一、飞机健康管理数据挖掘方法研究（论文文献综述）
李鑫[1]（2021）在《铁路机车设备画像理论及关键技术研究》文中提出铁路机务专业是铁路运输系统的重要行车专业,主要负责各型机车的运用组织、整备保养和综合检修。作为重要的铁路运输生产设备,机车的运输生产效率、设备质量状态、整备检修能力、安全管理水平等均会对铁路运输生产能力的稳健提升和经营管理工作的稳步发展产生重要影响。随着各种监测检测设备以及各类信息管理系统的广泛应用,围绕机车积累了形式多样的海量数据,数据增量及质量均大幅提升,数据价值日益体现,铁路行业对于完善机车健康管理的需求十分迫切。当前铁路机务专业在进行机车健康管理的过程中,存在分析方法较少、大数据挖掘不足、管理决策科学性较弱、综合分析平台缺失等问题。铁路机车设备画像理论及关键技术研究作为实现机车健康管理的重要手段,致力于加强机车数据资源的整合利用,通过客观、形象、科学的标签体系全面而精准地刻画机车的质量安全状态,并以此为基础深入挖掘潜藏的数据价值,实现机车事故故障关联分析、安全状态预警盯控、质量安全态势预测、检修养护差异化施修、稳健可靠管理决策等目的,支撑起铁路运输生产及质量安全管理工作的科学化、数字化、智能化发展。本文主要对铁路机车设备画像理论及其一系列关键技术进行了研究与应用,取得了以下创新成果:（1）提出了铁路机车设备画像理论。通过梳理机车设备画像的含义及研究意义,明确了构建铁路机车设备画像理论的必要性及其定位。基于此,给出铁路机车设备画像理论的定义与内涵,梳理了符合现阶段机车运输生产管理需要的铁路机车设备画像理论的构成,阐述了关键技术的研究方法及之间的逻辑关系。同时,设计相匹配的应用架构,介绍了其所包含的核心应用、赋能应用、总体目标等6个方面内容。这为系统性地开展机车健康管理相关研究提供了崭新的理论和方法支持。（2）构建了基于设备画像的铁路机车画像标签体系。通过整合利用机车多维度数据,提出了机车设备画像3级标签体系技术架构,全面分析所包含的数据采集层、标签库层和标签应用层,详细阐释各级标签的内容构成,形成机车画像标签体系的构建方法。针对聚类这一标签产生方式,改进K均值（K-means）聚类算法的初始质心选取方法,提高标签获取的精度和稳定性。通过在某铁路局开展机车设备画像实地应用研究,获得了客观、精准、完整、可靠的机车画像。（3）提出了基于Ms Eclat算法的铁路机车事故故障多最小支持度关联规则挖掘方法。针对机车事故故障在关联规则挖掘中具有不同支持度的特点,提出了改进的等价变换类（Eclat）算法——多最小支持度等价变换类（Ms Eclat）算法,以各项目的支持度值为排序依据重新构建数据集,进而运用垂直挖掘思想获得频繁项集;为了进一步提高Ms Eclat算法在大数据分析场景中的执行效率,将布尔矩阵和并行计算编程模型Map Reduce应用于算法的计算过程,得到优化的Ms Eclat算法,设计并阐述了相应的频繁项集挖掘步骤。通过比较,Ms Eclat算法及其优化算法在多最小支持度关联规则挖掘方面有着极大的计算效率优势。通过在某铁路局开展实际应用研究,验证了算法的有效性、高效性和准确性。（4）设计了基于时变概率的PSO+DE混合优化BP神经网络的机车质量安全态势预测模型。通过总结反向传播（BP）神经网络、粒子群优化（PSO）算法和差分进化（DE）算法的原理及优缺点,设计了基于时变概率且融入了防早熟机制的PSO+DE混合优化BP神经网络预测模型,详细阐释了这一预测模型的训练步骤。以某铁路局的机车质量评价办法为依托,选用灰色关联度分析方法选择出运用故障件数、碎修件数等7个评价项点,预测机车未来3个月的质量安全态势。经过实验对比,新提出的预测模型有着更好的收敛能力,对于机车质量评价等级预测及分值变化趋势预测的准确度分别可以达到98%和91%以上。最后开展了实际预测应用及分析,为科学把控机车质量安全态势提供了较好的技术方法。（5）设计了基于铁路机车设备画像理论的铁路机车健康管理应用。通过总结梳理铁路机车健康管理应用与铁路机车设备画像理论及机务大数据三者间的关系,设计了基于铁路机车设备画像理论的铁路机车健康管理应用的“N+1+3”总体架构及其技术架构。基于此,从设备、人员和综合管理3个方面介绍了机车运用组织、机车整备检修、辅助决策分析等7个典型应用场景,并特别给出这些场景的数据挖掘分析思路及框架,为铁路机车设备画像理论的扎实应用奠定了重要基础。最后,将本文所取得的相关研究成果在某铁路局开展实地的铁路机车健康管理应用实践,通过搭建人机友好的应用系统,完成一系列机务大数据挖掘分析算法模型的封装,实现了机车画像标签生成及设备画像分析、机车事故故障关联分析、机车质量评价分析、机车质量安全态势预测分析等多项功能。通过实际的工程应用,实现了铁路机车设备画像理论及其关键技术的创新实践,取得了良好的效果。全文共有图56幅,表21个,参考文献267篇。
