深度學習在復雜系統健康監測中的應用
吳軍等
- 出版商: 科學出版
- 出版日期: 2023-11-01
- 定價: $648
- 售價: 7.0 折 $454
- 語言: 簡體中文
- 頁數: 191
- ISBN: 7030767993
- ISBN-13: 9787030767998
-
相關分類:
DeepLearning
立即出貨 (庫存 < 3)
中文年末書展｜繁簡參展書2書75折 詳見活動內容 »
-
75折
為你寫的 Vue Components：從原子到系統，一步步用設計思維打造面面俱到的元件實戰力 (iThome 鐵人賽系列書)$780$585 -
75折
BDD in Action, 2/e (中文版)$960$720 -
75折
看不見的戰場：社群、AI 與企業資安危機$750$563 -
79折
AI 精準提問 × 高效應用：DeepSeek、ChatGPT、Claude、Gemini、Copilot 一本搞定$390$308 -
7折
超實用！Word．Excel．PowerPoint 辦公室 Office 365 省時高手必備 50招, 4/e (暢銷回饋版)$420$294 -
75折
裂縫碎光：資安數位生存戰$550$412 -
日本當代最強插畫 2025 : 150位當代最強畫師豪華作品集$640$576 -
79折
Google BI 解決方案：Looker Studio × AI 數據驅動行銷實作，完美整合 Google Analytics 4、Google Ads、ChatGPT、Gemini$630$498 -
79折
超有料 Plus！職場第一實用的 AI 工作術 - 用對 AI 工具、自動化 Agent, 讓生產力全面進化！$599$473 -
75折
從零開始學 Visual C# 2022 程式設計, 4/e (暢銷回饋版)$690$518 -
75折
Windows 11 制霸攻略：圖解 AI 與 Copilot 應用，輕鬆搞懂新手必學的 Windows 技巧$640$480 -
75折
精準駕馭 Word！論文寫作絕非難事 (好評回饋版)$480$360 -
Sam Yang 的插畫藝術：用 Procreate / PS 畫出最強男友視角 x 女孩美好日常$699$629 -
79折
AI 加持！Google Sheets 超級工作流$599$473 -
78折
想要 SSR? 快使用 Nuxt 吧!：Nuxt 讓 Vue.js 更好處理 SEO 搜尋引擎最佳化（iThome鐵人賽系列書）$780$608 -
78折
超實用！業務．總管．人資的辦公室 WORD 365 省時高手必備 50招 (第二版)$500$390 -
7折
Node-RED + YOLO + ESP32-CAM：AIoT 智慧物聯網與邊緣 AI 專題實戰$680$476 -
79折
「生成式⇄AI」：52 個零程式互動體驗，打造新世代人工智慧素養$599$473 -
7折
Windows APT Warfare：惡意程式前線戰術指南, 3/e$720$504 -
75折
我輩程式人：回顧從 Ada 到 AI 這條程式路，程式人如何改變世界的歷史與未來展望 (We, Programmers: A Chronicle of Coders from Ada to AI)$850$637 -
75折
不用自己寫！用 GitHub Copilot 搞定 LLM 應用開發$600$450 -
79折
Tensorflow 接班王者：Google JAX 深度學習又快又強大 (好評回饋版)$780$616 -
79折
GPT4 會你也會 - 共融機器人的多模態互動式情感分析 (好評回饋版)$700$553 -
79折
技術士技能檢定 電腦軟體應用丙級術科解題教本｜Office 2021$460$363 -
75折
Notion 與 Notion AI 全能實戰手冊：生活、學習與職場的智慧策略 (暢銷回饋版)$560$420
相關主題
商品描述
為了深入實施製造強國戰略，我國正加速推動物聯網、大數據、人工智能、雲計算與製造業的深度融合，促進製造業向數字化、網絡化和智能化轉型升級。復雜系統健康監測是其中的關鍵環節之一。隨著數據積聚、算法革新與算力提升，以深度學習為代表的新一代人工智能技術不斷取得突破性發展，為復雜系統健康監測技術突破提供新的途徑。本書結合作者團隊的最新研究成果，論述復雜系統健康監測的內涵、技術體系、研究現狀和技術難點，總結捲積神經網絡、循環神經網絡、深度強化學習和深度遷移學習等深度學習的理論方法與框架，詳細介紹9種不同的深度學習模型在復雜系統健康監測中的應用，並結合具體的應用案例進行展示。
