深度學(xué)習(xí)在復(fù)雜系統(tǒng)健康監(jiān)測中的應(yīng)用
為了深入實施制造強(qiáng)國戰(zhàn)略，我國正加速推動物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、云計算與制造業(yè)的深度融合，促進(jìn)制造業(yè)向數(shù)字化、網(wǎng)絡(luò)化和智能化轉(zhuǎn)型升級。復(fù)雜系統(tǒng)健康監(jiān)測是其中的關(guān)鍵環(huán)節(jié)之一。隨著數(shù)據(jù)積聚、算法革新與算力提升，以深度學(xué)習(xí)為代表的新一代人工智能技術(shù)不斷取得突破性發(fā)展，為復(fù)雜系統(tǒng)健康監(jiān)測技術(shù)突破提供新的途徑。本書結(jié)合作者團(tuán)隊的**研究成果，論述復(fù)雜系統(tǒng)健康監(jiān)測的內(nèi)涵、技術(shù)體系、研究現(xiàn)狀和技術(shù)難點，總結(jié)卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)和深度遷移學(xué)習(xí)等深度學(xué)習(xí)的理論方法與框架，詳細(xì)介紹9種不同的深度學(xué)習(xí)模型在復(fù)雜系統(tǒng)健康監(jiān)測中的應(yīng)用，并結(jié)合具體的應(yīng)用案例進(jìn)行展示。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
目錄
前言
第1章 緒論 1
1.1 研究背景 1
1.2 深度學(xué)習(xí)簡介 3
1.2.1 深度學(xué)習(xí)的起源 3
1.2.2 深度學(xué)習(xí)的內(nèi)涵 4
1.2.3 深度學(xué)習(xí)的研究現(xiàn)狀 4
1.2.4 深度學(xué)習(xí)的應(yīng)用領(lǐng)域 7
1.3 復(fù)雜系統(tǒng)健康監(jiān)測簡介 7
1.3.1 復(fù)雜系統(tǒng)健康監(jiān)測的內(nèi)涵 7
1.3.2 復(fù)雜系統(tǒng)健康監(jiān)測的技術(shù)體系 8
1.3.3 復(fù)雜系統(tǒng)健康監(jiān)測的研究現(xiàn)狀 10
1.3.4 復(fù)雜系統(tǒng)健康監(jiān)測的技術(shù)難點 13
第2章 深度學(xué)習(xí)理論方法 15
2.1 人工神經(jīng)網(wǎng)絡(luò) 15
2.1.1 人工神經(jīng)網(wǎng)絡(luò)的內(nèi)涵 15
2.1.2 人工神經(jīng)網(wǎng)絡(luò)的基本原理 15
2.1.3 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 16
2.2 深度學(xué)習(xí)模型 18
2.2.1 卷積神經(jīng)網(wǎng)絡(luò) 18
2.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 19
2.2.3 深度強(qiáng)化學(xué)習(xí) 21
2.2.4 深度遷移學(xué)習(xí) 24
2.3 深度學(xué)習(xí)優(yōu)化算法 25
2.3.1 梯度下降法 25
2.3.2 動量梯度下降法 27
2.3.3 AdaGrad 27
2.3.4 RMSProp 27
2.3.5 Adam 28
2.4 深度學(xué)習(xí)模型評價準(zhǔn)則 29
2.4.1 分類任務(wù) 29
2.4.2 回歸任務(wù) 30
2.5 深度學(xué)習(xí)框架 31
2.5.1 TensorFlow 32
2.5.2 Keras 35
2.5.3 PyTorch 37
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的損傷狀態(tài)識別 40
3.1 問題描述 40
3.2 卷積神經(jīng)網(wǎng)絡(luò)模型及其擴(kuò)展 41
3.2.1 經(jīng)典CNN的結(jié)構(gòu) 41
3.2.2 CNN結(jié)構(gòu)的發(fā)展 43
3.2.3 不同結(jié)構(gòu)的性能對比 48
3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的損傷狀態(tài)識別方法 50
3.4 案例分析 52
3.4.1 案例說明 52
3.4.2 數(shù)據(jù)集描述 54
3.4.3 監(jiān)測數(shù)據(jù)預(yù)處理 55
3.4.4 時頻圖轉(zhuǎn)換與自動標(biāo)簽 58
3.4.5 模型訓(xùn)練與評估 60
3.4.6 損傷定位結(jié)果與討論 62
第4章 基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的健康狀態(tài)評估 64
4.1 問題描述 64
4.2 區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型及其擴(kuò)展 65
4.2.1 R-CNN 65
4.2.2 Fast R-CNN 65
4.2.3 Faster R-CNN 66
4.3 基于Faster R-CNN的健康狀態(tài)評估方法 68
4.3.1 基于Faster R-CNN的健康狀態(tài)評估流程 68
4.3.2 基于Keras的健康狀態(tài)評估算法實現(xiàn) 70
4.4 案例分析 72
4.4.1 案例說明 72
4.4.2 數(shù)據(jù)集描述 72
4.4.3 模型評價指標(biāo) 73
4.4.4 模型訓(xùn)練與評估 74
4.4.5 金屬板樣品的健康評估 75
第5章 基于多融合卷積神經(jīng)網(wǎng)絡(luò)的故障診斷 77
5.1 問題描述 77