张雄飞[2]（2020）在《基于QAR数据的飞机襟缝翼收放故障诊断研究》文中研究表明飞机襟缝翼系统是飞机操纵系统的子系统,是飞机增升、增阻的重要系统。襟缝翼收放故障是飞机操纵系统的常见故障,而飞机QAR（Quick Access Recorder）数据记录着关于飞机运行状态的各种参数,是飞机故障维修、预测的重要依据。本文以襟缝翼为研究对象,以飞机QAR数据为基础,根据工程实际调研数据,采用人工神经网络算法和数理统计原理,开展了关于襟缝翼收放故障的状态监测和故障诊断方法研究。该研究可为国产民航飞机健康管理系统的设计研发及航空公司工程应用提供新的方法和思路。在人工神经网络算法方面,襟翼不对称故障是襟缝翼系统常见的典型故障,由于Elman神经网络自身机构的特点,当对历史数据进行处理时,能够体现出较强的动态性和敏感反应能力,本文应用Elman神经网络建立了后缘襟翼左右角度差值预测模型。采用优化天牛须搜索算法（Improved Beetle Antennae Search,IBAS）对Elman神经网络模型初始权值和阈值参数进行迭代优化,通过对襟缝翼工作原理及受气动力影响的研究,确定模型的输入特征参数。在对神经网络的各参数和天牛种群数确定后,最终对后缘襟翼左右角度差值建立了优化天牛须搜索算法的Elman神经网络模型。应用测试数据对训练后的网络模型进行验证分析,通过Elman、BAS-Elman、IBAS-Elman三种预测模型评估指标对比,得出了IBAS-Elman预测模型在后缘襟翼左右角度差值问题上具有较好的预测精度、泛化性和较强的学习能力。在数理统计方面,为进一步研究襟缝翼收放故障,首先,通过蒙特卡洛数学模拟方法,完善了数据的不足,建立基于蒙特卡洛方法的后缘襟翼不对称风险模型,并将风险值量化为四个等级,通过收集的故障案例,验证了该预测模型的可靠性及实用性,并证实同一风险值不同飞机所对应的后缘襟翼左右角度差值并不同,该模型可为后缘襟翼不对称故障提供新的方法和研究思路。其次,基于前缘襟缝翼收放故障案例,对襟缝收放时间进行研究,结合襟缝翼收放原理,研究了随动响应率,通过空中和地面两种状态,将随动响应率划分为多个维度。为了辅助航空公司进行非计划性维修,基于ASP.NET开发了飞机襟缝翼收放监控平台,具有较好的工程应用价值。
王冉[3]（2020）在《基于QAR的航空发动机性能发展预测研究》文中研究指明航空发动机是飞机的心脏,其健康状态对飞行安全性和维修经济性有重大影响。目前航空公司普遍依赖国外发动机制造商（OEM）的基于ACARS报文数据的发动机健康管理系统,存在使用成本高、数据分析方面拓展功能受限等问题。而基于QAR数据自主开发发动机PHM技术可以一定程度解决上述问题,因此,本文基于QAR数据研究发动机的状态监控与预测算法,可用于提前预知发动机健康状态和剩余寿命。发动机基线模型是发动机性能衰退状态预测的基础,为了减少对OEM状态监控系统的依赖和充分开发QAR数据用于发动机状态监控,本文以QAR数据替代ACARS数据,结合偏差趋势图数据,采用支持向量机方法对发动机基线模型进行了挖掘,为求取发动机气路监控参数偏差值提供了基础。为了提前发现发动机未来的超限状态和预估剩余寿命,利用发动机气路监控参数偏差值建立了发动机性能衰退状态预测模型。根据预测的目的和时间跨度不同,模型包括发动机性能监控参数的短期预测和发动机剩余寿命区间长期预测。针对短期预测的现存问题,提出了基于滑动时窗策略的自适应GASVM在线预测模型,通过与传统基于SVM的时间序列预测方法对比表明改进的预测方法不仅动态适应性好且预测精度有显着提升。针对航空公司普遍采用的基于机队EGT衰退率预测发动机剩余寿命方法预测精度不高的问题,提出了基于模糊信息粒化的发动机寿命区间预测,结果表明该方法能够很好地反映剩余寿命变化的整体趋势和范围。针对发动机性能异常检测存在检测效率不高或故障数据获取困难的问题,本文基于QAR数据对发动机的故障检测进行了相关研究,提出了基于DBSCAN的无监督聚类的发动机异常检测方法,利用该方法可成功检测出异常发动机,从而解决了超限异常检测技术效率低和有监督学习检测方法异常样本少的问题。
刘伟民[4]（2020）在《航空发动机健康管理系统数字仿真平台关键技术研究》文中研究说明航空发动机健康管理作为提高航空发动机可靠性、可用性与安全性的重要手段之一,一直是航空制造业、运输业和维修业共同关注的热点问题。为了方便后人对航空发动机健康管理系统架构进行探索,并对健康管理相关算法进行仿真验证,本文针对航空发动机健康管理系统,设计并构造了一个航空发动机健康管理系统数字仿真平台,并在建立了某型发动机退化模型的基础上,在平台上设计与验证了部分航空发动机健康管理算法。论文主要工作内容如下:首先,开展航空发动机健康管理系统需求分析和构架设计的研究。通过文献调研,对航空发动机健康管理系统进行需求定义,对航空发动机健康管理系统数字仿真平台进行具体需求分析,并以此为基础,结合课题组实际情况和硬件水平,将需求进行进一步分解,根据仿真平台需求分解,采用典型C/S软件架构,将系统定义为机载、地面和用户终端健康管理子系统,并对整体软件功能架构进行了定义;然后,开展健康管理系统关键算法的研究。首先建立JT9D部件级模型,并在测绘NASA公开文献和数据的基础上,建立JT9D发动机退化模型,对航空发动机健康管理系统的算法进行需求与功能分析,提出基于卷积神经网络（Convolutional Neural Network,CNN）的航空发动机故障诊断算法和基于长短期记忆神经网络（Long Short-Term Memory,LSTM）的剩余寿命预估算法,并对算法进行了验证和结果分析。