第1章 绪论 1
1.1 基于支持向量机的飞机故障诊断方法的意义 1
1.2 PHM技术应用现状 2
1.2.1 PHM的功能及结构 2
1.2.2 国外PHM技术的应用现状 5
1.2.3 国内PHM技术的应用现状 8
1.2.4 PHM目前存在的问题 11
1.3 故障诊断与故障预报技术研究现状 12
1.3.1 故障诊断技术 12
1.3.2 故障预报技术 14
1.4 支持向量机理论研究现状 19
1.4.1 支持向量机学习算法 19
1.4.2 支持向量机参数选取方法 22
1.4.3 支持向量机模型算法验证 24
第2章 支持向量机简介 26
2.1 支持向量分类机 26
2.1.1 最优分类面 26
2.1.2 核函数 31
2.1.3 多分类支持向量机 32
2.2 支持向量回归机 35
2.2.1 ε-带超平面 35
2.2.2 SVR模型推广于构造多分类器 39
2.3 支持向量机训练算法 40
第3章 支持向量分类模型研究 42
3.1 概述 42
3.1.1 SVC算法流程 42
3.1.2 待解决的问题 43
3.2 SVC的SMO算法实现 44
3.3 SVC的参数选取 46
3.3.1 高斯核参数σ 47
3.3.2 惩罚因子C 49
3.4 实验分析 51
第4章 支持向量回归模型研究 56
4.1 概述 56
4.1.1 SVR算法流程 56
4.1.2 待解决的问题 57
4.2 SVR的SMO算法实现 58
4.3 SVR的参数选取 62
4.3.1 高斯核参数σ 62
4.3.2 惩罚因子C 64
4.3.3 不敏感损失参数ε 64
4.4 实验分析 64
第5章 基于支持向量机的不确定性问题处理 68
5.1 概述 68
5.2 建模 69
5.3 模型求解 70
5.3.1 对偶问题 70
5.3.2 KKT条件 72
5.3.3 SMO算法求解 73
5.4 实验分析 77
5.4.1 算法分析 77
5.4.2 参数分析 78
第6章 飞机状态监控系统及其监测指标分析 82
6.1 飞机状态监控系统（ACMS） 82
6.1.1 ACMS的组成与功能 82
6.1.2 飞行数据获取方式 84
6.2 机载设备性能指标 91
6.2.1 机载设备工作性能的表示 91
6.2.2 航空发动机性能评价指标 95
6.2.3 机体结构性能评价指标 100
6.3 发动机性能指标监测序列的特点分析 106
6.3.1 综合分析 106
6.3.2 平稳性分析 109
6.3.3 趋势性分析 111
第7章 飞行数据预处理 115
7.1 概述 115
7.1.1 异常值辨识方法 115
7.1.2 噪声去除方法 116
7.2 异常值辨识与剔除 117
7.2.1 不含趋势项监测序列的异常值辨识与剔除算法 117
7.2.2 含趋势项监测序列的异常值辨识与剔除算法 120
7.3 基于奇异值分解的滤波消噪方法 123
第8章 支持向量机应用分析 132
8.1 概述 132
8.2 航空电子设备故障诊断 133
8.2.1 实验1标准滤波电路 134
8.2.2 实验2线性中放电路 137
8.2.3 规则提取验证 140
8.3 航空发动机故障预报 141
8.3.1 性能参数预测 141
8.3.2 寿命监控与异常检测 147
第9章 飞行数据驱动的健康管理系统 154
9.1 系统设计 154
9.1.1 功能设计 154
9.1.2 总体结构 155
9.2 维护系统设计 157
9.2.1 功能和结构 157
9.2.2 数据库设计 158
9.3 故障诊断系统设计 168
9.3.1 功能和结构 168
9.3.2 推理诊断功能模块的设计 169
9.3.3 自学习功能模块的设计 171
9.4 故障预测系统设计 177
9.4.1 功能和结构 177
9.4.2 自回归滑动平均模型 178
参考文献 187