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(jiǎn)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(cè)簡(jiǎn)介 7
1.3.1 復(fù)雜系統(tǒng)健康監(jiān)測(cè)的內(nèi)涵 7
1.3.2 復(fù)雜系統(tǒng)健康監(jiān)測(cè)的技術(shù)體系 8
1.3.3 復(fù)雜系統(tǒng)健康監(jiān)測(cè)的研究現(xiàn)狀 10
1.3.4 復(fù)雜系統(tǒng)健康監(jiān)測(cè)的技術(shù)難點(diǎn) 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(dòng)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(píng)價(jià)準(zhǔn)則 29
2.4.1 分類(lèi)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(shí)別 40
3.1 問(wèn)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(duì)比 48
3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的損傷狀態(tài)識(shí)別方法 50
3.4 案例分析 52
3.4.1 案例說(shuō)明 52
3.4.2 數(shù)據(jù)集描述 54
3.4.3 監(jiān)測(cè)數(shù)據(jù)預(yù)處理 55
3.4.4 時(shí)頻圖轉(zhuǎn)換與自動(dòng)標(biāo)簽 58
3.4.5 模型訓(xùn)練與評(píng)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(píng)估 64
4.1 問(wèn)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(píng)估方法 68
4.3.1 基于Faster R-CNN的健康狀態(tài)評(píng)估流程 68
4.3.2 基于Keras的健康狀態(tài)評(píng)估算法實(shí)現(xiàn) 70
4.4 案例分析 72
4.4.1 案例說(shuō)明 72
4.4.2 數(shù)據(jù)集描述 72
4.4.3 模型評(píng)價(jià)指標(biāo) 73
4.4.4 模型訓(xùn)練與評(píng)估 74
4.4.5 金屬板樣品的健康評(píng)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(wèn)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(shuō)明和數(shù)據(jù)描述概述 84
5.4.2 模型訓(xùn)練與評(píng)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(wèn)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(lèi)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(hào)小波變換 96
6.3.3 最優(yōu)小波時(shí)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(wèn)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(lèi)別增量學(xué)習(xí)的新生故障診斷 129
8.1 問(wèn)題描述 129
8.2 深度類(lèi)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(lèi)別增量學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu) 131
8.3 基于深度類(lèi)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(lèi)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(lèi)別增量模型更新 134
8.3.4 案例樣本庫(kù)更新 134
8.4 案例分析 134
8.4.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理 135
8.4.2 實(shí)驗(yàn)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(wèn)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(shuō)明 152
9.4.2 模型訓(xùn)練與評(píng)估 153
第10章 基于深度長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的剩余使用壽命預(yù)測(cè) 156
10.1 問(wèn)題描述 156
10.2 深度長(zhǎng)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(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 158
10.2.3 深度長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 159
10.3 基于深度長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的剩余使用壽命預(yù)測(cè)方法 160
10.3.1 基于DLSTM模型的RUL預(yù)測(cè)流程 160
10.3.2 多傳感器信號(hào)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(shuō)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(píng)估 169
10.4.4 剩余使用壽命預(yù)測(cè)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(cè) 174
11.1 問(wèn)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(mén)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(cè)方法 179
11.4 案例分析 181
參考文獻(xiàn) 186