其次,进行健康管理系统仿真平台各子系统设计与实现的工作。设计仿真平台的网络数据链构架,并分别对机载、地面和用户终端健康管理仿真子系统进行构架设计,决定各子系统中数据管理、算法集成、软件架构和数据储存等关键技术路径,为各个子系统的实现提供解决方案,并完成各个子系统具体的编码工作;最后,进行健康管理系统仿真平台与算法集成验证的工作。在硬件在环仿真平台上验证机载健康管理仿真子系统,在某商用云服务器上验证地面健康管理仿真子系统,在PC端和移动终端验证用户终端健康管理仿真子系统的各项功能,然后验证传感器故障诊断算法、发动机剩余寿命预估算法和故障报警等功能,集成所有子系统,对照定义的需求对发动机健康管理仿真系统进行整体验证。
房冠成,贾大鹏,刘毅飞,刘海涛[5]（2020）在《基于飞行参数数据挖掘的军机健康评估技术》文中进行了进一步梳理以新型战机为代表的现代武器装备的参数数据越来越庞大,提出了基于飞行参数数据挖掘的军机健康评估技术。首先构建了军机健康评估设计及应用的"V"型架构,将数据获取、数据分析、方法应用、挖掘建模、评估结果和决策应用等流程融入到数据层、业务层、应用层等功能层级中。然后,综合运用改进故障树分析、高斯混合模型、层次分析法等方法,构建了适用于军机健康评估的架构、方法及流程。最后,以某军机实际飞行数据进行了应用分析,证明了所提方法的有效性和可行性。
徐小芳,高雅娟,王珏[6]（2019）在《基于数据挖掘的飞机健康预测模型构建研究》文中研究说明随着大数据和数据挖掘技术的发展,人们已认识到数据挖掘及数据价值利用的重要性。试飞是掌握飞机具备的性能能力、功能能力和作战使用能力的关键阶段,期间各专业根据不同的任务需求,收集和积累了大量来自飞机传感器、机内自检测设备及使用和维修的数据。基于飞行试验使用和维修数据,借助通用的数据挖掘方法,通过开展数据收集、数据预处理、模型构建和评估、模型融合等研究,提出综合建立飞机健康预测模型的方法和流程,为飞机预测与健康管理系统设计优化和改进提供技术支持。
胡羽扬[7]（2019）在《发布/订阅分布式系统健康度评价技术研究》文中认为发布订阅分布式系统被广泛使用在军事和工业领域,目前在发布/订阅分布式系统的运维管理中已经存在了一些监控软件,但它们都只能提供大量的系统运行参数,却无法直观地展现系统健康状态,需要运行维护人员后期根据经验对这些数据进行分析,从而对系统综合运行状态进行评估。论文针对发布订阅分布式系统的特点,将软件健康管理技术引入发布订阅分布式系统当中,研究了发布订阅系统的健康度评价和度量方法,将健康度评价分为构件健康度评价和系统健康度评价两个部分,形成了构件与系统分层健康度评估体系。提出发布订阅分布式系统健康度评价模型和评价方法,通过采集系统运行数据并利用Spark大数据处理技术计算,实现了发布订阅分布式系统的健康状态评估。论文的主要研究内容包括:1.针对软件运行过程中包含多种状态的问题,对比基于距离和密度的方法,提出了一种基于局部离群因子的构件健康度度量方法。对多种状态下软件运行数据空间分布进行分析,计算待测数据点相对于历史数据的密度关系,从而得到待测点的局部偏离程度,利用局部离群因子值评估发布订阅构件健康度。2.针对发布订阅分布式系统中的异常会沿主题发布订阅链传递的特点,提出了一种基于构件发布订阅拓扑关系的系统健康度评价方法。由于各个发布订阅构件间也有类似于网页的连接关系,并且构件之间发布订阅的主题数能够表示这种连接的强度,因此论文将Page Rank算法推广至构件权重计算当中,依据发布订阅关系拓扑结构确定构件权重,然后采用加权方式计算发布订阅分布式系统健康度。3.基于上述发布订阅分布式系统健康度评价方法,利用Spark大数据处理技术设计并实现了发布订阅分布式系统健康度评估软件的原型系统,该系统包括了数据采集、构件健康度评价、系统健康度评价和Web页面展示等功能模块。对该原型系统的功能和性能测试结果表明论文提出的方法能够有效评估发布订阅分布式系统的健康状态,正确反映发布订阅分布式系统中的数据内容和构件性能异常状况。
郭建华,白俊峰,夏亮[8]（2019）在《关于应用于飞机健康管理的数据挖掘方法研究》文中研究说明在现代化社会的建设与发展进程中,飞机运行与维护相关的数据和资源,大部分都是通过数据挖掘的技术方法实现。本文首先对飞机健康管理工作中所面临的困难和问题进行了分析,提出了系统结构搭建与应用、机载和地面系统规划和系统数据获取的数量与质量等方面的问题;其次,提出了飞机健康管理数据挖掘方法的有效应用,希望能为该领域关注者提供有益参考。
景博,焦晓璇,黄以锋[9]（2019）在《面向飞机PHM的大数据分析与人工智能应用》文中认为针对新一代电子产品密集型的飞机,其系统结构和失效机理复杂、失效模式多样,传统的方法难以对其进行有效健康管理的现状,因此提出了基于海量数据挖掘的飞机PHM研究。首先从系统结构、服役环境、数据来源与存储方式等角度分析了新一代飞机对海量数据挖掘的应用需求;其次论述了基于海量数据挖掘的关键技术,包括数据的预处理、集成管理、聚类、分类、关联、预测等;最后提出了一种基于私有云的飞机PHM海量数据挖掘平台,详细阐述了该平台的总体框架和软硬件结构,该平台为飞机PHM提供了验证平台,对促进飞机PHM的集成与工程化实现具有重大的军事应用意义。