目錄大綱
目錄
前言
第1章 緒論 1
1.1 研究背景 1
1.2 深度學習簡介 3
1.2.1 深度學習的起源 3
1.2.2 深度學習的內涵 4
1.2.3 深度學習的研究現狀 4
1.2.4 深度學習的應用領域 7
1.3 復雜系統健康監測簡介 7
1.3.1 復雜系統健康監測的內涵 7
1.3.2 復雜系統健康監測的技術體系 8
1.3.3 復雜系統健康監測的研究現狀 10
1.3.4 復雜系統健康監測的技術難點 13
第2章 深度學習理論方法 15
2.1 人工神經網絡 15
2.1.1 人工神經網絡的內涵 15
2.1.2 人工神經網絡的基本原理 15
2.1.3 人工神經網絡的結構 16
2.2 深度學習模型 18
2.2.1 捲積神經網絡 18
2.2.2 循環神經網絡 19
2.2.3 深度強化學習 21
2.2.4 深度遷移學習 24
2.3 深度學習優化算法 25
2.3.1 梯度下降法 25
2.3.2 動量梯度下降法 27
2.3.3 AdaGrad 27
2.3.4 RMSProp 27
2.3.5 Adam 28
2.4 深度學習模型評價準則 29
2.4.1 分類任務 29
2.4.2 回歸任務 30
2.5 深度學習框架 31
2.5.1 TensorFlow 32
2.5.2 Keras 35
2.5.3 PyTorch 37
第3章 基於捲積神經網絡的損傷狀態識別 40
3.1 問題描述 40
3.2 捲積神經網絡模型及其擴展 41
3.2.1 經典CNN的結構 41
3.2.2 CNN結構的發展 43
3.2.3 不同結構的性能對比 48
3.3 基於捲積神經網絡的損傷狀態識別方法 50
3.4 案例分析 52
3.4.1 案例說明 52
3.4.2 數據集描述 54
3.4.3 監測數據預處理 55
3.4.4 時頻圖轉換與自動標簽 58
3.4.5 模型訓練與評估 60
3.4.6 損傷定位結果與討論 62
第4章 基於區域捲積神經網絡的健康狀態評估 64
4.1 問題描述 64
4.2 區域捲積神經網絡模型及其擴展 65
4.2.1 R-CNN 65
4.2.2 Fast R-CNN 65
4.2.3 Faster R-CNN 66
4.3 基於Faster R-CNN的健康狀態評估方法 68
4.3.1 基於Faster R-CNN的健康狀態評估流程 68
4.3.2 基於Keras的健康狀態評估算法實現 70
4.4 案例分析 72
4.4.1 案例說明 72
4.4.2 數據集描述 72
4.4.3 模型評價指標 73
4.4.4 模型訓練與評估 74
4.4.5 金屬板樣品的健康評估 75
第5章 基於多融合捲積神經網絡的故障診斷 77
5.1 問題描述 77
5.2 多融合捲積神經網絡概況 78
5.2.1 多融合捲積層 78
5.2.2 池化層 80
5.3 基於多融合捲積神經網絡的故障診斷方法 81
5.3.1 基於多融合捲積神經網絡的故障診斷流程 81
5.3.2 數據預處理 81
5.3.3 MFCC矩陣獲取 82
5.3.4 基於多融合捲積神經網絡的故障診斷 83
5.4 案例分析 84
5.4.1 案例說明和數據描述概述 84
5.4.2 模型訓練與評估 86
第6章 基於局部二值捲積神經網絡的復合故障診斷 91
6.1 問題描述 91
6.2 局部二值捲積神經網絡概況 91
6.2.1 局部二值模式 91
6.2.2 LBCNN 92
6.2.3 多標簽分類策略 94
6.3 基於LBCNN的復合故障診斷方法 95
6.3.1 復合故障診斷框架 95
6.3.2 信號小波變換 96
6.3.3 最優小波時頻圖選擇 98
6.3.4 LBCNN模型訓練與診斷 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 基於深度子域殘差自適應網絡的故障診斷 113
7.1 問題描述 113
7.2 深度子域殘差自適應網絡概況 114
7.2.1 殘差網絡 114
7.2.2 域自適應機制 117
7.2.3 深度子域殘差自適應網絡 120
7.3 基於深度子域殘差自適應網絡的故障診斷方法 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 基於深度類別增量學習的新生故障診斷 129
8.1 問題描述 129
8.2 深度類別增量學習概況 129
8.2.1 增量學習概述 129
8.2.2 深度類別增量學習網絡結構 131
