內容簡介:　　《航空裝備故障診斷學》以航空裝備故障診斷為主線，系統地闡述了航空裝備故障診斷的理論、方法和技術，并對其發(fā)展趨勢進行了展望。重點對基于故障樹、貝葉斯網絡、模糊理論、粗糙集理論、人工神經網絡、案例推理和專家系統的故障診斷方法和技術進行了全面系統介紹?！逗娇昭b備故障診斷學》在編寫過程中注意了理論的完整性，并提供了大量故障診斷方法的應用案例，以貼近航空裝備故障診斷實踐。
　　《航空裝備故障診斷學》注重理論聯系實際，可作為高等院校相關專業(yè)研究生、本科生教材，也適用于航空裝備科研與生產單位的工程技術人員參考。

目錄:第1篇 原理篇
第1章 緒論
1.1 航空裝備故障診斷的研究與實踐
1.1.1 航空裝備故障診斷的本質
1.1.2 航空裝備故障診斷的發(fā)展階段
1.1.3 航空裝備故障診斷的現狀與發(fā)展趨勢
1.2 航空裝備故障診斷學概述
1.2.1 航空裝備故障診斷學的定義
1.2.2 航空裝備故障診斷學的研究目的及意義
1.2.3 航空裝備故障診斷學的主要研究內容

第2章 故障與故障診斷
2.1 航空裝備失效和故障的概念
2.1.1 航空裝備失效的概念
2.1.2 航空裝備故障的概念
2.2 航空裝備常見失效與故障模式
2.2.1 航空機械設備失效與故障的常見模式
2.2.2 航空電子元器件失效與故障的常見模式
2.3 航空裝備失效分析
2.3.1 失效分析的目的和任務
2.3.2 失效分析的主要工作內容
2.3.3 機械零件和機械系統的失效分析方法
2.3.4 航空裝備失效分析的基本程序
2.4 航空裝備故障診斷的基本原理
2.4.1 故障診斷的一般流程
2.4.2 故障診斷的常用方法
2.4.3 航空裝備故障診斷系統

第3章 故障診斷信息處理
3.1 故障診斷中的信息及分類
3.1.1 基本概念
3.1.2 故障信息的分類
3.2 故障診斷中信息處理的一般過程
3.2.1 信息的獲取
3.2.2 信息的傳輸
3.2.3 信息的處理
3.3 故障診斷信息的獲取
3.3.1 裝備狀態(tài)信息的獲取
3.3.2 故障診斷知識的獲取
3.4 故障診斷中信息的預處理
3.4.1 采集環(huán)節(jié)的預處理
3.4.2 傳輸環(huán)節(jié)的預處理
3.5 故障診斷中信息的處理
3.5.1 測量信號分類
3.5.2 測試數據處理方法的分類

第2篇 方法篇
第4章 基于故障樹分析的故障診斷
4.1 故障樹分析的基本內容
4.1.1 故障樹分析的起源
4.1.2 故障樹分析的基本概念
4.1.3 故障樹分析的步驟和建樹規(guī)則
4.2 故障樹的定性分析
4.2.1 故障樹定性分析概述
4.2.2 故障樹的數學描述
4.2.3 最小割集算法
4.3 故障樹的定量分析
4.3.1 故障樹定量分析的內容
4.3.2 故障樹頂事件概率計算
4.3.3 故障樹重要度分析
4.4 航空裝備故障樹分析算例和系統開發(fā)實踐
4.4.1 基于故障樹分析的航空裝備故障診斷算例
4.4.2 基于故障樹分析的航空裝備故障診斷系統開發(fā)實踐

第5章 基于貝葉斯網絡的故障診斷
5.1 貝葉斯網絡的概率論基礎
5.1.1 貝葉斯理論
5.1.2 貝葉斯網絡
5.2 貝葉斯網絡推理
5.2.1 精確推理
5.2.2 近似推理
5.3 貝葉斯網絡學習
5.3.1 參數學習
5.3.2 結構學習
5.4 貝葉斯網絡在裝備故障診斷中的應用