高鑫磊[10]（2019）在《民用飞机发动机起动系统健康监测与故障诊断方法研究》文中研究表明飞机发动机起动系统（ESS）是飞机发动机重要的部附件系统之一,它的正常运行与否,直接关系到飞机是否可以按时起飞。同时发动机在空中遇到紧急情况时,起动系统也扮演着不可或缺的角色。长期以来,起动系统并不像起落架、发动机引气系统那样地备受关注,其主要原因有两个:一是起动系统本身结构复杂,内部包含点火系统、燃油系统等其他子系统,内部耦合性很大;二是起动系统受环境影响很大,尤其是冬天,起动系统往往会发生起动活门打不开的现象,这两点造成了起动系统监控难度大的现象。与此同时,起动系统也是故障率较高的子系统之一,极大地影响了航空公司的航班准点率及经济收益。由于起动系统没有实现自动监控,因此在航线上往往会发生突发故障,目前航空公司关于起动系统的维修还是基于制造商所提供的维修手册进行的,发生故障时查阅手册不仅会造成目标不明确、查阅困难、故障隔离耗时长等现象。因此航空公司亟需开展如何减少发动机起动系统的非计划维修次数及航线快速故障隔离诊断的科学研究。基于此,本文选择起动系统作为研究对象,开展基于飞行数据的发动机起动系统健康监测与自动故障诊断方法的研究,为尽早实现发动机起动系统的健康管理提供一定的技术支持。首先,本文从起动系统的原理、航空公司实际维修记录入手,根据目前所有的飞行数据,建立了起动系统健康监测性能参数、环境参数集合,以及反映运行健康状态的特征值集合,从而建立了起动系统健康监测性能基线。随后,基于马氏距离技术,利用航空公司实际QAR数据进行模型验证。结果表明,基于飞行数据所建立的起动系统健康基线模型可以很好地反映起动系统的健康状态、性能退化趋势等,从而实现了提前发现性能退化,提前进行预防性维修,减少了起动系统的非计划维修次数。其次,利用多元信息融合诊断的理念,利用专家经验和系统原理,建立了起动系统的随机森林参数基线模型,构建了起动系统故障树。根据实际飞行数据进行验证,结果表明:随机森林故障诊断模型可以很好地反映某一参数的退化趋势,同时故障树可以很好地反映出故障推理性能,为航空公司人员实现快速排故、减少飞机停场时间提供了技术上的帮助。最后,本文从航空公司角度出发,切实听取他们的实际需求,基于前面的方法模型,设计出集成化的民机起动系统PHM模型。以此来帮助航空公司实现起动系统数据读取、信息存储、健康监测与故障诊断的自动化进行。
二、飞机健康管理数据挖掘方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、飞机健康管理数据挖掘方法研究（论文提纲范文）
（1）铁路机车设备画像理论及关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 必要性及可行性分析 |
| 1.2.1 必要性 |
| 1.2.2 可行性 |
| 1.3 本文拟解决的主要问题 |
| 1.4 本文研究的主要内容 |
| 1.5 本文组织架构及技术路线 |
| 1.6 本章小结 |
| 2 国内外研究现状及发展趋势 |
| 2.1 机务大数据研究及应用 |
| 2.1.1 国外 |
| 2.1.2 国内 |
| 2.2 机车检修现状 |
| 2.3 设备画像 |
| 2.3.1 画像的概念 |
| 2.3.2 构成要素 |
| 2.3.3 模型与方法 |
| 2.4 标签技术 |
| 2.4.1 画像标签的定义 |
| 2.4.2 标签分类 |
| 2.4.3 标签构建原则 |
| 2.4.4 标签构建方法 |
| 2.5 设备健康管理 |
| 2.5.1 国外设备健康管理现状 |
| 2.5.2 国内设备健康管理现状 |
| 2.5.3 我国铁路机务专业PHM技术发展差距 |
| 2.6 本章小结 |
| 3 铁路机车设备画像理论 |
| 3.1 机车设备画像概述 |
| 3.2 铁路机车设备画像理论构建 |
| 3.2.1 铁路机车设备画像理论的定义与内涵 |
| 3.2.2 铁路机车设备画像理论的构成 |
| 3.2.3 铁路机车设备画像理论的应用架构 |
| 3.3 本章小结 |
| 4 基于设备画像的铁路机车标签体系构建 |
| 4.1 问题概述 |
| 4.2 面向设备画像的标签技术 |
| 4.3 机车画像标签体系构建 |
| 4.3.1 机车画像标签体系技术架构 |
| 4.3.2 机车画像标签体系 |
| 4.4 基于聚类的机车第三级标签获取方法 |
| 4.4.1 K-means算法 |
| 4.4.2 K-means算法的改进 |
| 4.4.3 K-means算法与改进算法的比较验证 |
| 4.5 机车画像标签体系构建实例 |
| 4.5.1 K-means改进算法的应用 |
| 4.5.2 机车完整标签体系的产生 |
| 4.6 本章小结 |
| 5 基于MsEclat算法的铁路机车事故故障多最小支持度关联规则挖掘 |
