第1章智能運維概述00

1.1智能運維的主要內容00

1.2制造服務與智能運維00

1.2.1制造服務概述00

1.2.2智能運維在制造服務中的作用00

1.3設備維修策略的主要類型00

1.3.1事后維修策略00

1.3.2定時維修策略00

1.3.3基于狀態(tài)的維修策略00

1.3.4預測性維修策略0

1.4智能運維的主要關鍵技術0

1.5本書主要內容0

參考文獻0

第2章設備狀態(tài)數(shù)據(jù)預處理0

2.1狀態(tài)數(shù)據(jù)預處理概述0

2.2狀態(tài)數(shù)據(jù)的粗大誤差去除0

2.2.1粗大誤差去除原理及方法分析0

2.2.2粗大誤差判別準則及其選擇0

2.2.3粗大誤差去除應用實例0

2.3狀態(tài)數(shù)據(jù)的平滑處理0

2.3.1異常值保護指數(shù)平滑法0

2.3.2異常值識別多點移動平均法0

2.4基于連續(xù)小波變換模極大曲線的信號突變識別與重構0

2.4.1信號連續(xù)小波變換與反演算法0

2.4.2基本小波的選擇0

2.4.3邊沿效應及偽模極大的處理0

2.4.4信號突變識別與重構應用案例0

2.5基于趨勢項提取的狀態(tài)數(shù)據(jù)處理方法0

2.5.1奇異值分解降噪及其不足0

2.5.2基于EMD的信號趨勢分量提取方法0

2.5.3EMD和SVD相結合的狀態(tài)數(shù)據(jù)處理方法0

2.5.4應用案例0

2.6本章小結0

參考文獻0

第3章狀態(tài)特征的提取與遷移0

3.1狀態(tài)特征提取概述0

3.2基于核主元分析的狀態(tài)特征提取0

3.2.1主元分析的算法與分析0

3.2.2主元中核函數(shù)的引入0

3.2.3核主元分析特征提取的形式化描述0

3.2.4核主元分析算法的改進0

3.3基于自動編碼器的狀態(tài)特征提取0

3.3.1自動編碼器0

3.3.2去噪自動編碼器0

3.3.3稀疏自動編碼器0

3.3.4收縮自動編碼器0

3.4基于深度學習的狀態(tài)特征提取0

3.4.1深度學習簡介0

3.4.2深度置信網(wǎng)絡0

3.4.3堆疊自動編碼器0

3.4.4卷積神經(jīng)網(wǎng)絡0

3.5基于深度遷移學習的狀態(tài)特征遷移0

3.5.1遷移學習簡介0

3.5.2DNN的可遷移性0

3.5.3深度遷移學習中的finetuning方法0

3.5.4深度遷移學習在民航發(fā)動機氣路異常檢測中的應用0

3.6本章小結0

參考文獻0

第4章設備狀態(tài)的異常檢測0

4.1異常檢測概述0

4.2異常的定義與分類0

4.3典型的異常檢測方法0

4.3.1基于復制神經(jīng)網(wǎng)絡的異常檢測0

4.3.2基于孤立森林的異常檢測0

4.3.3基于最近鄰的異常檢測0

4.3.4基于聚類的異常檢測0

4.3.5基于統(tǒng)計的異常檢測0

4.3.6應用案例0

4.4基于QAR數(shù)據(jù)的航空發(fā)動機間歇性氣路異常檢測

4.4.1QAR數(shù)據(jù)特點與深度特征提取問題分析

4.4.2聯(lián)合SDAE與高斯分布方法的發(fā)動機異常檢測

4.4.3應用案例

4.5基于ACARS數(shù)據(jù)的航空發(fā)動機持續(xù)性氣路異常檢測

4.5.1ACARS報文特點與深度特征提取問題分析

4.5.2基于分組卷積去噪自編碼器的發(fā)動機氣路持續(xù)性異常檢測

4.5.3應用案例

4.6本章小結

參考文獻

第5章設備的故障診斷

5.1故障診斷概述

5.2指印圖與自組織特征映射網(wǎng)絡相結合的發(fā)動機氣路故障診斷

