第1章 绪论 1
1.1航空发动机预测与健康管理概述 1
1.2航空发动机诊断和预测方法及发展现状 3
1.2.1航空发动机诊断和预测的技术途径及发展概况 3
1.2.2航空发动机诊断和预测有代表性的数据挖掘方法 5
1.2.3存在的主要问题 11
1.3主要研究成果及本书章节安排 12
1.3.1支持向量机方法及其应用 12
1.3.2覆盖机器学习理论及其应用 14
1.3.3核多元统计方法及其应用 15
1.3.4进化计算和免疫计算方法及其应用 16
1.3.5本书章节安排 17
参考文献 18
第2章 支持向量机方法及应用 24
2.1支持向量机的基本算法 25
2.1.1线性支持向量机 25
2.1.2广义线性支持向量机 27
2.1.3支持向量的定义 28
2.1.4核函数技巧与内积 28
2.1.5非线性支持向量机 30
2.1.6补充说明 31
2.2支持向量机分类算法 33
2.2.1 C SVM 33
2.2.2 γ-SVM 34
2.2.3 One-Class SVM 35
2.2.4 LS-SVM 37
2.2.5多类支持向量机方法 38
2.3支持向量机回归算法 46
2.3.1数学描述 46
2.3.2ε不敏感损失函数 46
2.3.3回归SVM 48
2.3.4回归LS-S VM 52
2.3.5稀疏回归LS-SVM 52
2.3.6在线回归LS-SVM 54
2.4支持向量机求解算法 59
2.4.1块算法 60
2.4.2分解算法 60
2.4.3顺序最小优化方法 61
2.4.4其他算法 62
2.5支持向量机诊断理论应用 62
2.5.1 SVM分类算法应用模式 62
2.5.2基于SVM的航空发动机故障诊断 63
2.5.3基于SVM的AdaBoost故障诊断方法 75
2.6支持向量机建模与预测理论及其应用 101
2.6.1 SVM回归应用模型 101
2.6.2基于SVM的航空发动机起动过程建模与应用 108
2.6.3基于SVM的早期故障预示研究 115
2.6.4基于LS-SVM的航空发动机动态过程建模 125
2.6.5基于SVM的压气机低转速特性建模 134
参考文献 139
第3章 覆盖机器学习理论及应用 141
3.1覆盖机器学习模型 141
3.1.1覆盖机器学习模型化 141
3.1.2核学习机MEB等价表征 143
3.1.3核学习机广义MEB等价表征 145
3.1.4核学习机与MEB关系性质 148
3.2 MEB核心集快速实现算法 149
3.2.1最小MEB算法现状 150
3.2.2最优核心集MEB算法 151
3.2.3严格核心集MEB算法 152
3.2.4新算法理论分析 152
3.3结构覆盖分类学习机 158
3.3.1理论背景 158
3.3.2向量值分类SVM模型 165
3.3.3结构覆盖分类算法 170
3.3.4结构覆盖分类MEB核心集算法 173
3.3.5实验分析 174
3.4结构覆盖回归学习机 179
3.4.1向量值回归SVM 179
3.4.2 L1向量值回归SVM 185
3.4.3 L2向量值回归SVM 187
3.4.4 L∞向量值回归SVM 187
3.4.5结构覆盖回归算法 189
3.5应用案例 192
3.5.1航空发动机故障诊断应用 192
3.5.2航空发动机起动过程多元回归建模与仿真 195
参考文献 197
第4章 核多元统计方法及应用 200
4.1核主元分析故障检测 200
4.1.1核主元分析法 201
4.1.2基于KPCA模型的故障检测 205
4.1.3基于滑动窗口机制的自适应KPCA 207
4.1.4基于滑动窗口机制的自适应KPCA故障检测 208
4.2基于核主元分析的故障识别方法研究 209
4.2.1基于KPCA模型的数据重构方法 210
4.2.2改进的基于KPCA模型的数据重构方法 211
4.2.3基于KPCA模型数据重构方法的故障识别 213
4.2.4基于贡献率图法的故障识别方法 213
4.3基于粗糙核Fisher鉴别分析的故障特征提取 217
4.3.1粗糙集理论的属性约简 217
4.3.2基于核Fisher鉴别分析的特征提取 219
4.3.3基于粗糙核Fisher鉴别分析的特征提取 223
4.4应用案例 223
4.4.1基于KPCA的航空发动机故障检测应用案例 223
4.4.2基于自适应KPCA模型的故障检测案例 228
4.4.3基于贡献率图的故障识别应用案例 231
4.4.4基于粗糙核Fisher鉴别分析的故障特征提取应用案例 235
参考文献 243
第5章 进化计算和人工免疫方法及应用 245
5.1基于进化计算的特征提取和动态过程建模 245
5.1.1遗传规划的基本原理 246
5.1.2基于遗传规划和线性鉴别分析的特征提取模型 251
5.1.3基于遗传规划的动态过程自动建模方法 254
5.2基于克隆选择原理的智能融合故障诊断 257
5.2.1人工免疫系统原理 258
5.2.2引入免疫识别机制的距离判别函数法 261
5.2.3引入克隆选择机理的模糊聚类分析 264
5.3基于反面选择机理的智能融合故障诊断 268
5.3.1人工免疫系统的反面选择机理 269
5.3.2基于反面选择机理的故障诊断方法 272
5.3.3算法参数对故障检测效果的影响分析 279
5.4基于反面选择机理的性能监控 284
5.4.1反面选择算法在性能监控中的应用途径 285
5.4.2基于反面选择机理的发动机性能监控 286
5.4.3状态变量对样本点异常程度的影响分析 289
5.4.4基于系统异常概率模型的故障隔离 291
5.5基于人工免疫网络的传感器故障诊断 295
5.5.1人工免疫网络模型 296
5.5.2学习向量量化与免疫网络的融合诊断 298
5.6应用案例 305
5.6.1基于遗传规划和线性鉴别分析的发动机滑油系统特征提取 305
5.6.2基于遗传规划的航空发动机起动过程自动建模应用 311
5.6.3基于免疫识别的距离判别函数方法应用案例 315
5.6.4基于免疫克隆选择的模糊聚类方法应用案例 317
5.6.5基于反面选择的滚动轴承损伤故障检测 321
5.6.6基于反面选择的性能监控应用案例 328
5.6.7基于人工免疫网络的发动机传感器故障诊断 332
参考文献 338
第6章 航空发动机PHM数据挖掘问题及技术挑战 344
6.1典型数据挖掘问题 344
6.2航空发动机PHM技术中的重大挑战 347
参考文献 352