5.2 多融合卷積神經(jīng)網(wǎng)絡(luò)概況 78
5.2.1 多融合卷積層 78
5.2.2 池化層 80
5.3 基于多融合卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法 81
5.3.1 基于多融合卷積神經(jīng)網(wǎng)絡(luò)的故障診斷流程 81
5.3.2 數(shù)據(jù)預(yù)處理 81
5.3.3 MFCC矩陣獲取 82
5.3.4 基于多融合卷積神經(jīng)網(wǎng)絡(luò)的故障診斷 83
5.4 案例分析 84
5.4.1 案例說明和數(shù)據(jù)描述概述 84
5.4.2 模型訓(xùn)練與評估 86
第6章 基于局部二值卷積神經(jīng)網(wǎng)絡(luò)的復(fù)合故障診斷 91
6.1 問題描述 91
6.2 局部二值卷積神經(jīng)網(wǎng)絡(luò)概況 91
6.2.1 局部二值模式 91
6.2.2 LBCNN 92
6.2.3 多標(biāo)簽分類策略 94
6.3 基于LBCNN的復(fù)合故障診斷方法 95
6.3.1 復(fù)合故障診斷框架 95
6.3.2 信號小波變換 96
6.3.3 最優(yōu)小波時頻圖選擇 98
6.3.4 LBCNN模型訓(xùn)練與診斷 98
6.4 案例分析 99
6.4.1 案例1 99
6.4.2 案例2 107
第7章 基于深度子域殘差自適應(yīng)網(wǎng)絡(luò)的故障診斷 113
7.1 問題描述 113
7.2 深度子域殘差自適應(yīng)網(wǎng)絡(luò)概況 114
7.2.1 殘差網(wǎng)絡(luò) 114
7.2.2 域自適應(yīng)機(jī)制 117
7.2.3 深度子域殘差自適應(yīng)網(wǎng)絡(luò) 120
7.3 基于深度子域殘差自適應(yīng)網(wǎng)絡(luò)的故障診斷方法 122
7.4 案例分析 123
7.4.1 案例1 123
7.4.2 案例2 126
第8章 基于深度類別增量學(xué)習(xí)的新生故障診斷 129
8.1 問題描述 129
8.2 深度類別增量學(xué)習(xí)概況 129
8.2.1 增量學(xué)習(xí)概述 129
8.2.2 深度類別增量學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu) 131
8.3 基于深度類別增量學(xué)習(xí)的新生故障診斷方法 132
8.3.1 基于深度類別增量學(xué)習(xí)的復(fù)雜系統(tǒng)故障智能診斷流程 132
8.3.2 數(shù)據(jù)預(yù)處理 133
8.3.3 類別增量模型更新 134
8.3.4 案例樣本庫更新 134
8.4 案例分析 134
8.4.1 實驗數(shù)據(jù)預(yù)處理 135
8.4.2 實驗結(jié)果討論 135
第9章 基于深度強(qiáng)化學(xué)習(xí)的自適應(yīng)故障診斷 141
9.1 問題描述 141
9.2 深度強(qiáng)化學(xué)習(xí)概況 142
9.2.1 Q-learning 143
9.2.2 DQN 143
9.2.3 Dueling DQN 144
9.2.4 Double DQN 144
9.2.5 基于確定性策略搜索的強(qiáng)化學(xué)習(xí)方法 144
9.2.6 TRPO 145
9.2.7 Capsule DDQN 148
9.3 基于Capsule DDQN的自適應(yīng)故障診斷方法 148
9.3.1 Capsule DDQN關(guān)鍵技術(shù) 148
9.3.2 基于Capsule DDQN的故障診斷流程 150
9.4 案例分析 152
9.4.1 案例數(shù)據(jù)說明 152
9.4.2 模型訓(xùn)練與評估 153
第10章 基于深度長短期記憶神經(jīng)網(wǎng)絡(luò)的剩余使用壽命預(yù)測 156
10.1 問題描述 156
10.2 深度長短期記憶神經(jīng)網(wǎng)絡(luò)概況 157
10.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 157
10.2.2 長短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 158
10.2.3 深度長短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 159
10.3 基于深度長短期記憶神經(jīng)網(wǎng)絡(luò)的剩余使用壽命預(yù)測方法 160
10.3.1 基于DLSTM模型的RUL預(yù)測流程 160
10.3.2 多傳感器信號數(shù)據(jù)預(yù)處理 161
10.3.3 DLSTM模型訓(xùn)練中的參數(shù)優(yōu)化 162
10.4 案例分析 163
10.4.1 案例說明與數(shù)據(jù)集描述 163
10.4.2 數(shù)據(jù)預(yù)處理 166
10.4.3 模型優(yōu)化與評估 169
10.4.4 剩余使用壽命預(yù)測結(jié)果討論 170
第11章 基于多維度循環(huán)神經(jīng)網(wǎng)絡(luò)的剩余使用壽命預(yù)測 174
11.1 問題描述 174
11.2 多維度循環(huán)神經(jīng)網(wǎng)絡(luò)概況 174
11.2.1 門控循環(huán)單元網(wǎng)絡(luò)結(jié)構(gòu) 175
11.2.2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 175
11.2.3 多維度循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 177
11.3 基于MDRNN的系統(tǒng)RUL預(yù)測方法 179
11.4 案例分析 181
參考文獻(xiàn) 186
書單推薦