| 5.1 问题概述 |
| 5.2 MsEclat算法的背景知识 |
| 5.2.1 垂直格式数据集 |
| 5.2.2 支持度、置信度与提升度 |
| 5.2.3 概念格理论 |
| 5.2.4 多最小支持度下的频繁项集判定 |
| 5.2.5 面向有序项目集合的最小支持度索引表 |
| 5.2.6 基于等价类的可连接性判定 |
| 5.3 MsEclat算法原理 |
| 5.3.1 Eclat算法简述 |
| 5.3.2 改进的Eclat算法—MsEclat算法 |
| 5.4 优化的Ms Eclat算法 |
| 5.4.1 基于布尔矩阵的T_(set)位运算求交 |
| 5.4.2 基于MapReduce的等价类并行运算 |
| 5.4.3 大数据场景下优化的MsEclat算法的频繁项集挖掘步骤 |
| 5.5 算法比较验证 |
| 5.5.1 MsEclat算法与水平挖掘算法的对比 |
| 5.5.2 MsEclat算法与其优化算法的对比 |
| 5.6 机车事故故障关联规则挖掘分析 |
| 5.6.1 待分析项目的选取 |
| 5.6.2 关联规则挖掘结果分析 |
| 5.7 本章小结 |
| 6 基于PSO+DE混合优化BP神经网络的铁路机车质量安全态势预测 |
| 6.1 问题概述 |
| 6.2 机车质量等级评价 |
| 6.3 基于机车质量评价项点的特征选择 |
| 6.3.1 灰色关联度分析 |
| 6.3.2 机车质量等级的比较特征选择 |
| 6.4 PSO+DE混合优化BP神经网络 |
| 6.4.1 BP神经网络原理 |
| 6.4.2 PSO算法原理 |
| 6.4.3 DE算法原理 |
| 6.4.4 基于时变概率的PSO+DE混合优化BP神经网络预测模型 |
| 6.5 机车质量安全态势预测分析 |
| 6.5.1 预测模型训练 |
| 6.5.2 预测模型训练结果分析 |
| 6.5.3 预测模型应用分析 |
| 6.6 本章小结 |
| 7 基于铁路机车设备画像理论的铁路机车健康管理应用总体设计 |
| 7.1 机务大数据与机车健康管理 |
| 7.2 铁路机车健康管理应用设计 |
| 7.2.1 设计目标及定位 |
| 7.2.2 总体架构设计 |
| 7.2.3 技术架构设计 |
| 7.3 铁路机车健康管理应用的典型应用场景分析 |
| 7.3.1 设备质量综合分析 |
| 7.3.2 人员运用综合把控 |
| 7.3.3 运输生产综合管理 |
| 7.4 本章小结 |
| 8 某铁路局机车健康管理应用实践 |
| 8.1 应用开发方案 |
| 8.1.1 系统开发环境 |
| 8.1.2 数据调用方式 |
| 8.1.3 分析模型定时任务调用方式 |
| 8.2 机车数据管理功能 |
| 8.2.1 基本数据管理 |
| 8.2.2 视频数据管理 |
| 8.2.3 机务电子地图 |
| 8.3 机车画像标签生成及分析功能 |
| 8.3.1 机车画像标签管理 |
| 8.3.2 单台机车画像分析 |
| 8.3.3 机车设备画像分析 |
| 8.4 机车事故故障关联分析功能 |
| 8.5 机车质量评价分析功能 |
| 8.5.1 单台机车质量安全分析 |
| 8.5.2 机务段级机车质量安全分析 |
| 8.5.3 机务部级机车质量安全分析 |
| 8.5.4 全局机务专业质量安全综合分析 |
| 8.6 机车质量安全态势预测分析功能 |
| 8.7 本章小结 |
| 9 总结与展望 |
| 9.1 本文总结 |
| 9.2 研究展望 |
| 参考文献 |
| 图索引 |
| FIGURE INDEX |
| 表索引 |
| 学位论文数据集 |
| TABLE INDEX |
| 作者简历及攻读博士学位期间取得的科研成果 |
（2）基于QAR数据的飞机襟缝翼收放故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和目的 |
| 1.2 QAR数据的产生和应用现状研究 |
| 1.3 基于数据的飞机系统故障诊断研究 |
| 1.4 本文研究的主要内容 |
| 第二章 飞机后缘左右襟翼角度差IBAS-Elman建模研究 |
| 2.1 飞机襟缝翼系统介绍 |
| 2.2 基于IBAS-Elman的后缘左右襟翼建模方法 |
| 2.3 IBAS优化Elman模型的建立 |
| 2.4 模型参数设置及评估 |
| 2.5 实例结果分析 |
| 2.6 本章小结 |
| 第三章 基于蒙特卡洛方法的飞机襟翼不对称风险预测 |
| 3.1 飞机襟翼不对称故障 |
| 3.2 飞机襟翼不对称故障风险预测算法 |
| 3.3 风险等级定量划分 |
| 3.4 实例分析及模型验证 |
| 3.5 本章小结 |
| 第四章 飞机襟缝翼状态监测与监控平台实现 |
| 4.1 飞机襟缝翼状态监测数据来源 |
| 4.2 襟缝翼状态监测 |
| 4.3 基于指数平滑法的收放时间预测 |
| 4.4 襟缝翼随动响应率 |
| 4.5 飞机襟缝翼收放监控平台 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简介 |
