深度學習在復雜系統健康監測中的應用

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
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