第1章 緒論
1．1 引言
1．2 故障診斷方法概述
1．2．1 故障診斷的概念
1．2．2 基于多信號(hào)模型的故障診斷研究現(xiàn)狀
1．2．3 基于人工智能的模擬電路故障診斷研究現(xiàn)狀
1．3 故障預(yù)測(cè)方法概述
1．4 剩余壽命估計(jì)方法概述
1．4．1 基于機(jī)理模型的剩余壽命估計(jì)方法
1．4．2 數(shù)據(jù)驅(qū)動(dòng)的剩余壽命估計(jì)方法
1．4．3 剩余壽命估計(jì)在預(yù)測(cè)維護(hù)中的應(yīng)用
1．5 慣性測(cè)量組合
1．5．1 慣性導(dǎo)航的基本原理
1．5．2 慣性測(cè)量組合的組成
1．5．3 慣性測(cè)量組合的工作原理及功能
1．6 本書結(jié)構(gòu)安排
參考文獻(xiàn)

第2章 多信號(hào)模型建模
2．1 引言
2．2 多信號(hào)建模理論與建模方法
2．2．1 多信號(hào)建模理論
2．2．2 多信號(hào)建模方法
2．3 測(cè)試性工程與維護(hù)系統(tǒng)（TEAMS）
2．3．1 TEAMS的功能與組成
2．3．2 基于TEAMS的測(cè)試性分析
2．3．3 基于TEAMS的故障診斷策略
2．4 慣性測(cè)量組合多信號(hào)模型的構(gòu)建
2．4．1 建模原則
2．4．2 本體多信號(hào)建模
2．4．3 電子箱多信號(hào)建模
2．4．4 二次電源多信號(hào)建模
2．4．5 模型合成及屬性設(shè)置
2．5 慣性測(cè)量組合測(cè)試性分析與改進(jìn)
2．5．1 測(cè)試點(diǎn)的選取及測(cè)試設(shè)置
2．5．2 慣性測(cè)量組合固有測(cè)試性分析
2．5．3 改進(jìn)測(cè)試性分析
2．6 小結(jié)
參考文獻(xiàn)

第3章 基于計(jì)算智能的慣性測(cè)量組合診斷策略優(yōu)化
3．1 引言
3．2 測(cè)試集優(yōu)化方法
3．2．1 測(cè)試集優(yōu)化的數(shù)學(xué)描述
3．2．2 測(cè)試性指標(biāo)
3．2．3 粒子群優(yōu)化算法概述
3．2．4 基于多維并行免疫離散粒子群優(yōu)化算法的IMU測(cè)試集優(yōu)化
3．2．5 基于多維動(dòng)態(tài)翻轉(zhuǎn)離散粒子群算法的IMU測(cè)試集優(yōu)化
3．3 診斷策略優(yōu)化方法
3．3．1 慣性測(cè)量組合故障樹的構(gòu)建
3．3．2 慣性測(cè)量組合故障樹診斷策略優(yōu)化
3．3．3 基于蟻群算法優(yōu)化的慣性測(cè)量組合相關(guān)矩陣診斷策略
3．4 小結(jié)
參考文獻(xiàn)

第4章 基于人工智能方法的慣．陸測(cè)量組合模擬電路故障診斷
4．1 引言
4．2 基于人工神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷
4．2．1 神經(jīng)網(wǎng)絡(luò)的故障診斷能力
4．2．2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
4．2．3 基于遺傳RBF網(wǎng)絡(luò)的慣性測(cè)量組合模擬電路故障診斷
4．2．4 基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蜕窠?jīng)網(wǎng)絡(luò)的IMU模擬電路故障診斷
4．3 基于支持向量機(jī)的模擬電路故障診斷
4．3．1 支持向量機(jī)基本理論
4．3．2 層次聚類LSSVM多分類算法
4．3．3 基于層次聚類LSSVM的慣性測(cè)量組合模擬電路故障診斷
4．3．4 基于故障殘差和SVM的慣性測(cè)量組合模擬電路故障診斷
4．4 基于極端學(xué)習(xí)機(jī)的模擬電路故障診斷
4．4．1 ELM基本理論
4．4．2 基于優(yōu)選小波包和ELM的模擬電路故障診斷
4．4．3 基于固定尺寸序貫極端學(xué)習(xí)機(jī)的模擬電路在線故障診斷
4．5 基于信息融合的模擬電路故障診斷
4．5．1 信息融合的級(jí)別
4．5．2 基于特征級(jí)信息融合的故障診斷
4．5．3 基于響應(yīng)曲線有效點(diǎn)的特征提取方法
4．5．4 改進(jìn)的模糊聚類特征壓縮算法
4．5．5 診斷實(shí)例
4．6 小結(jié)
參考文獻(xiàn)

