新書推薦：
《
历史哲学 一部关于世界文明 理性与历史的终极思考
》
售價：NT$
505
《
诡舍6完结篇蔽日开天
》
售價：NT$
254
《
大学问·秦汉经济政策与经济思想史稿（jue版好书复活，读懂秦汉，就是读懂中国两千年的经济底色。）
》
售價：NT$
454
《
狄仁杰与武则天 武周革命与平民官僚的崛起 钤印版 汗青堂丛书163
》
售價：NT$
449
《
自恋主义文化
》
售價：NT$
398
《
我是异类，你是怪物
》
售價：NT$
301
《
深夜的恋人们
》
售價：NT$
332
《
治未病常用中医外治法辑要
》
售價：NT$
449
|
| 內容簡介： |
本书是作者在长期的科学研究和工程实践中总结的关于人工智能在航天复杂系统状态监测和健康管理领域的应用方法和案例。本书针对航天复杂系统智能状态监测与健康管理面临的测试数据量大、数据分布不平衡、故障样本缺乏等问题，深入研究各种深度学习模型的原理以及优化方法，并将其应用到航天复杂系统的故障检测、诊断及健康状态评估等领域，提出深度学习模型的改进方案。
本书的读者对象包括自动控制、电子与信息、计算机等学科的本科生和研究生，以及从事设备故障诊断、状态监测和健康管理的工程技术人员。
|
| 目錄：
|
第1章绪论1
1.1智能状态监测与健康管理技术的概念1
1.2智能状态监测与健康管理技术研究现状2
1.2.1异常检测技术2
1.2.2故障诊断技术4
1.2.3健康管理技术9
1.3航天复杂系统数据的特点12
1.4航天复杂系统健康管理面临的挑战13
1.4.1大数据下的健康管理问题14
1.4.2航天复杂系统测试数据不均衡下的故障检测问题14
1.4.3跨工况下航天复杂系统实验数据分布不一致的故障
诊断问题15
1.5本章小结16
参考文献17
第2章基于距离度量的异常状态检测24
2.1引言24
2.2基于KNN距离度量的异常检测方法研究25
2.3基于大边距最近邻距离度量的异常检测方法研究28
2.4实验结果分析35
2.5本章小结37
参考文献39
第3章基于LSTM的预测式故障检测41
3.1引言41
3.2循环神经网络（RNN）相关理论42
3.3基于深度循环神经网络的预测式异常状态检测技术47
3.3.1方案总体架构47
3.3.2长短期记忆网络48
3.4基于深度循环神经网络和多种动态门限的预测式异常状态
检测技术52
3.4.1基于预测偏差概率分布的动态门限设置方法52
3.4.2基于预测偏差极值理论的动态门限设置方法58
3.4.3基于SVDD模型的动态门限设置方法62
3.5本章小结68
参考文献70
第4章基于马尔科夫变迁场和MultiLSTM的预测式
异常检测71
4.1引言 71
4.2相关理论72
4.2.1马尔科夫随机场72
4.2.2聚类方法73
4.3基于马尔科夫转移矩阵和层次聚类的参数相关性分析80
4.3.1马尔科夫变迁场处理时间序列的原理80
4.3.2基于马尔科夫变迁场和层次聚类的参数相关性分析82
4.4基于MultiLSTM的预测式异常检测模型设计83
4.4.1MultiLSTM基本原理83
4.4.2基于MultiLSTM的异常检测模型构建87
4.5实验验证91
4.5.1相关性分析结果92
4.5.2异常检测结果98
4.6本章小结106
参考文献107
第5章基于STFT和深度残差卷积网络的故障诊断109
5.1引言109
5.2相关研究110
5.2.1基于深度学习的故障诊断技术110
5.2.2卷积神经网络115
5.2.3残差神经网络129
5.3基于STFT和深度残差卷积网络的故障诊断方法130
5.3.1数据时频变换及数据增强技术130
5.3.2构建深度残差卷积网络134
5.3.3诊断流程137
5.4实验结果分析139
5.4.1DDS数据集实验结果分析139
5.4.2UoC数据集实验结果分析146
5.5本章小结147
参考文献149
第6章跨工况条件下基于对抗式深度迁移学习的故障诊断151
6.1引言151
6.2迁移学习和生成对抗网络152
6.2.1迁移学习152
6.2.2度量方式153
6.2.3生成对抗网络155
6.3基于对抗式深度迁移学习的故障诊断158
6.3.1网络整体架构158
6.3.2特征提取与预训练160
6.3.3网络的对抗训练162
6.3.4故障诊断流程164
6.4实验结果分析166
6.4.1实验设置166
6.4.2CWRU数据集实验结果分析168
6.4.3SEU数据集实验结果分析178
