中圖網小程序
一鍵登錄
更方便
>
深度學習算法應用:故障診斷與壽命預測
本類五星書更多>
-
>
貨幣大歷史:金融霸權與大國興衰六百年
-
>
(精)方力鈞作品圖錄
-
>
《藏書報》2021合訂本
-
>
(精)中國當代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)
-
>
(噴繪樓閣版)女主臨朝:武則天的權力之路
-
>
書里掉出來一只狼+狼的故事-全2冊
-
>
奇思妙想創意玩具書(精裝4冊)
深度學習算法應用:故障診斷與壽命預測 版權信息
- ISBN：9787122359230
- 條形碼：9787122359230 ; 978-7-122-35923-0
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：
深度學習算法應用:故障診斷與壽命預測 本書特色
1.本書是一部具有學術價值和實踐指導意義的專著，是作者多年科研成果的結晶。 2.系統介紹了卷積神經網絡（CNN）、殘差卷積神經網絡（RCNN）、孿生神經網絡（SNN）、生成對抗網絡（GAN）基本原理，及其在軸承故障診斷和壽命預測方面的應用。 3.通過對這些模型的結構、特點和適用場景的詳細闡述，讀者可以全面了解深度學習算法在故障診斷和壽命預測中的應用基礎。
深度學習算法應用:故障診斷與壽命預測 內容簡介
本書主要介紹了深度學習算法的基本原理和常用模型，包括卷積神經網絡（CNN）、殘差卷積神經網絡（RCNN）、孿生神經網絡（SNN）、生成對抗網絡（GAN）等。深入探討了深度學習算法在故障診斷領域的應用，針對機械設備中常見的軸承故障，介紹了一系列基于深度學習算法的故障診斷模型，對故障特征進行提取和識別，能夠實現對機械設備故障類型的準確分類和定位。在壽命預測方面，本書詳細介紹了基于深度學習算法的剩余壽命預測方法，并應用在軸承和刀具的剩余壽命預測中。通過對這些模型的結構、特點和適用場景的詳細闡述，讀者可以全面了解深度學習算法在故障診斷和壽命預測中的應用基礎。 本書是一部具有學術價值和實踐指導意義的專著，是作者多年科研成果的結晶。本書可供高校機械工程、計算機科學及相關專業的研究人員使用，特別是對于從事機械設備故障診斷和壽命預測工作的工程師和研究人員來說，本書是一本極具參考價值的書籍，也適合對深度學習感興趣的科研人員和工程師參考。
深度學習算法應用:故障診斷與壽命預測 目錄
第1章 緒論 001
1.1 深度學習基本概念 001
1.2 故障診斷的重要性 002
1.3 壽命預測的重要性 003
1.4 深度學習基本理論方法 004
1.4.1 經典LeNet-5網絡模型 004
1.4.2 卷積神經網絡 005
1.4.3 殘差神經網絡 012
1.4.4 孿生神經網絡 012
1.4.5 長短時記憶神經網絡（LSTM） 017
1.4.6 貝葉斯神經網絡 018
1.4.7 遷移學習 020
參考文獻 022
第2章 卷積神經網絡在故障診斷中的應用 023
2.1 改進LeNet-5在故障診斷中的應用 023
2.1.1 改進LeNet-5網絡模型設計 023
2.1.2 仿真試驗及結果分析 024
2.1.3 噪聲環境下模型故障診斷準確率測試 030
2.1.4 與其他故障診斷方法進行對比 031
2.1.5 變轉速工況下改進LeNet-5的可用性研究 033
2.1.6 小結 035
2.2 卷積神經網絡在故障診斷中的應用 035
2.2.1 CNN故障診斷模型設計 035
2.2.2 仿真試驗及結果分析 037
2.2.3 小結 047
2.3 頻域集成卷積神經網絡在故障診斷中的應用 047
2.3.1 FECNN故障診斷模型 049
2.3.2 FECNN參數設計 051
2.3.3 仿真試驗及結果分析 053
2.3.4 小結 056
2.4 多模態集成卷積神經網絡的故障診斷 057
2.4.1 多模態融合技術的基本理論 057
2.4.2 MECNN的故障診斷模型設計 057
2.4.3 仿真試驗及結果分析 060
2.4.4 小結 065
2.5 一維大尺寸卷積神經網絡在故障診斷中的應用 065
2.5.1 一維大尺寸卷積神經網絡模型 066
2.5.2 仿真試驗及結果分析 069
2.5.3 模型噪聲測試試驗和分析 073
2.5.4 小結 076
