1.5　本书主要内容

根据智能运维的工作内容，本书按照状态数据处理、状态预测和故障诊断、维修策略优化、智能运维系统及其应用4个层面进行组织，以期形成智能运维较为完整的理论技术体系，并给出智能运维的系统平台架构和应用示范案例。

在状态数据处理方面，主要围绕状态数据预处理和特征提取两个方面展开讨论。在状态数据预处理方面，重点介绍粗大误差去除、状态数据平滑、状态信号重构等方法，包括状态数据粗大误差识别与处理方法、常用的状态参数平滑方法、基于连续小波变换模极大曲线的信号突变识别与重构方法、经验模态分解（empirical mode decomposition，EMD）和奇异值分解（singular value decomposition，SVD）相结合的数据处理方法等，为异常检测、趋势预测、状态评价、故障诊断和维修计划等智能运维决策提供高质量的原始数据。在特征提取方面，主要介绍一些常用的非线性特征提取方法，包括核主元分析法、自动编码器法、深度学习法、迁移学习法等。

在状态预测和故障诊断方面，本书围绕异常检测、故障诊断、短期状态预测、长期状态趋势预测4个方面展开讨论。异常检测的任务是判断状态数据是否发生突变以及分析发生突变的具体原因，为此本书介绍异常及异常检测的定义及分类方法以及几种典型的异常检测方法，并且以航空发动机气路异常检测为例，介绍基于快速存取记录仪（quick access recorder，QAR）数据的间歇性气路异常检测方法与基于飞机通信寻址与报告系统（aircraft communications addressing and reporting s ystem，ACARS）数据的持续性异常检测方法。故障诊断的主要任务是确定故障的部位和故障严重程度，预测故障的发生和发展趋势，为维修期限预测、维修工作范围决策、维修成本预测等提供有力的支持。为此，本书结合航空发动机气路故障诊断的需求，提出基于故障指印图的自组织特征映射神经网络的故障诊断方法。为了解决小样本条件下的气路故障诊断问题，还提出一种基于卷积神经网络（convolutional neural network，CNN）与支持向量机（support vector machine，SVM）相结合的迁移学习方法，讨论如何用CNN在大规模带标签的发动机正常数据集上学习特征表示，以及如何有效地迁移到具有少量训练数据的发动机气路故障识别任务中。按预测时间范围的长短，状态预测可分为短期状态预测和长期状态预测两种。在短期状态预测方面，本书以航空发动机为例，分别介绍支持向量机、过程神经网络以及集成学习等模型和算法在短期状态趋势预测中的应用。在长期状态趋势预测方面，分别介绍基于衰退模式挖掘的长期状态趋势预测方法和基于序列化高斯元聚合统计距离（distance based sequential aggregation with Gaussian mixture model，DBSA-GMM）的长期状态趋势预测方法，并以航空发动机为例，给出上述两种长期状态预测方法的应用案例。

在维修决策优化方面，主要围绕短期维修规划、全寿命维修规划、维修成本与备件需求预测、车间维修过程管理展开讨论。短期维修规划是指仅考虑单次送修的维修规划，是围绕最近一次维修计划的规划，或当次送修规划。航空发动机是典型的高端机电设备，结构复杂，工况恶劣，状态预测困难，影响维修时机和维修工作范围的因素多且关联关系复杂，所以航空发动机的维修规划相当复杂，且具有典型性。本书介绍航空发动机短期维修规划的具体做法，它对其他复杂设备的维修规划具有借鉴意义。对于长寿命复杂设备，其全寿命期内需要进行多次维修，每次维修都会对后续的运行和维修产生一定的影响。本书以航空发动机为例，建立面向全寿命的维修规划模型，并对维修时机与维修工作范围同时进行优化。维修成本可以分为直接维修成本和间接维修成本。直接维修成本又进一步可以分为日常维护成本和车间维修成本。一般情况下，车间维修成本占比较高，所以本书重点对车间维修成本预测方法进行介绍。备件库存管理依赖于对备件需求的准确把握，本书介绍易损件和关键件的备件需求预测方法。车间维修过程管理是维修策略的重要内容，针对维修车间的维修决策、规划、过程控制等问题，本书以航空发动机为例，介绍基于Petri网理论的维修车间逻辑层次、时间层次和统计层次的建模方法，建立面向维修等级决策、分解装配序列规划、工作流验证、资源调度的Petri网模型。

本书还将围绕智能运维决策平台及系统的设计、航空发动机智能运维系统及其应用展开讨论。针对不同企业产品类型、产品规模、组织模式、业务流程、信息基础等的差异性，本书介绍可扩展、可重构、支持多客户端、支持跨企业应用的设备运维决策平台及系统，并以航空发动机智能运维为例，介绍该运维决策平台的具体应用。