智能運維技術及應用

Contents目錄

第1章智能運維概述00

1.1智能運維的主要內容00

1.2製造服務與智能運維00

1.2.1製造服務概述00

1.2.2智能運維在製造服務中的作用00

1.3設備維修策略的主要類型00

1.3.1事後維修策略00

1.3.2定時維修策略00

1.3.3基於狀態的維修策略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章設備狀態數據預處理0

2.1狀態數據預處理概述0

2.2狀態數據的粗大誤差去除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狀態數據的平滑處理0

2.3.1異常值保護指數平滑法0

2.3.2異常值識別多點移動平均法0

2.4基於連續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基於趨勢項提取的狀態數據處理方法0

2.5.1奇異值分解降噪及其不足0

2.5.2基於EMD的信號趨勢分量提取方法0

2.5.3EMD和SVD相結合的狀態數據處理方法0

2.5.4應用案例0

2.6本章小結0

參考文獻0

第3章狀態特徵的提取與遷移0

3.1狀態特徵提取概述0

3.2基於核主元分析的狀態特徵提取0

3.2.1主元分析的算法與分析0

3.2.2主元中核函數的引入0

3.2.3核主元分析特徵提取的形式化描述0

3.2.4核主元分析算法的改進0

3.3基於自動編碼器的狀態特徵提取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基於深度學習的狀態特徵提取0

3.4.1深度學習簡介0

3.4.2深度置信網絡0

3.4.3堆疊自動編碼器0

3.4.4捲積神經網絡0

3.5基於深度遷移學習的狀態特徵遷移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基於復制神經網絡的異常檢測0

4.3.2基於孤立森林的異常檢測0

4.3.3基於最近鄰的異常檢測0

4.3.4基於聚類的異常檢測0

4.3.5基於統計的異常檢測0

4.3.6應用案例0

4.4基於QAR數據的航空發動機間歇性氣路異常檢測

4.4.1QAR數據特點與深度特徵提取問題分析

4.4.2聯合SDAE與高斯分佈方法的發動機異常檢測

4.4.3應用案例

4.5基於ACARS數據的航空發動機持續性氣路異常檢測

4.5.1ACARS報文特點與深度特徵提取問題分析

4.5.2基於分組捲積去噪自編碼器的發動機氣路持續性異常檢測

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指印圖與自組織特徵映射網絡相結合的發動機氣路故障診斷

5.2.1SOFM神經網絡模型

5.2.2SOFM網絡的學習算法

5.2.3基於指印圖的航空發動機氣路故障診斷實例

5.3小樣本條件下基於遷移學習的發動機氣路故障診斷

5.3.1氣路參數偏差值數據分析及樣本設置

5.3.2基於CNN與SVM的氣路故障診斷方法

5.3.3實驗步驟及數據的收集

5.3.4實驗

5.4本章小結

參考文獻

第6章短期狀態趨勢預測

6.1短期狀態趨勢預測概述

6.2基於改進支持向量回歸的短期狀態趨勢預測

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基於改進支持向量機回歸的發動機振動趨勢預測

6.2.4參數對預測性能的影響分析

6.3基於連續過程神經網絡的短期狀態趨勢預測

6.3.1過程神經網絡與時間序列預測

6.3.2混合遞歸過程神經網絡的拓撲結構

6.3.3混合遞歸過程神經網絡學習算法

6.3.4混合遞歸過程神經網絡預測的應用案例

6.4基於動態集成算法的短期狀態趨勢預測

6.4.1時間序列相空間重構

6.4.2動態加權核密度估計集成學習機

6.4.3基於動態集成算法的趨勢預測應用案例

6.5狀態參數自適應區間預測模型

6.5.1預測區間效果量度指標

6.5.2基於神經網絡的自適應區間預測模型

6.5.3基於和聲搜索的輸出構造控制參數優化

6.5.4航空發動機EGTM序列區間預測應用案例

6.6本章小結

參考文獻

第7章長期狀態趨勢預測

7.1長期狀態趨勢預測概述

7.2基於性能衰退模式挖掘的長期狀態趨勢預測

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基於模式匹配的長期狀態趨勢預測

7.2.5應用案例

7.3基於DBSAGMM的長期狀態趨勢預測

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基於統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劃

8.1短期維修規劃概述

8.2維修時機優化

8.2.1維修期限預測

8.2.2基於維修期限的維修時機優化

8.2.3應用案例

8.3送修目標導向的維修工作範圍決策

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化

8.3.3不確定條件下單元體性能恢復值分配優化

8.3.4應用案例

8.4基於生存分析的維修工作範圍決策

8.4.1單元體維修級別生存分析模型

8.4.2維修工作範圍優化模型

8.5本章小結

參考文獻

第9章面向全壽命的設備維修規劃

9.1全壽命維修規劃概述

9.2基於智能優化的全壽命維修規劃

9.2.1全壽命維修規劃建模

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更換策略

9.2.4基於粒子群優化算法的發動機維修規劃模型求解

9.2.5應用案例

9.3基於Q學習的全壽命維修規劃

9.3.1基於Q學習的民航發動機維修規劃建模

9.3.2算法流程

9.3.3應用案例

9.4基於DQN的全壽命維修規劃

9.4.1深度Q學習理論簡介

9.4.2基於DQN的維修規劃建模

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需求發生時間預測

10.4.2基於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劃

11.2.1基於Petri網的分解裝配建模

11.2.2Petri網的最優變遷激發序列規劃

11.2.3零部件最優分解裝配序列規劃

11.2.4分解裝配序列規劃應用案例

11.3車間維修工作流時間管理

11.3.1維修作業工作流的動態建模

11.3.2維修作業層次細化工作流網的可調度性

11.3.3維修工作流執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維修車間資源靜態調度算法

11.4.4維修車間資源動態調度算法

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平臺設計與實現

12.1設備智能運維決策系統平臺需求概述

12.2面向服務的智能運維模式分析

12.3運維決策數據的集成管理

12.3.1設備運維數據建模

12.3.2基於BOM的運維數據集成管理

12.4構件化的設備智能運維決策系統架構設計

12.4.1設備智能運維決策系統平臺體系架構

12.4.2系統功能的構件化管理

12.5設備智能運維決策系統平臺核心功能與系統配置

12.5.1多源運維決策數據的接入

12.5.2運維數據的存儲及查詢管理

12.5.3基於流程引擎的業務過程管理

12.5.4復雜應用環境下的權限控制

12.5.5基於訂閱模式的消息管理

12.5.6基於業務構件的應用系統配置

12.6本章小結

參考文獻

第13章航空發動機機隊智能運維系統及其應用

13.1概述

13.2航空發動機原理簡介

13.3系統需求分析

13.4系統關鍵技術

13.4.1航空發動機運維數據組織

13.4.2航空發動機構型數據管理

13.4.3支持多協議的航空發動機監控參數採集

13.4.4航空發動機監控參數大數據存儲

13.5系統設計

13.5.1功能模型設計

13.5.2信息模型設計

13.6系統運行實例

13.7系統實施

13.8系統應用情況

13.9本章小結

參考文獻