5.2.1SOFM神經(jīng)網(wǎng)絡模型

5.2.2SOFM網(wǎng)絡的學習算法

5.2.3基于指印圖的航空發(fā)動機氣路故障診斷實例

5.3小樣本條件下基于遷移學習的發(fā)動機氣路故障診斷

5.3.1氣路參數(shù)偏差值數(shù)據(jù)分析及樣本設置

5.3.2基于CNN與SVM的氣路故障診斷方法

5.3.3實驗步驟及數(shù)據(jù)的收集

5.3.4實驗

5.4本章小結

參考文獻

第6章短期狀態(tài)趨勢預測

6.1短期狀態(tài)趨勢預測概述

6.2基于改進支持向量回歸的短期狀態(tài)趨勢預測

6.2.1支持向量回歸模型

6.2.2改進的支持向量回歸模型

6.2.3基于改進支持向量機回歸的發(fā)動機振動趨勢預測

6.2.4參數(shù)對預測性能的影響分析

6.3基于連續(xù)過程神經(jīng)網(wǎng)絡的短期狀態(tài)趨勢預測

6.3.1過程神經(jīng)網(wǎng)絡與時間序列預測

6.3.2混合遞歸過程神經(jīng)網(wǎng)絡的拓撲結構

6.3.3混合遞歸過程神經(jīng)網(wǎng)絡學習算法

6.3.4混合遞歸過程神經(jīng)網(wǎng)絡預測的應用案例

6.4基于動態(tài)集成算法的短期狀態(tài)趨勢預測

6.4.1時間序列相空間重構

6.4.2動態(tài)加權核密度估計集成學習機

6.4.3基于動態(tài)集成算法的趨勢預測應用案例

6.5狀態(tài)參數(shù)自適應區(qū)間預測模型

6.5.1預測區(qū)間效果量度指標

6.5.2基于神經(jīng)網(wǎng)絡的自適應區(qū)間預測模型

6.5.3基于和聲搜索的輸出構造控制參數(shù)優(yōu)化

6.5.4航空發(fā)動機EGTM序列區(qū)間預測應用案例

6.6本章小結

參考文獻

第7章長期狀態(tài)趨勢預測

7.1長期狀態(tài)趨勢預測概述

7.2基于性能衰退模式挖掘的長期狀態(tài)趨勢預測

7.2.1性能衰退模式分析

7.2.2快速衰退階段模式挖掘

7.2.3正常衰退階段模式挖掘

7.2.4基于模式匹配的長期狀態(tài)趨勢預測

7.2.5應用案例

7.3基于DBSAGMM的長期狀態(tài)趨勢預測

7.3.1多元時間序列長期預測技術概述

7.3.2性能衰退軌跡的SBP預測問題描述

7.3.3基于統(tǒng)計距離的序列化高斯元聚合方法

7.3.4應用案例

7.4本章小結

參考文獻

第8章設備的短期維修規(guī)劃

8.1短期維修規(guī)劃概述

8.2維修時機優(yōu)化

8.2.1維修期限預測

8.2.2基于維修期限的維修時機優(yōu)化

8.2.3應用案例

8.3送修目標導向的維修工作范圍決策

8.3.1決策過程

8.3.2確定條件下單元體性能恢復值分配優(yōu)化

8.3.3不確定條件下單元體性能恢復值分配優(yōu)化

8.3.4應用案例

8.4基于生存分析的維修工作范圍決策

8.4.1單元體維修級別生存分析模型

8.4.2維修工作范圍優(yōu)化模型

8.5本章小結

參考文獻

第9章面向全壽命的設備維修規(guī)劃

9.1全壽命維修規(guī)劃概述

9.2基于智能優(yōu)化的全壽命維修規(guī)劃

9.2.1全壽命維修規(guī)劃建模

9.2.2在全壽命維修時機確定條件下的單元體最優(yōu)維修策略

9.2.3在全壽命維修時機確定條件下的壽命件最優(yōu)更換策略

9.2.4基于粒子群優(yōu)化算法的發(fā)動機維修規(guī)劃模型求解

9.2.5應用案例

9.3基于Q學習的全壽命維修規(guī)劃

9.3.1基于Q學習的民航發(fā)動機維修規(guī)劃建模

