深度学习在复杂系统健康监测中的应用

前言 第1章 绪论 1.1 研究背景 1.2 深度学习简介 1.2.1 深度学习的起源 1.2.2 深度学习的内涵 1.2.3 深度学习的研究现状 1.2.4 深度学习的应用领域 1.3 复杂系统健康监测简介 1.3.1 复杂系统健康监测的内涵 1.3.2 复杂系统健康监测的技术体系 1.3.3 复杂系统健康监测的研究现状 1.3.4 复杂系统健康监测的技术难点 第2章 深度学习理论方法 2.1 人工神经网络 2.1.1 人工神经网络的内涵 2.1.2 人工神经网络的基本原理 2.1.3 人工神经网络的结构 2.2 深度学习模型 2.2.1 卷积神经网络 2.2.2 循环神经网络 2.2.3 深度强化学习 2.2.4 深度迁移学习 2.3 深度学习优化算法 2.3.1 梯度下降法 2.3.2 动量梯度下降法 2.3.3 AdaGrad 2.3.4 RMSProp 2.3.5 Adam 2.4 深度学习模型评价准则 2.4.1 分类任务 2.4.2 回归任务 2.5 深度学习框架 2.5.1 TensorFlow 2.5.2 Keras 2.5.3 PyTorch 第3章 基于卷积神经网络的损伤状态识别 3.1 问题描述 3.2 卷积神经网络模型及其扩展 3.2.1 经典CNN的结构 3.2.2 CNN结构的发展 3.2.3 不同结构的性能对比 3.3 基于卷积神经网络的损伤状态识别方法 3.4 案例分析 3.4.1 案例说明 3.4.2 数据集描述 3.4.3 监测数据预处理 3.4.4 时频图转换与自动标签 3.4.5 模型训练与评估 3.4.6 损伤定位结果与讨论 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 4.2.1 R-CNN 4.2.2 FastR-CNN 4.2.3 FasterR-CNN 4.3 基于FasterR-CNN的健康状态评估方法 4.3.1 基于FasterR-CNN的健康状态评估流程 4.3.2 基于Keras的健康状态评估算法实现 4.4 案例分析 4.4.1 案例说明 4.4.2 数据集描述 4.4.3 模型评价指标 4.4.4 模型训练与评估 4.4.5 金属板样品的健康评估 第5章 基于多融合卷积神经网络的故障诊断 5.1 问题描述 5.2 多融合卷积神经网络概况 5.2.1 多融合卷积层 5.2.2 池化层 5.3 基于多融合卷积神经网络的故障诊断方法 5.3.1 基于多融合卷积神经网络的故障诊断流程 5.3.2 数据预处理 5.3.3 MFCC矩阵获取 5.3.4 基于多融合卷积神经网络的故障诊断 5.4 案例分析 5.4.1 案例说明和数据描述概述 5.4.2 模型训练与评估 第6章 基于局部二值卷积神经网络的复合故障诊断 6.1 问题描述 6.2 局部二值卷积神经网络概况 6.2.1 局部二值模式 6.2.2 LBCNN 6.2.3 多标签分类策略 6.3 基于LBCNN的复合故障诊断方法 6.3.1 复合故障诊断框架 6.3.2 信号小波变换 6.3.3 小波时频图选择 6.3.4 LBCNN模型训练与诊断 6.4 案例分析 6.4.1 案例1 6.4.2 案例2 第7章 基于深度子域残差自适应网络的故障诊断 7.1 问题描述 7.2 深度子域残差自适应网络概况 7.2.1 残差网络 7.2.2 域自适应机制 7.2.3 深度子域残差自适应网络 7.3 基于深度子域残差自适应网络的故障诊断方法 7.4 案例分析 7.4.1 案例1 7.4.2 案例2 第8章 基于深度类别增量学习的新生故障诊断 8.1 问题描述 8.2 深度类别增量学习概况 8.2.1 增量学习概述 8.2.2 深度类别增量学习网络结构 8.3 基于深度类别增量学习的新生故障诊断方法 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 8.3.2 数据预处理 8.3.3 类别增量模型 新 8.3.4 案例样本库 新 8.4 案例分析 8.4.1 实验数据预处理 8.4.2 实验结果讨论 第9章 基于深度强化学习的自适应故障诊断 9.1 问题描述 9.2 深度强化学习概况 9.2.1 Q-learning 9.2.2 DQN 9.2.3 DuelingDQN 9.2.4 DoubleDQN 9.2.5 基于确定性策略搜索的强化学习方法 9.2.6 TRPO 9.2.7 CapsuleDDQN 9.3 基于CapsuleDDQN的自适应故障诊断方法 9.3.1 CapsuleDDQN关键技术 9.3.2 基于CapsuleDDQN的故障诊断流程 9.4 案例分析 9.4.1 案例数据说明 9.4.2 模型训练与评估 0章 基于深度长短期记忆神经网络的剩余使用寿命预测 10.1 问题描述 10.2 深度长短期记忆神经网络概况 10.2.1 循环神经网络结构 10.2.2 长短期记忆神经网络结构 10.2.3 深度长短期记忆神经网络结构 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 10.3.1 基于DLSTM模型的RUL预测流程 10.3.2 多传感器信号数据预处理 10.3.3 DLSTM