（3）基于QAR的航空发动机性能发展预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 第一章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 研究现状及发展趋势 |
| 1.2.1 航空发动机预测与健康管理的概况 |
| 1.2.2 航空发动机性能衰退状态预测的发展现状 |
| 1.2.3 航空发动机异常检测的发展现状 |
| 1.3 论文结构及章节安排 |
| 第二章 基于QAR数据的发动机基线模型挖掘 |
| 2.1 引言 |
| 2.2 数据筛选及预处理 |
| 2.2.1 QAR数据与ACARS数据同源性分析 |
| 2.2.2 QAR数据提取 |
| 2.2.3 相似理论与标准化模型 |
| 2.2.4 基线点数据获取 |
| 2.2.5 归一化处理 |
| 2.3 支持向量机理论 |
| 2.3.1 支持向量机算法基础 |
| 2.3.2 支持向量机建模思路 |
| 2.3.3 基于支持向量机的航空发动机基线模型 |
| 2.4 CFM56-7B发动机基线挖掘实例 |
| 2.4.1 数据样本获取 |
| 2.4.2 CFM56-7B发动机基线挖掘步骤 |
| 2.4.3 结果分析 |
| 2.5 本章小结 |
| 第三章 发动机性能监控参数短期预测 |
| 3.1 引言 |
| 3.2 航空发动机性能监控参数与基线的关系 |
| 3.3 航空发动机性能监控参数在线预测模型理论基础 |
| 3.3.1 支持向量机时间序列预测模型的基本原理 |
| 3.3.2 滑动时窗策略 |
| 3.3.3 FPE准则自适应选取相空间重构嵌入维数 |
| 3.3.4 基于GA算法的支持向量机预测模型优化 |
| 3.4 基于滑动时窗策略的自适应GASVM在线预测模型建模 |
| 3.5 航空发动机性能参数预测实例 |
| 3.5.1 航空发动机DEGT预测实例 |
| 3.5.2 滑动时窗宽度的影响 |
| 3.5.3 多步预测结果精度分析 |
| 3.6 本章小结 |
| 第四章 基于模糊信息粒化的航空发动机寿命区间长期预测 |
| 4.1 引言 |
| 4.2 数据分析与预处理 |
| 4.2.1 数据等间隔采样 |
| 4.2.2 数据异常点处理 |
| 4.3 基于模糊信息粒化的航空发动机寿命区间长期预测模型 |
| 4.3.1 模糊信息粒化理论 |
| 4.3.2 航空发动机寿命区间预测模型的建立 |
| 4.4 航空发动机寿命区间长期预测实例 |
| 4.4.1 基于EGTM的寿命区间预测实例 |
| 4.4.2 基于DEGT的寿命区间预测实例 |
| 4.5 本章小结 |
| 第五章 基于DBSCAN的航空发动机性能异常检测 |
| 5.1 引言 |
| 5.2 基于DBSCAN聚类方法的航空发动机性能异常检测流程 |
| 5.2.1 发动机QAR数据变换 |
| 5.2.2 PCA降维处理 |
| 5.2.3 DBSCAN聚类分析 |
| 5.3 CFM56-7B航空发动机性能异常监测实例 |
| 5.3.1 DBSCAN参数选取 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简介 |
（4）航空发动机健康管理系统数字仿真平台关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 下标 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 航空发动机健康管理构架研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 航空发动机健康管理算法研究现状 |
| 1.3.1 故障诊断算法 |
| 1.3.2 剩余寿命预估算法 |
| 1.4 本文的内容安排 |
| 第二章 健康管理系统数字仿真平台需求分析与构架设计 |
| 2.1 引言 |
| 2.2 需求分析 |
| 2.2.1 健康管理系统需求分析 |
| 2.2.2 仿真平台功能需求分析 |
| 2.2.3 算法需求分析 |
| 2.3 构架设计 |
| 2.3.1 仿真平台需求分解 |
| 2.3.2 仿真平台构架设计 |
| 2.4 本章小结 |
| 第三章 健康管理系统关键算法需求分析与设计 |
| 3.1 引言 |
| 3.2 航空发动机模型及其退化模型简介 |
| 3.2.1 JT9D发动机模型建立 |
| 3.2.2 JT9D发动机退化模型建立 |
| 3.3 航空发动机传感器故障诊断算法 |
| 3.3.1 卷积神经网络简介 |
| 3.3.2 卷积神经网络的推导 |
| 3.3.3 基于CNN的传感器故障诊断算法设计 |
| 3.3.4 传感器故障诊断算法验证与结果分析 |
| 3.4 航空发动机剩余寿命预估算法 |
| 3.4.1 长短期记忆神经网络简介 |
| 3.4.2 长短期记忆神经网络推导 |
| 3.4.3 基于LSTM的剩余寿命预估算法设计 |
