书名：深度学习在复杂系统健康监测中的应用
定价：108.0
ISBN：9787030767998
作者：吴军等
版次：1
出版时间：2023-11

内容提要：
为了深入实施制造强国战略，我国正加速推动物联网、大数据、人工智能、云计算与制造业的深度融合，促进制造业向数字化、网络化和智能化转型升级。复杂系统健康监测是其中的关键环节之一。随着数据积聚、算法革新与算力提升，以深度学习为代表的新一代人工智能技术不断取得突破性发展，为复杂系统健康监测技术突破提供新的途径。本书结合作者团队的…新研究成果，论述复杂系统健康监测的内涵、技术体系、研究现状和技术难点，总结卷积神经网络、循环神经网络、深度强化学习和深度迁移学习等深度学习的理论方法与框架，详细介绍9种不同的深度学习模型在复杂系统健康监测中的应用，并结合具体的应用案例进行展示。



目录：
目录
前言
第1章 绪论 1
1.1 研究背景 1
1.2 深度学习简介 3
1.2.1 深度学习的起源 3
1.2.2 深度学习的内涵 4
1.2.3 深度学习的研究现状 4
1.2.4 深度学习的应用领域 7
1.3 复杂系统健康监测简介 7
1.3.1 复杂系统健康监测的内涵 7
1.3.2 复杂系统健康监测的技术体系 8
1.3.3 复杂系统健康监测的研究现状 10
1.3.4 复杂系统健康监测的技术难点 13
第2章 深度学习理论方法 15
2.1 人工神经网络 15
2.1.1 人工神经网络的内涵 15
2.1.2 人工神经网络的基本原理 15
2.1.3 人工神经网络的结构 16
2.2 深度学习模型 18
2.2.1 卷积神经网络 18
2.2.2 循环神经网络 19
2.2.3 深度强化学习 21
2.2.4 深度迁移学习 24
2.3 深度学习优化算法 25
2.3.1 梯度下降法 25
2.3.2 动量梯度下降法 27
2.3.3 AdaGrad 27
2.3.4 RMSProp 27
2.3.5 Adam 28
2.4 深度学习模型评价准则 29
2.4.1 分类任务 29
2.4.2 回归任务 30
2.5 深度学习框架 31
2.5.1 TensorFlow 32
2.5.2 Keras 35
2.5.3 PyTorch 37
第3章 基于卷积神经网络的损伤状态识别 40
3.1 问题描述 40
3.2 卷积神经网络模型及其扩展 41
3.2.1 经典CNN的结构 41
3.2.2 CNN结构的发展 43
3.2.3 不同结构的性能对比 48
3.3 基于卷积神经网络的损伤状态识别方法 50
3.4 案例分析 52
3.4.1 案例说明 52
3.4.2 数据集描述 54
3.4.3 监测数据预处理 55
3.4.4 时频图转换与自动标签 58
3.4.5 模型训练与评估 60
3.4.6 损伤定位结果与讨论 62
第4章 基于区域卷积神经网络的健康状态评估 …
4.1 问题描述 …
4.2 区域卷积神经网络模型及其扩展 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的健康状态评估方法 68
4.3.1 基于Faster R-CNN的健康状态评估流程 68
4.3.2 基于Keras的健康状态评估算法实现 70
4.4 案例分析 72
4.4.1 案例说明 72
4.4.2 数据集描述 72
4.4.3 模型评价指标 73
4.4.4 模型训练与评估 74
4.4.5 金属板样品的健康评估 75
第5章 基于多融合卷积神经网络的故障诊断 77
5.1 问题描述 77
5.2 多融合卷积神经网络概况 78
5.2.1 多融合卷积层 78
5.2.2 池化层 80
5.3 基于多融合卷积神经网络的故障诊断方法 81
5.3.1 基于多融合卷积神经网络的故障诊断流程 81
5.3.2 数据预处理 81
5.3.3 MFCC矩阵获取 82
5.3.4 基于多融合卷积神经网络的故障诊断 83
5.4 案例分析 84
5.4.1 案例说明和数据描述概述 84
5.4.2 模型训练与评估 86
第6章 基于局部二值卷积神经网络的复合故障诊断 91
6.1 问题描述 91
6.2 局部二值卷积神经网络概况 91
6.2.1 局部二值模式 91
6.2.2 LBCNN 92
6.2.3 多标签分类策略 94
6.3 基于LBCNN的复合故障诊断方法 95
6.3.1 复合故障诊断框架 95
6.3.2 信号小波变换 96
6.3.3 …小波时频图选择 98
6.3.4 LBCNN模型训练与诊断 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 基于深度子域残差自适应网络的故障诊断 113
7.1 问题描述 113
7.2 深度子域残差自适应网络概况 114
7.2.1 残差网络 114
7.2.2 域自适应机制 117
7.2.3 深度子域残差自适应网络 120
7.3 基于深度子域残差自适应网络的故障诊断方法 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 基于深度类别增量学习的新生故障诊断 129
8.1 问题描述 129
8.2 深度类别增量学习概况 129
8.2.1 增量学习概述 129
8.2.2 深度类别增量学习网络结构 131
8.3 基于深度类别增量学习的新生故障诊断方法 132
8.3.1 基于深度类别增量学习的复杂系统故障智能诊断流程 132
8.3.2 数据预处理 133
8.3.3 类别增量模型更新 134
8.3.4 案例样本库更新 134
8.4 案例分析 134
8.4.1 实验数据预处理 135
8.4.2 实验结果讨论 135
第9章 基于深度强化学习的自适应故障诊断 141
9.1 问题描述 141
9.2 深度强化学习概况 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 基于确定性策略搜索的强化学习方法 144
9.2.6 TRPO 145
9.2.7 Capsule DDQN 148
9.3 基于Capsule DDQN的自适应故障诊断方法 148
9.3.1 Capsule DDQN关键技术 148
9.3.2 基于Capsule DDQN的故障诊断流程 150
9.4 案例分析 152
9.4.1 案例数据说明 152
9.4.2 模型训练与评估 153
第10章 基于深度长短期记忆神经网络的剩余使用寿命预测 156
10.1 问题描述 156
10.2 深度长短期记忆神经网络概况 157
10.2.1 循环神经网络结构 157
10.2.2 长短期记忆神经网络结构 158
10.2.3 深度长短期记忆神经网络结构 159
10.3 基于深度长短期记忆神经网络的剩余使用寿命预测方法 160
10.3.1 基于DLSTM模型的RUL预测流程 160
10.3.2 多传感器信号数据预处理 161
10.3.3 DLSTM模型训练中的参数优化 162
10.4 案例分析 163
10.4.1 案例说明与数据集描述 163
10.4.2 数据预处理 166
10.4.3 模型优化与评估 169
10.4.4 剩余使用寿命预测结果讨论 170
第11章 基于多维度循环神经网络的剩余使用寿命预测 174
11.1 问题描述 174
11.2 多维度循环神经网络概况 174
11.2.1 门控循环单元网络结构 175
11.2.2 双向循环神经网络结构 175
11.2.3 多维度循环神经网络结构 177
11.3 基于MDRNN的系统RUL预测方法 179
11.4 案例分析 181
参考文献 186