8.3 基於深度類別增量學習的新生故障診斷方法 132
8.3.1 基於深度類別增量學習的復雜系統故障智能診斷流程 132
8.3.2 數據預處理 133
8.3.3 類別增量模型更新 134
8.3.4 案例樣本庫更新 134
8.4 案例分析 134
8.4.1 實驗數據預處理 135
8.4.2 實驗結果討論 135
第9章 基於深度強化學習的自適應故障診斷 141
9.1 問題描述 141
9.2 深度強化學習概況 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 基於確定性策略搜索的強化學習方法 144
9.2.6 TRPO 145
9.2.7 Capsule DDQN 148
9.3 基於Capsule DDQN的自適應故障診斷方法 148
9.3.1 Capsule DDQN關鍵技術 148
9.3.2 基於Capsule DDQN的故障診斷流程 150
9.4 案例分析 152
9.4.1 案例數據說明 152
9.4.2 模型訓練與評估 153
第10章 基於深度長短期記憶神經網絡的剩餘使用壽命預測 156
10.1 問題描述 156
10.2 深度長短期記憶神經網絡概況 157
10.2.1 循環神經網絡結構 157
10.2.2 長短期記憶神經網絡結構 158
10.2.3 深度長短期記憶神經網絡結構 159
10.3 基於深度長短期記憶神經網絡的剩餘使用壽命預測方法 160
10.3.1 基於DLSTM模型的RUL預測流程 160
10.3.2 多傳感器信號數據預處理 161
10.3.3 DLSTM模型訓練中的參數優化 162
10.4 案例分析 163
10.4.1 案例說明與數據集描述 163
10.4.2 數據預處理 166
10.4.3 模型優化與評估 169
10.4.4 剩餘使用壽命預測結果討論 170
第11章 基於多維度循環神經網絡的剩餘使用壽命預測 174
11.1 問題描述 174
11.2 多維度循環神經網絡概況 174
11.2.1 門控循環單元網絡結構 175
11.2.2 雙向循環神經網絡結構 175
11.2.3 多維度循環神經網絡結構 177
11.3 基於MDRNN的系統RUL預測方法 179
11.4 案例分析 181
參考文獻 186
前言
第1章 緒論 1
1.1 研究背景 1
1.2 深度學習簡介 3
1.2.1 深度學習的起源 3
1.2.2 深度學習的內涵 4
1.2.3 深度學習的研究現狀 4
1.2.4 深度學習的應用領域 7
1.3 復雜系統健康監測簡介 7
1.3.1 復雜系統健康監測的內涵 7
1.3.2 復雜系統健康監測的技術體系 8
1.3.3 復雜系統健康監測的研究現狀 10
1.3.4 復雜系統健康監測的技術難點 13
第2章 深度學習理論方法 15
2.1 人工神經網絡 15
2.1.1 人工神經網絡的內涵 15
2.1.2 人工神經網絡的基本原理 15
2.1.3 人工神經網絡的結構 16
2.2 深度學習模型 18
2.2.1 捲積神經網絡 18
2.2.2 循環神經網絡 19
2.2.3 深度強化學習 21
2.2.4 深度遷移學習 24
2.3 深度學習優化算法 25
2.3.1 梯度下降法 25
2.3.2 動量梯度下降法 27
2.3.3 AdaGrad 27
2.3.4 RMSProp 27
2.3.5 Adam 28
2.4 深度學習模型評價準則 29
2.4.1 分類任務 29
2.4.2 回歸任務 30
2.5 深度學習框架 31
2.5.1 TensorFlow 32
2.5.2 Keras 35
2.5.3 PyTorch 37
第3章 基於捲積神經網絡的損傷狀態識別 40
3.1 問題描述 40
3.2 捲積神經網絡模型及其擴展 41
3.2.1 經典CNN的結構 41
3.2.2 CNN結構的發展 43
3.2.3 不同結構的性能對比 48
3.3 基於捲積神經網絡的損傷狀態識別方法 50
3.4 案例分析 52
3.4.1 案例說明 52
3.4.2 數據集描述 54
3.4.3 監測數據預處理 55
3.4.4 時頻圖轉換與自動標簽 58
3.4.5 模型訓練與評估 60
3.4.6 損傷定位結果與討論 62
第4章 基於區域捲積神經網絡的健康狀態評估 64
4.1 問題描述 64
4.2 區域捲積神經網絡模型及其擴展 65
4.2.1 R-CNN 65
4.2.2 Fast R-CNN 65
4.2.3 Faster R-CNN 66