| 3.4.4 剩余寿命预估算法验证与结果分析 |
| 3.5 本章小结 |
| 第四章 健康管理系统仿真平台子系统设计 |
| 4.1 引言 |
| 4.2 机载健康管理仿真子系统设计 |
| 4.3 地面健康管理仿真子系统设计 |
| 4.4 用户终端健康管理仿真子系统设计 |
| 4.5 仿真平台网络功能实现 |
| 4.6 本章小结 |
| 第五章 健康管理系统仿真平台与算法集成验证 |
| 5.1 引言 |
| 5.2 系统集成验证 |
| 5.2.1 机载健康管理仿真子系统 |
| 5.2.2 地面健康管理仿真子系统 |
| 5.2.3 用户终端健康管理仿真子系统 |
| 5.3 功能验证 |
| 5.3.1 传感器故障诊断算法验证 |
| 5.3.2 剩余寿命预估算法验证 |
| 5.3.3 故障报警功能验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（5）基于飞行参数数据挖掘的军机健康评估技术（论文提纲范文）
| 1 军机健康评估架构 |
| 1）数据层：数据获取，数据分析 |
| 2）业务层：方法应用，挖掘建模 |
| 3）应用层：评估结果，决策应用 |
| 2 数据获取和分析 |
| 2.1 数据获取 |
| 2.2 数据分析 |
| 1）数据质量分析 |
| 2）数据特征分析 |
| 3）数据处理 |
| 3 方法应用及挖掘建模 |
| 3.1 改进FTA分析方法 |
| 3.2 基于高斯混合模型的功能评估 |
| 4 评估结果与决策应用 |
| 4.1 飞机健康评估 |
| 4.2 决策应用 |
| 5 飞机健康评估技术应用 |
| 5.1 数据获取与数据分析 |
| 5.2 健康评估挖掘建模 |
| 5.3 得到评估结果，进行决策分析 |
| 6 结论 |
（7）发布/订阅分布式系统健康度评价技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 软件健康管理技术 |
| 1.2.2 健康状态评估技术 |
| 1.2.3 数据存储技术 |
| 1.3 论文主要工作内容 |
| 1.4 论文组织结构和章节安排 |
| 第二章 相关理论与技术 |
| 2.1 发布订阅系统与DDS中间件简介 |
| 2.1.1 发布订阅系统特征 |
| 2.1.2 DDS技术及中间件 |
| 2.2 健康度评价概述 |
| 2.2.1 软件健康管理基础知识 |
| 2.2.2 健康度评价基本模型 |
| 2.2.3 健康度评价技术 |
| 2.2.4 健康度评价问题的挑战 |
| 2.3 本章小结 |
| 第三章 发布订阅系统健康度评价模型设计 |
| 3.1 发布订阅系统的健康度评价方法分析 |
| 3.2 发布订阅系统健康度评价模型框架设计 |
| 3.3 数据采集 |
| 3.4 构件健康度评价 |
| 3.5 系统健康度评价 |
| 3.6 本章小结 |
| 第四章 发布订阅分布式系统健康度评价原型系统的设计与实现 |
| 4.1 发布订阅系统的健康度评价系统的设计 |
| 4.2 发布订阅系统的健康度评价系统的实现 |
| 4.2.1 发布订阅数据采集模块实现 |
| 4.2.2 数据存储模块实现 |
| 4.2.3 数据统计处理模块实现 |
| 4.2.4 构件健康度评价模块实现 |
| 4.2.5 系统健康度评价模块实现 |
| 4.2.6 Web可视化模块 |
| 4.3 本章小结 |
| 第五章 健康度评估算法及健康度评价系统的测试 |
| 5.1 测试环境 |
| 5.2 健康度评价系统功能测试 |
| 5.2.1 数据采集模块测试 |
| 5.2.2 数据存储模块功能测试 |
| 5.2.3 数据统计处理模块功能测试 |
| 5.2.4 构件健康度评价模块 |
| 5.2.5 系统健康度评价模块 |
| 5.2.6 Web展示模块 |
| 5.3 健康度评价系统性能测试 |
| 5.3.1 构件健康度评价性能测试 |
| 5.3.2 k值的选取对构件健康度评价算法的影响 |
| 5.3.3 不同算法下的构件健康度评价性能对比 |
| 5.3.4 不同系统拓扑对系统健康度评价的影响 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录一 文中缩略词汇总 |
（8）关于应用于飞机健康管理的数据挖掘方法研究（论文提纲范文）
| 一、飞机健康管理所面临的问题 |
| 二、飞机健康管理数据挖掘方法的有效应用 |
（9）面向飞机PHM的大数据分析与人工智能应用（论文提纲范文）
| 1 飞机PHM系统海量数据挖掘的必要性 |
| 1.1 飞机系统结构的复杂性 |
| 1.2 服役环境的时空多尺度性 |
| 1.3 数据来源和存储方式的多样性 |
| 2 飞机PHM海量数据挖掘的关键技术 |
| 2.1 飞机PHM海量数据预处理 |
| 2.2 飞机PHM海量数据集成管理 |
| 2.3 飞机PHM海量数据挖掘算法 |
| 2.3.1 聚类方法 |
| 2.3.2 分类方法 |
| 2.3.3 关联方法 |