9.3.2算法流程

9.3.3應用案例

9.4基于DQN的全壽命維修規(guī)劃

9.4.1深度Q學習理論簡介

9.4.2基于DQN的維修規(guī)劃建模

9.4.3算法訓練流程

9.4.4應用案例

9.5本章小結

參考文獻

第10章維修成本與備件需求預測

10.1概述

10.2維修成本預測

10.2.1維修成本構成分析

10.2.2大樣本條件下的維修成本預測

10.2.3小樣本條件下的維修成本預測

10.3易損件的備件需求預測

10.3.1周期型需求模式下的備件需求預測

10.3.2非周期需求模式下的備件需求預測

10.4關鍵件的備件需求預測

10.4.1需求發(fā)生時間預測

10.4.2基于時間聚合的需求量預測

10.4.3應用案例

10.5本章小結

參考文獻

第11章車間維修過程管理

11.1車間維修過程管理概述

11.2車間維修分解裝配序列規(guī)劃

11.2.1基于Petri網(wǎng)的分解裝配建模

11.2.2Petri網(wǎng)的最優(yōu)變遷激發(fā)序列規(guī)劃

11.2.3零部件最優(yōu)分解裝配序列規(guī)劃

11.2.4分解裝配序列規(guī)劃應用案例

11.3車間維修工作流時間管理

11.3.1維修作業(yè)工作流的動態(tài)建模

11.3.2維修作業(yè)層次細化工作流網(wǎng)的可調度性

11.3.3維修工作流執(zhí)行時間的計算與分析

11.3.4工作流驗證方法應用案例

11.4車間維修資源調度

11.4.1維修作業(yè)過程自底向上建模

11.4.2化解維修資源沖突的路由策略

11.4.3維修車間資源靜態(tài)調度算法

11.4.4維修車間資源動態(tài)調度算法

11.4.5維修資源調度應用案例

11.5本章小結

參考文獻

第12章設備智能運維決策系統(tǒng)平臺設計與實現(xiàn)

12.1設備智能運維決策系統(tǒng)平臺需求概述

12.2面向服務的智能運維模式分析

12.3運維決策數(shù)據(jù)的集成管理

12.3.1設備運維數(shù)據(jù)建模

12.3.2基于BOM的運維數(shù)據(jù)集成管理

12.4構件化的設備智能運維決策系統(tǒng)架構設計

12.4.1設備智能運維決策系統(tǒng)平臺體系架構

12.4.2系統(tǒng)功能的構件化管理

12.5設備智能運維決策系統(tǒng)平臺核心功能與系統(tǒng)配置

12.5.1多源運維決策數(shù)據(jù)的接入

12.5.2運維數(shù)據(jù)的存儲及查詢管理

12.5.3基于流程引擎的業(yè)務過程管理

12.5.4復雜應用環(huán)境下的權限控制

12.5.5基于訂閱模式的消息管理

12.5.6基于業(yè)務構件的應用系統(tǒng)配置

12.6本章小結

參考文獻

第13章航空發(fā)動機機隊智能運維系統(tǒng)及其應用

13.1概述

13.2航空發(fā)動機原理簡介

13.3系統(tǒng)需求分析

13.4系統(tǒng)關鍵技術

13.4.1航空發(fā)動機運維數(shù)據(jù)組織

13.4.2航空發(fā)動機構型數(shù)據(jù)管理

13.4.3支持多協(xié)議的航空發(fā)動機監(jiān)控參數(shù)采集

13.4.4航空發(fā)動機監(jiān)控參數(shù)大數(shù)據(jù)存儲

13.5系統(tǒng)設計

13.5.1功能模型設計

13.5.2信息模型設計

13.6系統(tǒng)運行實例

13.7系統(tǒng)實施

13.8系統(tǒng)應用情況

13.9本章小結

參考文獻