新書推薦：
《
两宋烽烟录：第三卷 十二世纪宋金和战实录
》
售價：HK$
107.8
《
看见被污名化的中年女性
》
售價：HK$
65.8
《
跟着大厨学炒青菜：素菜不素，一口惊艳！叶菜翠绿、瓜果爽脆、根茎香糯，素菜也能吃出“荤菜感”。
》
售價：HK$
43.8
《
并购手册：整合组织，执行战略和推动新增长的实用指南 乔治·布拉特，杰弗里·普里切特
》
售價：HK$
141.9
《
大学问·伦理与生活：清代的婚姻与社会
》
售價：HK$
107.8
《
制度与轮回：从商周至明清的历史运行
》
售價：HK$
64.9
《
做中国哲学：一些方法论的思考〔增订本〕
》
售價：HK$
85.8
《
奥斯曼帝国衰亡史：1683—1923
》
售價：HK$
151.8
|
| 內容簡介： |
|
《人工智能在飞行器智能诊断中的应用》全面介绍现代航空飞行器在智能诊断领域的前沿技术及其应用。《人工智能在飞行器智能诊断中的应用》涵盖了智能感知技术、数据处理与特征提取技术、机器学习与故障诊断技术、深度学习与状态评估技术、小样本下飞行器关键部件故障智能诊断与预测，以及飞行器跨设备迁移智能诊断等内容。通过系统的阐述和丰富的案例，《人工智能在飞行器智能诊断中的应用》展示了人工智能技术在当今飞行器健康管理领域的重要应用价值。
|
| 目錄：
|
目录
第1章 绪论 1
1.1 人工智能概述 1
1.2 智能诊断 3
1.2.1 智能诊断的技术基础 3
1.2.2 智能诊断的优势 6
1.3 飞行器智能诊断系统 8
1.3.1 飞行器智能诊断系统的演变过程 9
1.3.2 飞行器智能诊断系统的功能划分 12
1.3.3 飞行器智能诊断系统的通用架构 13
1.3.4 飞行器智能诊断系统的应用现状 18
本章小结 20
思考题 21
参考文献 21
第2章 智能感知技术 23
2.1 状态感知技术 23
2.1.1 状态感知对象 23
2.1.2 状态感知参数及传感器 25
2.2 智能传感器 30
2.2.1 智能传感器的主要类型及实现途径 30
2.2.2 智能传感器的技术基础 32
2.2.3 智能传感器的发展趋势 33
2.3 感知传感器网络及优化 34
2.3.1 传感器网络概述 34
2.3.2 飞行器常用的传感器网络总线 35
2.3.3 传感器组网及布局优化 38
本章小结 40
思考题 40
参考文献 40
第3章 数据处理与特征提取技术 42
3.1 数据处理与特征提取概述 42
3.2 数据预处理 43
3.2.1 数据清洗 43
3.2.2 数据转换 46
3.3 特征提取 47
3.3.1 频域特征提取 48
3.3.2 时频域特征提取 51
3.4 数据降噪 61
3.4.1 降噪效果评价指标 61
3.4.2 平滑降噪 62
3.4.3 小波阈值降噪 63
3.4.4 小波频带滤波降噪 66
3.5 基于稀疏表本的微弱信号增强方法 66
3.5.1 正弦特征信号的稀疏表示提取方法 68
3.5.2 周期性冲击信号的稀疏表示提取方法 69
3.5.3 非周期性冲击信号的稀疏表示提取方法 73
3.6 信息融合 77
本章小结 78
思考题 79
参考文献 79
第4章 机器学习与故障诊断技术 81
4.1 **机器学习方法 81
4.1.1 线性回归 82
4.1.2 支持向量机 83
4.1.3 朴素贝叶斯 85
4.1.4 K均值聚类 86
4.1.5 层次聚类 87
4.1.6 主成分分析 88
4.2 基于机器学习的故障诊断技术 89
4.3 基于机器学习的健康状态评估与预测技术 94
4.3.1 故障预测与健康管理 94
4.3.2 案例1：使用振动信号进行状态监测和预测 96
4.3.3 案例2：风力涡轮机高速轴承预测和健康评估 102
本章小结 107
思考题 108
参考文献 108
第5章 深度学习与状态评估技术 109
5.1 张量 109
5.1.1 自动求导 109
5.1.2 神经网络模型 110
5.1.3 梯度下降算法 116
5.2 卷积神经网络 119
5.2.1 卷积层 119
5.2.2 池化层 119
5.2.3 权重共享 120
5.3 深度稀疏卷积神经网络 120
5.3.1 稀疏性分类 121
5.3.2 稀疏性约束方法——L2正则化 122
5.3.3 稀疏性约束在DSCNN中的实现 122
5.3.4 稀疏性的优势 123
5.4 深度学习及其故障特征挖掘 123
5.4.1 轴承故障特征提取概述 123
5.4.2 深度学习在轴承故障特征提取中的应用 124
5.5 深度学习及剩余使用寿命预测技术 126
5.5.1 基本概念 126
5.5.2 深度学习模型的选择与构建 127
5.5.3 应用案例 128
本章小结 132
思考题 132
参考文献 132
第6章 小样本下飞行器关键部件故障智能诊断与预测 134
6.1 小样本下飞行器故障诊断需求 134
6.1.1 数据增强 135
6.1.2 特征学习 137
6.1.3 常用生成模型 138
6.1.4 GAN介绍 141
6.1.5 GAN原理 143
6.1.6 GAN构架 146
6.2 基于对抗神经网络的故障样本生成及故障诊断技术 148
6.2.1 诊断流程 148
6.2.2 CGAN实例验证 149
本章小结 152
思考题 152
参考文献 152
第7章 飞行器跨设备迁移智能诊断 154
7.1 迀移学习 155
7.1.1 迀移学习的必要性 155
7.1.2 迀移学习基础理论 157
7.1.3 迀移学习方法分类 158
7.1.4 迀移学习的本质问题 160
7.2 基于迀移学习的飞行器智能诊断概述 161
7.2.1 迀移学习的意义 161
7.2.2 迀移学习在飞行器领域中的应用研究 162
7.3 跨工况迀移诊断技术 164
7.3.1 预训练-微调 164
7.3.2 实例验证 166
7.3.3 试验结果分析 169
7.4 跨设备迁移诊断技术 170
7.4.1 基于特征的领域自适应方法 171
7.4.2 实例验证 173
7.4.3 试验结果分析 174
本章小结 176
思考题 176
参考文献 177
思考题参考答案 178
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