| 2.3.4 预测方法 |
| 1) 基于失效物理模型的方法 |
| 2) 基于数据驱动的方法 |
| 3) 基于融合的方法 |
| 3 基于私有云的飞机PHM海量数据挖掘平台 |
| 3.1 数据挖掘平台的总体设计 |
| 3.2 数据挖掘平台的具体实现 |
| 4 结语 |
（10）民用飞机发动机起动系统健康监测与故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 民机起动系统健康监测与故障诊断研究现状 |
| 1.2.1 航空维修思想的发展趋势 |
| 1.2.2 民机发动机起动系统健康监测研究现状 |
| 1.2.3 民机发动机起动系统系统故障诊断研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 民机发动机起动系统概述及航线常见故障分析 |
| 2.1 波音737NG飞机发动机起动系统概述 |
| 2.2 波音737NG发动机起动系统原理分析 |
| 2.2.1 起动机 |
| 2.2.2 燃油系统 |
| 2.2.3 点火系统 |
| 2.2.4 滑油系统 |
| 2.2.5 辅助动力单元(APU) |
| 2.3 波音737NG飞机发动机起动系统航线常见故障分析 |
| 2.4 波音737NG发动机起动系统在线监测参数分析 |
| 2.4.1 起动系统监测参数体系 |
| 2.4.2 监测参数译码 |
| 2.5 本章小结 |
| 第三章 基于性能参数的民机发动机起动系统健康监测方法研究 |
| 3.1 发动机起动系统性能参数基线模型 |
| 3.2 马氏距离技术 |
| 3.2.1 马氏距离技术原理 |
| 3.2.2 训练样本选择 |
| 3.3 发动机起动系统健康监测预警阈值确定 |
| 3.4 基于马氏距离技术的民机发动机起动系统健康监测 |
| 3.4.1 发动机起动系统监测参数采集 |
| 3.4.2 发动机起动系统特征值体系的提取与建立 |
| 3.4.3 马氏距离技术训练样本与性能参数基线模型的构建 |
| 3.4.4 基于马氏距离技术的发动机起动系统健康监测 |
| 3.5 本章小结 |
| 第四章 基于信息融合的发动机起动系统故障诊断方法研究 |
| 4.1 随机森林算法 |
| 4.1.1 随机森林算法基本原理 |
| 4.1.2 随机森林算法训练 |
| 4.1.3 随机森林算法测试 |
| 4.2 民机起动系统故障样本数据挖掘 |
| 4.2.1 起动故障信息获取 |
| 4.2.2 起动系统随机森林故障诊断框架 |
| 4.2.3 起动系统故障样本数据分析 |
| 4.3 随机森林算法基线模型构建与回归分析 |
| 4.3.1 随机森林训练样本的选择 |
| 4.3.2 随机森林回归模型的构建 |
| 4.4 起动系统故障诊断模型验证 |
| 4.4.1 起动系统故障树的建立 |
| 4.4.2 基于故障树分析法的1 号发动机故障诊断模型验证 |
| 4.4.3 基于故障树分析法的2 号发动机故障诊断模型验证 |
| 4.5 本章小结 |
| 第五章 民机发动机起动系统PHM软件模块设计与实现 |
| 5.1 系统需求分析 |
| 5.2 系统结构与功能 |
| 5.2.1 系统主要流程 |
| 5.2.2 系统主要模块与功能 |
| 5.3 系统实现 |
| 5.3.1 系统开发平台简介 |
| 5.3.2 系统软件界面 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的主要研究成果 |
| 6.2 研究展望分析 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、飞机健康管理数据挖掘方法研究（论文参考文献）
- [1]铁路机车设备画像理论及关键技术研究[D]. 李鑫. 中国铁道科学研究院, 2021(01)
- [2]基于QAR数据的飞机襟缝翼收放故障诊断研究[D]. 张雄飞. 中国民航大学, 2020(01)
- [3]基于QAR的航空发动机性能发展预测研究[D]. 王冉. 中国民航大学, 2020(01)
- [4]航空发动机健康管理系统数字仿真平台关键技术研究[D]. 刘伟民. 南京航空航天大学, 2020(07)
- [5]基于飞行参数数据挖掘的军机健康评估技术[J]. 房冠成,贾大鹏,刘毅飞,刘海涛. 航空学报, 2020(06)
- [6]基于数据挖掘的飞机健康预测模型构建研究[A]. 徐小芳,高雅娟,王珏. 第十六届中国航空测控技术年会论文集, 2019
- [7]发布/订阅分布式系统健康度评价技术研究[D]. 胡羽扬. 东南大学, 2019(06)
- [8]关于应用于飞机健康管理的数据挖掘方法研究[J]. 郭建华,白俊峰,夏亮. 中国新通信, 2019(09)
- [9]面向飞机PHM的大数据分析与人工智能应用[J]. 景博,焦晓璇,黄以锋. 空军工程大学学报(自然科学版), 2019(01)
- [10]民用飞机发动机起动系统健康监测与故障诊断方法研究[D]. 高鑫磊. 南京航空航天大学, 2019(02)