包邮深度学习算法应用:故障诊断与寿命预测

第1章  绪论 001 1.1  深度学习基本概念 001 1.2  故障诊断的重要性 002 1.3  寿命预测的重要性 003 1.4  深度学习基本理论方法 004 1.4.1  经典LeNet-5网络模型 004 1.4.2  卷积神经网络 005 1.4.3  残差神经网络 012 1.4.4  孪生神经网络 012 1.4.5  长短时记忆神经网络（LSTM） 017 1.4.6  贝叶斯神经网络 018 1.4.7  迁移学习 020 参考文献 022 第2章  卷积神经网络在故障诊断中的应用 023 2.1  改进LeNet-5在故障诊断中的应用 023 2.1.1  改进LeNet-5网络模型设计 023 2.1.2  仿真试验及结果分析 024 2.1.3  噪声环境下模型故障诊断准确率测试 030 2.1.4  与其他故障诊断方法进行对比 031 2.1.5  变转速工况下改进LeNet-5的可用性研究 033 2.1.6  小结 035 2.2  卷积神经网络在故障诊断中的应用 035 2.2.1  CNN故障诊断模型设计 035 2.2.2  仿真试验及结果分析 037 2.2.3  小结 047 2.3  频域集成卷积神经网络在故障诊断中的应用 047 2.3.1  FECNN故障诊断模型 049 2.3.2  FECNN参数设计 051 2.3.3  仿真试验及结果分析 053 2.3.4  小结 056 2.4  多模态集成卷积神经网络的故障诊断 057 2.4.1  多模态融合技术的基本理论 057 2.4.2  MECNN的故障诊断模型设计 057 2.4.3  仿真试验及结果分析 060 2.4.4  小结 065 2.5  一维大尺寸卷积神经网络在故障诊断中的应用 065 2.5.1  一维大尺寸卷积神经网络模型 066 2.5.2  仿真试验及结果分析 069 2.5.3  模型噪声测试试验和分析 073 2.5.4  小结 076 2.6  基于角域重采样下多尺度核卷积神经网络故障诊断 077 2.6.1  角域重采样下多尺度核卷积神经网络模型 079 2.6.2  仿真试验及结果分析 082 2.6.3  小结 087 参考文献 088 第3章  残差神经网络在故障诊断中的应用 089 3.1  基于BN的RCNN故障诊断模型 089 3.1.1  RCNN模型结构 091 3.1.2  仿真试验及结果分析 092 3.1.3  小结 096 3.2  基于GAP的LWRCNN故障诊断 096 3.2.1  LWRCNN 三种模型结构 097 3.2.2  基于 GAP 的 LWRCNN故障诊断流程 103 3.2.3  仿真试验及结果分析 104 3.2.4  LWRCNN 模型的泛化能力分析 109 3.3  基于AdaBN-S-LWRCNN的故障诊断 111 3.3.1  基于 AdaBN 的 S-LWRCNN 模型结构 113 3.3.2  基于 AdaBN 的 S-LWRCNN 轴承故障诊断流程 114 3.3.3  噪声环境下S-LWRCNN的故障诊断仿真试验 115 3.3.4  变速环境下 S-LWRCNN 模型的轴承故障诊断仿真试验 119 3.3.5  小结 121 参考文献 121 第4章  孪生神经网络在故障诊断中的应用研究 122 4.1  基于宽卷积核浅层卷积孪生网络的故障诊断 122 4.1.1  宽卷积核浅层卷积孪生网络模型 122 4.1.2  数据稀缺条件下的仿真试验 124 4.1.3  小结 134 4.2  基于全局平均池化卷积孪生网络的故障诊断 134 4.2.1  全局平均池化算法 135 4.2.2  全局平均池化的卷积孪生网络故障诊断模型 136 4.2.3  参数设计 136 4.2.4  仿真试验 138 4.2.5  仿真试验结果分析 139 4.2.6  仿真试验结果可视化 145 4.2.7  小结 148 4.3  基于训练干扰卷积孪生网络的故障诊断 149 4.3.1  Dropout算法 149 4.3.2  TICSN故障诊断模型 150 4.3.3  参数设计 151 4.3.4  噪声条件下的TICSN仿真试验 152 4.3.5  仿真试验结果分析 154 4.3.6  新故障类型下的故障诊断仿真试验 155 4.3.7  新工况下的故障诊断仿真试验 157 4.3.8  小结 160 4.4  基于小样本的多尺度核孪生神经网络的故障诊断 160 4.4.1  多尺度核孪生神经网络模型 160 4.4.2  仿真试验 162 4.4.3  试验结果 163 4.4.4  模型对比试验分析 165 4.4.5  小结 168 参考文献 169 第5章  深度学习在寿命预测中的应用研究 170 5.1  CNNLSTM模型的剩余寿命预测 170 5.1.1  CNNLSTM模型结构 170 5.1.2  初始退化点确定 171 5.1.3  参数设计 173 5.1.4  仿真试验 174 5.1.5  对比试验 175 5.1.6  小结 176 5.2  基于贝叶斯神经网络的高速轴轴承剩余寿命预测 176 5.2.1  贝叶斯长短时记忆神经网络模型构建 176 5.2.2  不确定性量化的剩余寿命预测 177 5.2.3  对比试验 178 5.3  基于迁移学习的跨域高速轴轴承剩余寿命预测 180 5.3.1  迁移学习模型构建 180 5.3.2  数据集分析 180 5.3.3  跨域和跨工况任务划分 181 5.3.4  参数设置 182 5.3.5  跨域和跨工况仿真试验 183 5.3.6  小结 185 5.4  双向长短期记忆网络在刀具剩余寿命预测中的应用 185 5.4.1  堆叠降噪自编码器在刀具状态识别中的应用 185 5.4.2  堆叠双向长短期记忆网络在磨损预测的应用 205 5.4.3  双向长短期记忆网络在刀具剩余寿命预测中的应用 210 5.4.4  小结 215 参考文献 215