2.6 基于角域重采樣下多尺度核卷積神經網絡故障診斷 077
2.6.1 角域重采樣下多尺度核卷積神經網絡模型 079
2.6.2 仿真試驗及結果分析 082
2.6.3 小結 087
參考文獻 088
第3章 殘差神經網絡在故障診斷中的應用 089
3.1 基于BN的RCNN故障診斷模型 089
3.1.1 RCNN模型結構 091
3.1.2 仿真試驗及結果分析 092
3.1.3 小結 096
3.2 基于GAP的LWRCNN故障診斷 096
3.2.1 LWRCNN 三種模型結構 097
3.2.2 基于 GAP 的 LWRCNN故障診斷流程 103
3.2.3 仿真試驗及結果分析 104
3.2.4 LWRCNN 模型的泛化能力分析 109
3.3 基于AdaBN-S-LWRCNN的故障診斷 111
3.3.1 基于 AdaBN 的 S-LWRCNN 模型結構 113
3.3.2 基于 AdaBN 的 S-LWRCNN 軸承故障診斷流程 114
3.3.3 噪聲環境下S-LWRCNN的故障診斷仿真試驗 115
3.3.4 變速環境下 S-LWRCNN 模型的軸承故障診斷仿真試驗 119
3.3.5 小結 121
參考文獻 121
第4章 孿生神經網絡在故障診斷中的應用研究 122
4.1 基于寬卷積核淺層卷積孿生網絡的故障診斷 122
4.1.1 寬卷積核淺層卷積孿生網絡模型 122
4.1.2 數據稀缺條件下的仿真試驗 124
4.1.3 小結 134
4.2 基于全局平均池化卷積孿生網絡的故障診斷 134
4.2.1 全局平均池化算法 135
4.2.2 全局平均池化的卷積孿生網絡故障診斷模型 136
4.2.3 參數設計 136
4.2.4 仿真試驗 138
4.2.5 仿真試驗結果分析 139
4.2.6 仿真試驗結果可視化 145
4.2.7 小結 148
4.3 基于訓練干擾卷積孿生網絡的故障診斷 149
4.3.1 Dropout算法 149
4.3.2 TICSN故障診斷模型 150
4.3.3 參數設計 151
4.3.4 噪聲條件下的TICSN仿真試驗 152
4.3.5 仿真試驗結果分析 154
4.3.6 新故障類型下的故障診斷仿真試驗 155
4.3.7 新工況下的故障診斷仿真試驗 157
4.3.8 小結 160
4.4 基于小樣本的多尺度核孿生神經網絡的故障診斷 160
4.4.1 多尺度核孿生神經網絡模型 160
4.4.2 仿真試驗 162
4.4.3 試驗結果 163
4.4.4 模型對比試驗分析 165
4.4.5 小結 168
參考文獻 169
第5章 深度學習在壽命預測中的應用研究 170
5.1 CNNLSTM模型的剩余壽命預測 170
5.1.1 CNNLSTM模型結構 170
5.1.2 初始退化點確定 171
5.1.3 參數設計 173
5.1.4 仿真試驗 174
5.1.5 對比試驗 175
5.1.6 小結 176
5.2 基于貝葉斯神經網絡的高速軸軸承剩余壽命預測 176
5.2.1 貝葉斯長短時記憶神經網絡模型構建 176
5.2.2 不確定性量化的剩余壽命預測 177
5.2.3 對比試驗 178
5.3 基于遷移學習的跨域高速軸軸承剩余壽命預測 180
5.3.1 遷移學習模型構建 180
5.3.2 數據集分析 180
5.3.3 跨域和跨工況任務劃分 181
5.3.4 參數設置 182
5.3.5 跨域和跨工況仿真試驗 183
5.3.6 小結 185
5.4 雙向長短期記憶網絡在刀具剩余壽命預測中的應用 185
5.4.1 堆疊降噪自編碼器在刀具狀態識別中的應用 185
5.4.2 堆疊雙向長短期記憶網絡在磨損預測的應用 205
5.4.3 雙向長短期記憶網絡在刀具剩余壽命預測中的應用 210
5.4.4 小結 215
參考文獻 215
展開全部
深度學習算法應用:故障診斷與壽命預測 作者簡介
姜廣君，內蒙古工業大學，教授，機械工程學院科研副院長。多年從事可靠性工程建模與優化研究工作，獲得國家自然基金2項，省部級項目多項，發表高水平論文40多篇。
書友推薦
- >
山海經
- >
中國歷史的瞬間
- >
朝聞道
- >
史學評論
- >
我從未如此眷戀人間
- >
名家帶你讀魯迅:朝花夕拾
- >
李白與唐代文化
- >
苦雨齋序跋文-周作人自編集
本類暢銷