4.3 基於Faster R-CNN的健康狀態評估方法 68
4.3.1 基於Faster R-CNN的健康狀態評估流程 68
4.3.2 基於Keras的健康狀態評估算法實現 70
4.4 案例分析 72
4.4.1 案例說明 72
4.4.2 數據集描述 72
4.4.3 模型評價指標 73
4.4.4 模型訓練與評估 74
4.4.5 金屬板樣品的健康評估 75
第5章 基於多融合捲積神經網絡的故障診斷 77
5.1 問題描述 77
5.2 多融合捲積神經網絡概況 78
5.2.1 多融合捲積層 78
5.2.2 池化層 80
5.3 基於多融合捲積神經網絡的故障診斷方法 81
5.3.1 基於多融合捲積神經網絡的故障診斷流程 81
5.3.2 數據預處理 81
5.3.3 MFCC矩陣獲取 82
5.3.4 基於多融合捲積神經網絡的故障診斷 83
5.4 案例分析 84
5.4.1 案例說明和數據描述概述 84
5.4.2 模型訓練與評估 86
第6章 基於局部二值捲積神經網絡的復合故障診斷 91
6.1 問題描述 91
6.2 局部二值捲積神經網絡概況 91
6.2.1 局部二值模式 91
6.2.2 LBCNN 92
6.2.3 多標簽分類策略 94
6.3 基於LBCNN的復合故障診斷方法 95
6.3.1 復合故障診斷框架 95
6.3.2 信號小波變換 96
6.3.3 最優小波時頻圖選擇 98
6.3.4 LBCNN模型訓練與診斷 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 基於深度子域殘差自適應網絡的故障診斷 113
7.1 問題描述 113
7.2 深度子域殘差自適應網絡概況 114
7.2.1 殘差網絡 114
7.2.2 域自適應機制 117
7.2.3 深度子域殘差自適應網絡 120
7.3 基於深度子域殘差自適應網絡的故障診斷方法 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 基於深度類別增量學習的新生故障診斷 129
8.1 問題描述 129
8.2 深度類別增量學習概況 129
8.2.1 增量學習概述 129
8.2.2 深度類別增量學習網絡結構 131
8.3 基於深度類別增量學習的新生故障診斷方法 132
8.3.1 基於深度類別增量學習的復雜系統故障智能診斷流程 132
8.3.2 數據預處理 133
8.3.3 類別增量模型更新 134
8.3.4 案例樣本庫更新 134
8.4 案例分析 134
8.4.1 實驗數據預處理 135
8.4.2 實驗結果討論 135
第9章 基於深度強化學習的自適應故障診斷 141
9.1 問題描述 141
9.2 深度強化學習概況 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 基於確定性策略搜索的強化學習方法 144
9.2.6 TRPO 145
9.2.7 Capsule DDQN 148
9.3 基於Capsule DDQN的自適應故障診斷方法 148
9.3.1 Capsule DDQN關鍵技術 148
9.3.2 基於Capsule DDQN的故障診斷流程 150
9.4 案例分析 152
9.4.1 案例數據說明 152
9.4.2 模型訓練與評估 153
第10章 基於深度長短期記憶神經網絡的剩餘使用壽命預測 156
10.1 問題描述 156
10.2 深度長短期記憶神經網絡概況 157
10.2.1 循環神經網絡結構 157
10.2.2 長短期記憶神經網絡結構 158
10.2.3 深度長短期記憶神經網絡結構 159
10.3 基於深度長短期記憶神經網絡的剩餘使用壽命預測方法 160
10.3.1 基於DLSTM模型的RUL預測流程 160
10.3.2 多傳感器信號數據預處理 161
10.3.3 DLSTM模型訓練中的參數優化 162
10.4 案例分析 163
10.4.1 案例說明與數據集描述 163
10.4.2 數據預處理 166
10.4.3 模型優化與評估 169
10.4.4 剩餘使用壽命預測結果討論 170
第11章 基於多維度循環神經網絡的剩餘使用壽命預測 174
11.1 問題描述 174
11.2 多維度循環神經網絡概況 174
11.2.1 門控循環單元網絡結構 175
11.2.2 雙向循環神經網絡結構 175
11.2.3 多維度循環神經網絡結構 177
11.3 基於MDRNN的系統RUL預測方法 179
11.4 案例分析 181
參考文獻 186