第6章 基于模糊理論的故障診斷
6.1 模糊診斷理論基礎
6.1.1 模糊集合及其運算
6.1.2 模糊集合與經典集合的聯系
6.1.3 隸屬函數
6.1.4 模糊關系和模糊關系矩陣
6.1.5 模糊度及其度量
6.2 航空裝備的模糊邏輯診斷
6.2.1 航空裝備故障診斷中的模糊性
6.2.2 模糊邏輯診斷模型
6.2.3 模糊診斷信息的獲取
6.2.4 模糊邏輯故障診斷方法
6.2.5 航空裝備模糊邏輯診斷實例
6.3 航空裝備的模糊聚類診斷
6.3.1 模糊聚類
6.3.2 模糊聚類診斷基本思想
6.3.3 基于模糊等價關系的模糊聚類診斷方法
6.3.4 模糊平均值聚類診斷方法
6.3.5 航空裝備模糊聚類診斷實例

第7章 基于粗糙集理論的故障診斷
7.1 粗糙集基本概念
7.1.1 知識與知識表達系統
7.1.2 不可分辨關系
7.1.3 粗糙集與近似
7.1.4 知識約簡與核
7.1.5 知識的依賴性與屬性重要性
7.1.6 區(qū)分矩陣與區(qū)分函數
7.2 基于粗糙集理論的智能故障診斷
7.2.1 數據預處理
7.2.2 屬性約簡
7.2.3 值約簡
7.3 航空裝備的粗糙集診斷案例

第8章 基于人工神經網絡的故障診斷
8.1 人工神經網絡的基本原理
8.1.1 人工神經元模型
8.1.2 人工神經網絡的構成
8.1.3 人工神經網絡的學習
8.2 基于人工神經網絡的故障診斷原理
8.2.1 模式識別的故障診斷神經網絡
8.2.2 系統辨識的故障診斷神經網絡
8.2.3 知識處理的故障診斷神經網絡
8.3 基于人工神經網絡的故障診斷模型設計
8.4 基于BP神經網絡的故障診斷方法
8.4.1 BP神經網絡結構及其學習算法
8.4.2 BP神經網絡的改進算法
8.4.3 BP神經網絡的結構設計
8.4.4 基于BP神經網絡的故障診斷方法
8.4.5 在飛機火控系統故障診斷中的應用
8.5 基于SOM神經網絡的故障診斷方法
8.5.1 SOM神經網絡結構
8.5.2 SOM網絡的學習算法
8.5.3 基于SOM神經網絡的故障診斷方法
8.5.4 在航空發(fā)動機故障診斷中的應用
8.6 其他典型的神經網絡故障診斷模型
8.6.1 集成神經網絡
8.6.2 模糊神經網絡
8.6.3 小波神經網絡

第9章 基于案例的推理的故障診斷
9.1 CBR概述
9.1.1 CBR的起源及發(fā)展
9.1.2 CBR的基本思想
9.1.3 CBR與RBR的比較
9.1.4 CBR的應用領域
9.2 CBR的關鍵步驟
9.2.1 案例的表示和存儲
9.2.2 案例的檢索策略
9.2.3 案例的相似性匹配
9.2.4 案例的適配
9.2.5 案例的學習
9.3 航空裝備故障診斷CBR系統
9.3.1 基于層次分類模型的案例庫組織
9.3.2 故障案例的檢索和匹配
9.3.3 基于專家評價的案例學習方式
9.3.4 系統實現

第10章 基于專家系統的故障診斷
……
第3篇 實踐篇
第11章 發(fā)動機狀態(tài)監(jiān)控與故障診斷
第12章 航空電子設備的故障診斷

第4篇 發(fā)展篇
第13章 嵌入式故障診斷發(fā)展動態(tài)與展望
第14章 遠程故障診斷發(fā)展動態(tài)與展望
參考文獻