6.5本章小结179
参考文献181
第7章基于知识图谱的生命周期故障诊断推理与维护决策方法
研究183
7.1引言 183
7.2航天复杂系统全生命周期知识图谱构建184
7.3基于贝叶斯网络的知识图谱学习模型设计189
7.4基于PRA的诊断推理与辅助决策模型设计193
7.5实验验证195
7.5.1故障诊断知识获取196
7.5.2知识图谱构建198
7.5.3典型案例分析201
7.6本章小结211
参考文献212
第8章模型和数据联合驱动的设备剩余寿命预计214
8.1引言214
8.2锂离子电池介绍215
8.2.1锂离子电池的工作机制215
8.2.2锂离子电池失效机理216
8.3航天复杂系统锂离子电池剩余寿命预计217
8.3.1基于维纳过程的剩余寿命预计方法217
8.3.2基于卷积门控神经网络的寿命预计方法221
8.3.3模型和数据联合驱动的寿命预计方法223
8.4实验结果及分析224
8.4.1锂离子电池数据集224
8.4.2基于维纳过程的锂离子电池剩余寿命预计结果226
8.4.3基于卷积门控神经网络的寿命预计结果230
8.4.4模型和数据联合驱动的寿命预计结果232
8.5本章小结237
参考文献239
|
| 內容試閱：
|
在航天工程领域，从运载火箭点火升空到航天器长期稳定运行，每一个环节的安全可控，都离不开状态监测与健康管理技术的支撑。随着我国载人航天、嫦娥探月、空间站等重大航天任务的密集实施，以运载火箭为代表的航天复杂系统正面临着飞行环境的极端考验、长时间运行的性能衰减挑战、多子系统协同的复杂约束，传统基于阈值报警、规则推理的监测模式，已难以应对 “故障零容忍” 的工程需求。无数工程实践证明：航天复杂系统的可靠性，不仅取决于设计与制造的精度，更取决于对系统健康状态的精准感知、故障的早期预警与主动防控能力。
当前，航天复杂系统状态监测与健康管理技术的发展仍面临三大核心瓶颈，严重制约了其工程应用效能：一是海量低价值高密度数据的处理难题。现代航天复杂系统的多类型传感器网络每秒产生GB级遥测数据，涵盖力学、热学、电学等多维度物理量，传统数据处理方法依赖人工特征工程，难以从高维冗余数据中挖掘有效故障信息，导致“数据爆炸”与“知识匮乏”的矛盾日益凸显。二是数据分布不平衡的建模困境。航天复杂系统服役期间 99% 以上处于正常工况，故障样本仅占极小比例，故障类型呈现显著的长尾分布特征，使得基于数据驱动的模型易出现“正常样本过拟合、故障样本欠学习”的问题，故障检测与诊断精度难以保障。三是故障样本稀缺与域差异的现实约束。航天故障的破坏性与试验成本高昂特性，导致真实故障数据极度稀缺，而地面仿真数据与实际运行数据之间存在的环境、工况差异（即域偏移），使得传统机器学习模型的泛化能力大幅下降。此外，飞行环境的高噪声干扰、多工况动态切换、实时性监测要求等附加挑战，进一步加剧了智能状态监测与健康管理技术的工程落地难度。
本书针对航天复杂系统智能状态监测与健康管理面临的测试数据量大、数据分布不平衡、故障样本缺乏等问题，深入研究了各种深度学习模型的原理以及优化方法，并将其应用到航天复杂系统的故障检测、诊断及健康状态评估等领域，提出了深度学习模型的改进方案。全书共8章，第1章为绪论，介绍了研究背景、国内外现状以及面临的挑战；第2至4章分别介绍了基于距离度量、LSTM、马尔科夫变迁场和MultiLSTM等三种异常检测方法；第5章和第6章分别介绍了基于STFT和深度残差卷积网络、对抗式深度迁移学习的故障诊断方法；第7章介绍了基于知识图谱的生命周期故障诊断推理与维护决策方法；第8章介绍了模型和数据联合驱动的设备剩余寿命预计方法。
在本书撰写过程中，参考了国内外相关领域大量学术成果与工程实践经验，谨向各位前辈、同行致以诚挚的敬意。同时，感谢课题组高晓颖、林瑞仕、杨智明、于冰、扈闰乔、陈佩雨、刘慧敏等领导和同事在实验验证、数据整理、文稿校对过程中给予的大力支持，感谢出版社编辑为本书出版所付出的辛勤工作。
本书可供航天工程技术人员、人工智能与故障诊断领域的科研工作者参考，也可作为高等院校自动控制、电子信息、计算机、测控技术等相关专业本科生和研究生教材。期望通过本书的出版，为推动我国航天复杂系统智能状态监测与健康管理技术的理论创新与工程应用贡献一份力量，助力我国航天事业实现更高水平的跨越发展。
由于作者学识有限，书中难免存在疏漏与不足之处，恳请广大读者批评指正。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
