 数据驱动PHM方法体系和流程
3．3．1 数据驱动PHM方法体系
3．3．2 数据驱动PHM方法流程
3．4 数据驱动PHM方法框架分析
3．4．1 信息感知、状态监测和数据采集
3．4．2 特征识别、选择和融合
3．4．3 HI构建
3．4．4 RUL预测
3．4．5 预测不确定性
3．4．6 融合型预测方法
3．4．7 PHM验证与评估
第4章 特征识别和提取
4．1 引言
4．2 特征识别方法
4．3 特征选择和提取技术
4．3．1 特征选择
4．3．2 特征提取
4．3．3 特征融合
4．4 PHM特征识别和提取实例
4．4．1 特征识别与选择
4．4．2 RUL预测方法
4．4．3 实验结果与分析
第5章 基于时间序列AR模型的PHM预测
5．1 引言
5．2 AR模型
5．2．1 AR模型基本原理
5．2．2 AR模型的参数估计
5．2．3 AR模型的阶数确定
5．3 ARMA/ARIMA模型
5．3．1 ARMA模型
5．3．2 ARIMA模型
5．4 基于AR模型的PHM预测实例
5．4．1 锂离子电池数据集
5．4．2 基于AR模型的锂离子电池RUL预测建模过程
5．4．3 实例结果分析
第6章 基于神经网络的PHM预测
6．1 引言
6．2 神经网络算法
6．2．1 ANN模型
6．2．2 基于ANN的PHM预测
6．3 ESN基本原理
6．3．1 ESN的模型结构和数学模型
6．3．2 ESN的训练算法
6．3．3 ESN的关键参数
6．4 改进MONESN算法
6．4．1 状态监测数据的单调关系
6．4．2 结合先验知识的单调函数逼近方法
6．5 基于神经网络的PHM预测实例
6．5．1 基于ESN的机械系统RUL预测实例
6．5．2 基于MONESN的锂离子电池RUL预测实例
第7章 基于KF/EKF算法的PHM预测
7．1 引言
7．2 KF/EKF算法
7．2．1 KF算法
7．2．2 EKF算法
7．3 基于EKF算法的PHM预测
7．4 基于EKF算法的PHM预测实例
7．4．1 基于EKF的锂离子电池RUL预测算法流程
7．4．2 锂离子电池RUL预测实验及分析
第8章 基于RVM算法的PHM预测
8．1 引言
8．2 RVM基本原理
8．2．1 相关向量回归
8．2．2 超参数优化
8．2．3 RVM训练算法
8．3 基于动态灰色相关向量机的锂离子电池RUL预测方法
8．3．1 RVM参数对预测结果的影响分析
8．3．2 动态灰色RVM锂离子电池RUL预测算法
8．3．3 实验验证与评估
8．4 基于增量相关向量机的锂离子电池RUL在线预测方法
8．4．1 在线预测算法分析
8．4．2 优化增量RVM锂离子电池RUL在线预测算法
8．4．3 实验验证与评估
第9章 基于GPR模型的PHM预测
9．1 引言
9．2 GPR模型原理
9．2．1 GP模型
9．2．2 GPR模型
9．2．3 GRP模型选择与超参数自适应
9．3 基于GPR模型的预测流程
9．4 PHM预测实例
9．4．1 锂电池容量预测
9．4．2 电池RUL预测
第10章 基于PF算法的PHM预测
10．1 引言
10．2 PF算法原理
10．2．1 动态系统模型
10．2．2 贝叶斯估计的基本理论
10．2．3 蒙特卡洛思想
10．2．4 PF基本原理
10．2．5 PF算法的基本流程
10．3 PF重采样算法及改进算法
10．3．1 PF4种基本重采样算法
10．3．2 正则化粒子滤波原理
10．4 PHM预测实例
10．4．1 锂电池RUL预测框架及算法描述
10．4．2 锂电池RuL寿命预测实例
10．4．3 不同重采样算法的RUL预测对比
10．4．4 RPF算法性能对比
第11章 PHM不确定性
11．1 引言
11．2 不确定性的概念和来源
11．2．1 不确定性的来源
11．2．2 不确定性的数学表达方法
11．2．3 不确定性的处理方法
11．3 PHM不确定性表达
11．3．1 置信预测神经网络
11．3．2 GPR预测的不确定性
11．3．3 马尔可夫链蒙特卡洛模拟
11．3．4 粒子滤波
11．4 PHM不确定性量化
11．4．1 置信区间
11．4．2 概率密度分布直方图
11．4．3 分布的假设检验
11．5 PHM算法评估
11．5．1 性能评估指标
11．5．2 计算实例
第12章 融合型PHM方法
12．1 引言
12．2 数据驱动PHM方法融合
12．2．1 神经网络的融合方法
12．2．2 集成学习方法
12．2．3 集成MONESN的PHM预测方法
12．2．4 基于En-MONESN的锂离子电池PHM预测
12．3 基于模型和数据驱动的PHM方法融合
12．3．1 基于PF与AR模型融合的PHM方法
12．3．2 PHM实例
12．3．3 基于EKF和AR模型融合的PHM方法
12．3．4 PHM实例
第13章 PHM挑战与展望
13．1 引言
13．2 国内外PHM技术发展对比
13．2．1 PHM概念延伸
13．2．2 PHM技术发展
13．2．3 PHM国内发展及差距
13．2．4 PHM国内发展趋势
13．3 PHM技术挑战
13．3．1 状态感知技术
13．3．2 状态监测技术
13．3．3 诊断和预测技术
13．3．4 PHM标准化技术研究
13．3．5 PHM技术验证和评估
13．3．6 测试床
13．3．7 平台化
13．4 PHM技术展望
参考文献
名词索引
