第1章 液体火箭发动机故障检测和诊断的进展 4
1.1 基于信号分析的故障检测与诊断 4
1.1.1 早期的故障检测算法 4
1.1.2 振动信号的监测 5
1.1.3 羽流光谱技术 6
1.2 基于模型的故障检测与诊断 6
1.2.1 基于信号本身结构模型的故障检测与诊断 7
1.2.2 基于灰色理论的故障检测与诊断 7
1.2.3 基于数学模型的故障检测与诊断 7
1.3 基于人工智能的故障检测与诊断 9
1.3.1 模式识别方法 9
1.3.2 专家系统方法 10
1.3.3 神经网络方法 11
1.3.4 定性推理方法 13
1.3.5 信息融合方法 14
1.3.6 其他人工智能方法 14
1.4 小结 15
参考文献 17
第2章 故障诊断领域中数据挖掘技术的进展 19
2.1 引言 19
2.2 数据挖掘技术的应用实例 22
2.3 数据挖掘技术在故障诊断和工程数据方面的应用 23
2.4 小结 30
参考文献 30
第3章 故障检测和诊断中数据挖掘策略和数据预处理 37
3.1 数据挖掘处理过程模型的选择 37
3.2 数据挖掘方法选择和数据分析 39
3.3 可用于故障检测和诊断的数据挖掘方法 46
3.3.1 分类方法 47
3.3.2 孤立点分析（Isolated point） 50
3.3.3 关联规则挖掘（Association rules） 50
3.3.4 时间序列分析（Time series analysis） 51
3.3.5 关于火箭发动机中的数据挖掘方法的一些讨论 51
3.4 数据预处理 52
3.4.1 数据预处理的基本环节 53
3.4.2 液体火箭发动机试车数据预处理实例 56
3.5 小结 59
参考文献 59
第4章 基于粗糙集理论的故障检测和诊断 61
4.1 引言 61
4.2 粗糙集的理论基础 62
4.2.1 信息表知识表达系统 63
4.2.2 决策表和可辨识矩阵 64
4.2.3 决策规则的表示 65
4.3 决策表属性约简 66
4.3.1 数据预处理 67
4.3.2 决策表属性约简的必要性 67
4.3.3 决策表属性约简算法 68
4.4 基于粗糙集的液体火箭发动机故障特征参数选择 69
4.4.1 利用仿真数据检查属性约简选择故障特征参数的适用性 71
4.4.2 利用属性约简选择发动机试车数据的故障特征参数 75
4.5 决策表值约简 78
4.6 基于粗糙集的液体火箭发动机故障诊断实例 81
4.6.1 利用仿真数据检查值约简诊断故障的适用性 81
4.6.2 利用值约简诊断发动机试车数据故障 85
4.7 小结 88
参考文献 88
第5章 基于关联规则的故障检测和诊断 90
5.1 引言 90
5.2 关联规则的理论基础 91
5.2.1 关联规则的基本概念 92
5.2.2 关联规则的分类 93
5.2.3 关联规则的挖掘过程 94
5.3 Apriori算法 94
5.4 利用关联规则检测液体火箭发动机起动／关机过程的故障 96
5.5 小结 101
参考文献 101
第6章 基于关联规则分类技术的故障检测和诊断 103
6.1 引言 103
6.2 基于关联规则的分类技术 104
6.2.1 基本概念 104
6.2.2 CBA-RG算法 106
6.2.3 用于关联规则挖掘的约束 107
6.3 利用CBA技术检测液体火箭发动机的稳态故障 108
6.3.1 属性编码 108
6.3.2 数据预处理 109
6.3.3 重要的约束 110
6.3.4 基于关联规则分类技术的挖掘 110
6.3.5 故障检测 111
6.3.6 评述 112
6.4 小结 113
参考文献 114
第7章 基于数值型关联规则的故障诊断 115
7.1 引言 115
7.2 数值型关联规则相关知识 116
7.2.1 关联规则介绍 116
7.2.2 不产生候选项集的关联规则算法FP-Growth 117
7.2.3 数值型关联规则 122
7.3 应用实例 126
7.3.1 模糊处理 126
7.3.2 连续属性的离散化 127
7.3.3 利用FP-Growth算法挖掘频繁项集 130
7.4 小结 135
参考文献 135
第8章 基于决策树方法的故障检测和诊断 138
8.1 引言 138
8.2 决策树分类算法 139
8.2.1 决策树基本算法 139
8.2.2 ID3算法 141
8.2.3 C4.5算法 143
8.2.4 CART算法 145
8.2.5 SLIQ算法 147
8.2.6 SPRINT算法 151
8.2.7 PUBLIC算法 153
8.2.8 Rain Forest算法 154
8.2.9 ID5R算法 155
8.3 故障检测和诊断策略 156
8.4 实例分析 157
8.4.1 数据预处理 158
8.4.2 发动机热试车数据挖掘 158
8.4.3 故障仿真数据的挖掘验证 162
8.4.4 评述 164
8.5 决策树方法的一些研究进展 164
8.5.1 结合其他算法提高决策树的精度 165
8.5.2 处理大型数据集的并行机制 167
8.5.3 多分类器组合决策树分类算法 168
8.5.4 形成新的决策树算法 169
8.6 决策树方法的研究展望 172
8.7 小结 173
参考文献 174
第9章 基于支持向量机的故障检测和诊断 177
9.1 引言 177
9.2 支持向量机分类机理 178
9.2.1 线性可分情形 179
9.2.2 非线性可分情形 181
9.2.3 多类支持向量机 183
9.3 故障检测和诊断策略 188
9.4 数据挖掘实例 191
9.4.1 数据准备 191
9.4.2 热试车数据挖掘与分析 191
9.4.3 评述 193
9.4.4 仿真数据的挖掘验证与分析 194
9.4.5 支持向量机方法的进一步讨论 195
9.5 支持向量机的一些研究进展 196
9.5.1 SVM的研究进展 196
9.5.2 SVM的发展趋势 201
9.6 小结 203
参考文献 203
第10章 结合动态时间弯曲与决策树方法的故障检测和诊断 203
10.1 引言 205
10.2 动态时间弯曲的相关概念 207
10.2.1 动态时间弯曲方法的描述 207
10.2.2 弯曲路径的求解 210
10.2.3 DTW算法伪代码 211
10.3 故障检测和诊断策略 212
10.4 故障检测和诊断实例 213
10.4.1 数据准备 213
10.4.2 基于热试车数据的故障检测和诊断 214
10.4.3 基于仿真数据的故障检测和诊断 217
10.4.4 评述 217
10.5 小结 218
参考文献 219
第11章 基于贝叶斯方法的故障检测和诊断 220
11.1 引言 220
11.2 基本概念 220
11.2.1 贝叶斯定理 221
11.2.2 贝叶斯假设 222
11.3 贝叶斯分类器 223
11.3.1 朴素贝叶斯分类器 223
11.3.2 贝叶斯网络 225
11.3.3 TAN分类器 228
11.4 应用实例 230
11.4.1 数据预处理 230
11.4.2 利用贝叶斯分类器进行故障分类 231
11.4.3 利用仿真数据进行挖掘验证 236
11.5 小结 238
参考文献 238
第12章 故障诊断表决模块与软件集成 240
12.1 数据挖掘软件的发展情况 240
12.2 系统的软件实现 242
12.3 液体火箭发动机故障检测和诊断数据挖掘系统介绍 243
12.3.1 系统简介 243
12.3.2 故障诊断表决模块 249
12.4 小结 251
参考文献 251