第5章 基于數(shù)據(jù)驅(qū)動(dòng)的慣性測(cè)量組合智能故障預(yù)測(cè)
5．1 引言
5．2 基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)方法
5．3 基于支持向量機(jī)的慣性測(cè)量組合故障預(yù)測(cè)
5．3．1 最小二乘支持向量機(jī)回歸
5．3．2 基于EMD-LSSVM的故障預(yù)測(cè)方法
5．3．3 基于進(jìn)化交叉驗(yàn)證與直接支持向量機(jī)回歸的故障預(yù)測(cè)方法
5．4 基于極端學(xué)習(xí)機(jī)的慣性測(cè)量組合故障預(yù)測(cè)
5．4．1 基于極端學(xué)習(xí)機(jī)的慣性測(cè)量組合多尺度混合預(yù)測(cè)方法
5．4．2 基于改進(jìn)集合在線序貫極端學(xué)習(xí)機(jī)的慣性測(cè)量組合故障預(yù)測(cè)
5．5 基于小樣本條件下的慣性測(cè)量組合故障預(yù)測(cè)
5．5．1 結(jié)構(gòu)自適應(yīng)序貫正則極端學(xué)習(xí)機(jī)
5．5．2 實(shí)例驗(yàn)證
5．6 小結(jié)
參考文獻(xiàn)

第6章 基于退化過程建模的慣性測(cè)量組合剩余壽命在線估計(jì)
6．1 引言
6．2 基于半隨機(jī)濾波和EM算法的剩余壽命在線估計(jì)
6．2．1 問題描述
6．2．2 基于半隨機(jī)濾波的估計(jì)模型
6．2．3 參數(shù)在線估計(jì)算法
6．2．4 慣性測(cè)量組合剩余壽命估計(jì)的仿真試驗(yàn)
6．3 基于隱含線性退化過程建模的剩余壽命在線估計(jì)
6．3．1 狀態(tài)空間模型與剩余壽命估計(jì)
6．3．2 參數(shù)估計(jì)
6．3．3 慣性測(cè)量組合剩余壽命估計(jì)的仿真試驗(yàn)
6．4 基于隱含非線性退化過程建模的剩余壽命在線估計(jì)
6．4．1 問題描述與剩余壽命估計(jì)
6．4．2 參數(shù)在線估計(jì)算法
6．4．3 慣性測(cè)量組合剩余壽命預(yù)測(cè)的仿真試驗(yàn)
6．5 小結(jié)
參考文獻(xiàn)

第7章 基于可變成本的MU實(shí)時(shí)預(yù)測(cè)維護(hù)與備件訂購
7．1 引言
7．2 第一種基于可變成本的預(yù)測(cè)維護(hù)模型的構(gòu)建
7．2．1 長(zhǎng)期運(yùn)行成本方差
7．2．2 預(yù)測(cè)維護(hù)決策目標(biāo)函數(shù)
7．3 第二種基于可變成本的預(yù)測(cè)維護(hù)模型的構(gòu)建
7．3．1 長(zhǎng)期運(yùn)行成本方差
7．3．2 預(yù)測(cè)維護(hù)決策目標(biāo)函數(shù)
7．4 備件訂購模型的構(gòu)建
7．5 慣性測(cè)量組合預(yù)測(cè)維護(hù)的仿真試驗(yàn)
7．5．1 問題描述
7．5．2 試驗(yàn)結(jié)果
7．6 小結(jié)
參考文獻(xiàn)