数据驱动的工业人工智能:建模方法与应用

序 前言 第1章新一代人工智能与智能制造 11新一代人工智能发展背景 12智能制造的新发展 13数据驱动的工业人工智能 第2章基础理论知识 21工业AI模型应用流程概述 22常用深度学习技术 221卷积神经网络 222循环神经网络 223自动编码器 224受限玻尔兹曼机 225基于注意力机制的神经网络 226图神经网络 第3章工业时间序列信息表征建模方法 31概述 32工业时序多通道信息表征建模方法 321多通道时序注意力网络 322工业时序高精度预测方法 33工业时序多尺度信息表征建模方法 331多尺度密集门控循环单元网络 332基于MDGRU网络的分析流程 34工业时序多层级时频域信息表征建模方法 341多层级小波分解网络 342基于多层级小波分解的时间序列外部回归网络 35工业时序多层次信息表征建模方法 351多层次信息表征网络 352基于Auto-CNN-LSTM网络的分析流程 36工业时序时空耦合信息表征建模方法 361时空耦合信息网络整体结构 362时空耦合信息表征网络 37典型应用案例 371基于MCTAN的飞机发动机剩余使用寿命预测 372基于Auto-CNN-LSTM的锂电池剩余使用寿命预测 第4章工业低质数据增强表征建模方法 41概述 42无标签数据增强表征建模方法 421基于半监督并行DeepFM的无标签数据预测方法 422基于小波数据增强的无标签数据预测方法 43非均衡数据增强表征建模方法 431工业数据隐式扩充方法 432面向非均衡工业数据的标签解构多输入智能处理架构 44缺失数据增强表征建模方法 441面向低质数据的缺失特征自动补全方法 442基于两阶段预训练的缺失特征表征方法 45典型应用案例 451基于SS-PDeepFM的泡沫浮选产品质量预测(无标签) 452基于LM-CNN的轴承故障诊断(不平衡、零样本) 第5章工业多源异质数据深层融合建模方法 51概述 52工业异质关联数据融合建模方法 521基于深度-宽度-序列(WDS)网络架构的工业数据异质特征融合范式 522基于注意力机制的工业多特征融合表征建模方法 53工业多源高维度数据融合建模方法 531张量及其操作 532针对