彭喜元、彭宇、劉大同所著的《數據驅動的故障
預測/航天科學與工程專著繫列》詳細介紹了基於數據
驅動故障預測技術的方法體繫、框架和算法，內容包
括：緒論、PHM方法體繫、數據驅動PHM技術體繫與框
架等。書中詳細介紹了典型數據驅動PHM算法，涵蓋
了特征識別和提取、PHM預測方法、PHM不確定性、
PHM融合方法等，尤其是對當前研究廣泛的多種數據
驅動故障預測方法進行了詳細論述和分析，最後展望
了數據驅動故障預測PHM技術的發展與挑戰。
本書可作為航空航天、自動測試、可靠性和維修
性等領域的重要參考書。

第1章 緒論
1.1 引言
1.2 PHM的概念和內涵
1.2.1 PHM基本概念
1.2.2 PHM基本內涵
1.3 PHM技術的發展和現狀
1.3.1 PHM技術發展現狀
1.3.2 PHM技術應用現狀
1.4 PHM研究實例
1.4.1 綜合飛行器健康管理繫統
1.4.2 聯合戰鬥機的PHM技術
1.5 本書內容安排
第2章 PHM方法體繫
2.1 引言
2.2 PHM方法分類
2.3 基於可靠性模型的PHM方法
2.4 基於物理模型的PHM方法
2.5 基於數據驅動的PHM方法
2.5.1 數據驅動PHM方法
2.5.2 數據驅動PHM方法現狀
2.6 融合型PHM方法
第3章 數據驅動PHM技術體繫與框架
3.1 引言
3.2 數據驅動PHM方法策略
3.2.1 直接數據驅動預測方法
3.2.2 間接數據驅動預測方法
3.2.3 兩類數據驅動PHM方法的比較
3.3 數據驅動PHM方法體繫和流程
3.3.1 數據驅動PHM方法體繫
3.3.2 數據驅動PHM方法流程
3.4 數據驅動PHM方法框架分析
3.4.1 信息感知、狀態監測和數據采集
3.4.2 特征識別、選擇和融合
3.4.3 HI構建
3.4.4 RUL預測
3.4.5 預測不確定性
3.4.6 融合型預測方法
3.4.7 PHM驗證與評估
第4章 特征識別和提取
4.1 引言
4.2 特征識別方法
4.3 特征選擇和提取技術
4.3.1 特征選擇
4.3.2 特征提取
4.3.3 特征融合
4.4 PHM特征識別和提取實例
4.4.1 特征識別與選擇
4.4.2 RUL預測方法
4.4.3 實驗結果與分析
第5章 基於時間序列AR模型的PHM預測
5.1 引言
5.2 AR模型
5.2.1 AR模型基本原理
5.2.2 AR模型的參數估計
5.2.3 AR模型的階數確定
5.3 ARMA/ARIMA模型
5.3.1 ARMA模型
5.3.2 ARIMA模型
5.4 基於AR模型的PHM預測實例
5.4.1 鋰離子電池數據集
5.4.2 基於AR模型的鋰離子電池RUL預測建模過程
5.4.3 實例結果分析
第6章 基於神經網絡的PHM預測
6.1 引言
6.2 神經網絡算法
6.2.1 ANN模型
6.2.2 基於ANN的PHM預測
6.3 ESN基本原理
6.3.1 ESN的模型結構和數學模型
6.3.2 ESN的訓練算法
6.3.3 ESN的關鍵參數
6.4 改進MONESN算法
6.4.1 狀態監測數據的單調關繫
6.4.2 結合先驗知識的單調函數逼近方法
6.5 基於神經網絡的PHM預測實例
6.5.1 基於ESN的機械繫統RUL預測實例
6.5.2 基於MONESN的鋰離子電池RUL預測實例
第7章 基於KF/EKF算法的PHM預測
7.1 引言
7.2 KF/EKF算法
7.2.1 KF算法
7.2.2 EKF算法
7.3 基於EKF算法的PHM預測
7.4 基於EKF算法的PHM預測實例
7.4.1 基於EKF的鋰離子電池RUL預測算法流程
7.4.2 鋰離子電池RUL預測實驗及分析
第8章 基於RVM算法的PHM預測
8.1 引言
8.2 RVM基本原理
8.2.1 相關向量回歸
8.2.2 超參數優化
8.2.3 RVM訓練算法
8.3 基於動態灰色相關向量機的鋰離子電池RUL預測方法
8.3.1 RVM參數對預測結果的影響分析
8.3.2 動態灰色RVM鋰離子電池RUL預測算法
8.3.3 實驗驗證與評估
8.4 基於增量相關向量機的鋰離子電池RUL在線預測方法
8.4.1 在線預測算法分析
8.4.2 優化增量RVM鋰離子電池RUL在線預測算法
8.4.3 實驗驗證與評估
第9章 基於GPR模型的PHM預測
9.1 引言
9.2 GPR模型原理
9.2.1 GP模型
9.2.2 GPR模型
9.2.3 GRP模型選擇與超參數自適應
9.3 基於GPR模型的預測流程
9.4 PHM預測實例
9.4.1 鋰電池容量預測
9.4.2 電池RUL預測
**0章 基於PF算法的PHM預測
10.1 引言
10.2 PF算法原理
10.2.1 動態繫統模型
10.2.2 貝葉斯估計的基本理論
10.2.3 蒙特卡洛思想
10.2.4 PF基本原理
10.2.5 PF算法的基本流程
10.3 PF重采樣算法及改進算法
10.3.1 PF4種基本重采樣算法
10.3.2 正則化粒子濾波原理
10.4 PHM預測實例
10.4.1 鋰電池RUL預測框架及算法描述
10.4.2 鋰電池RuL壽命預測實例
10.4.3 不同重采樣算法的RUL預測對比
10.4.4 RPF算法性能對比
**1章 PHM不確定性
11.1 引言
11.2 不確定性的概念和來源
11.2.1 不確定性的來源
11.2.2 不確定性的數學表達方法
11.2.3 不確定性的處理方法
11.3 PHM不確定性表達
11.3.1 置信預測神經網絡
11.3.2 GPR預測的不確定性
11.3.3 馬爾可夫鏈蒙特卡洛模擬
11.3.4 粒子濾波
11.4 PHM不確定性量化
11.4.1 置信區間
11.4.2 概率密度分布直方圖
11.4.3 分布的假設檢驗
11.5 PHM算法評估
11.5.1 性能評估指標
11.5.2 計算實例
**2章 融合型PHM方法
12.1 引言
12.2 數據驅動PHM方法融合
12.2.1 神經網絡的融合方法
12.2.2 集成學習方法
12.2.3 集成MONESN的PHM預測方法
12.2.4 基於En-MONESN的鋰離子電池PHM預測
12.3 基於模型和數據驅動的PHM方法融合
12.3.1 基於PF與AR模型融合的PHM方法
12.3.2 PHM實例
12.3.3 基於EKF和AR模型融合的PHM方法
12.3.4 PHM實例
**3章 PHM挑戰與展望
13.1 引言
13.2 **外PHM技術發展對比
13.2.1 PHM概念延伸
13.2.2 PHM技術發展
13.2.3 PHM**發展及差距
13.2.4 PHM**發展趨勢
13.3 PHM技術挑戰
13.3.1 狀態感知技術
13.3.2 狀態監測技術
13.3.3 診斷和預測技術
13.3.4 PHM標準化技術研究
13.3.5 PHM技術驗證和評估
13.3.6 測試床
13.3.7 平臺化
13.4 PHM技術展望
參考文獻
名詞索引