書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
>
深度學(xué)習(xí)算法應(yīng)用:故障診斷與壽命預(yù)測(cè)

深度學(xué)習(xí)算法應(yīng)用:故障診斷與壽命預(yù)測(cè)

出版社：化學(xué)工業(yè)出版社出版時(shí)間：2025-01-01
開本： 其他 頁(yè)數(shù)： 216
中 圖 價(jià):¥77.4(7.9折) 定價(jià)  ¥98.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

深度學(xué)習(xí)算法應(yīng)用:故障診斷與壽命預(yù)測(cè) 版權(quán)信息

  • ISBN：9787122359230
  • 條形碼：9787122359230 ; 978-7-122-35923-0
  • 裝幀：平裝
  • 冊(cè)數(shù)：暫無(wú)
  • 重量：暫無(wú)
  • 所屬分類：

深度學(xué)習(xí)算法應(yīng)用:故障診斷與壽命預(yù)測(cè) 本書特色

1.本書是一部具有學(xué)術(shù)價(jià)值和實(shí)踐指導(dǎo)意義的專著，是作者多年科研成果的結(jié)晶。 2.系統(tǒng)介紹了卷積神經(jīng)網(wǎng)絡(luò)（CNN）、殘差卷積神經(jīng)網(wǎng)絡(luò)（RCNN）、孿生神經(jīng)網(wǎng)絡(luò)（SNN）、生成對(duì)抗網(wǎng)絡(luò)（GAN）基本原理，及其在軸承故障診斷和壽命預(yù)測(cè)方面的應(yīng)用。 3.通過對(duì)這些模型的結(jié)構(gòu)、特點(diǎn)和適用場(chǎng)景的詳細(xì)闡述，讀者可以全面了解深度學(xué)習(xí)算法在故障診斷和壽命預(yù)測(cè)中的應(yīng)用基礎(chǔ)。

深度學(xué)習(xí)算法應(yīng)用:故障診斷與壽命預(yù)測(cè) 內(nèi)容簡(jiǎn)介

本書主要介紹了深度學(xué)習(xí)算法的基本原理和常用模型，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、殘差卷積神經(jīng)網(wǎng)絡(luò)（RCNN）、孿生神經(jīng)網(wǎng)絡(luò)（SNN）、生成對(duì)抗網(wǎng)絡(luò)（GAN）等。深入探討了深度學(xué)習(xí)算法在故障診斷領(lǐng)域的應(yīng)用，針對(duì)機(jī)械設(shè)備中常見的軸承故障，介紹了一系列基于深度學(xué)習(xí)算法的故障診斷模型，對(duì)故障特征進(jìn)行提取和識(shí)別，能夠?qū)崿F(xiàn)對(duì)機(jī)械設(shè)備故障類型的準(zhǔn)確分類和定位。在壽命預(yù)測(cè)方面，本書詳細(xì)介紹了基于深度學(xué)習(xí)算法的剩余壽命預(yù)測(cè)方法，并應(yīng)用在軸承和刀具的剩余壽命預(yù)測(cè)中。通過對(duì)這些模型的結(jié)構(gòu)、特點(diǎn)和適用場(chǎng)景的詳細(xì)闡述，讀者可以全面了解深度學(xué)習(xí)算法在故障診斷和壽命預(yù)測(cè)中的應(yīng)用基礎(chǔ)。 本書是一部具有學(xué)術(shù)價(jià)值和實(shí)踐指導(dǎo)意義的專著，是作者多年科研成果的結(jié)晶。本書可供高校機(jī)械工程、計(jì)算機(jī)科學(xué)及相關(guān)專業(yè)的研究人員使用，特別是對(duì)于從事機(jī)械設(shè)備故障診斷和壽命預(yù)測(cè)工作的工程師和研究人員來(lái)說，本書是一本極具參考價(jià)值的書籍，也適合對(duì)深度學(xué)習(xí)感興趣的科研人員和工程師參考。

深度學(xué)習(xí)算法應(yīng)用:故障診斷與壽命預(yù)測(cè) 目錄

第1章  緒論 001 1.1  深度學(xué)習(xí)基本概念 001 1.2  故障診斷的重要性 002 1.3  壽命預(yù)測(cè)的重要性 003 1.4  深度學(xué)習(xí)基本理論方法 004 1.4.1  經(jīng)典LeNet-5網(wǎng)絡(luò)模型 004 1.4.2  卷積神經(jīng)網(wǎng)絡(luò) 005 1.4.3  殘差神經(jīng)網(wǎng)絡(luò) 012 1.4.4  孿生神經(jīng)網(wǎng)絡(luò) 012 1.4.5  長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM） 017 1.4.6  貝葉斯神經(jīng)網(wǎng)絡(luò) 018 1.4.7  遷移學(xué)習(xí) 020 參考文獻(xiàn) 022 第2章  卷積神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 023 2.1  改進(jìn)LeNet-5在故障診斷中的應(yīng)用 023 2.1.1  改進(jìn)LeNet-5網(wǎng)絡(luò)模型設(shè)計(jì) 023 2.1.2  仿真試驗(yàn)及結(jié)果分析 024 2.1.3  噪聲環(huán)境下模型故障診斷準(zhǔn)確率測(cè)試 030 2.1.4  與其他故障診斷方法進(jìn)行對(duì)比 031 2.1.5  變轉(zhuǎn)速工況下改進(jìn)LeNet-5的可用性研究 033 2.1.6  小結(jié) 035 2.2  卷積神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 035 2.2.1  CNN故障診斷模型設(shè)計(jì) 035 2.2.2  仿真試驗(yàn)及結(jié)果分析 037 2.2.3  小結(jié) 047 2.3  頻域集成卷積神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 047 2.3.1  FECNN故障診斷模型 049 2.3.2  FECNN參數(shù)設(shè)計(jì) 051 2.3.3  仿真試驗(yàn)及結(jié)果分析 053 2.3.4  小結(jié) 056 2.4  多模態(tài)集成卷積神經(jīng)網(wǎng)絡(luò)的故障診斷 057 2.4.1  多模態(tài)融合技術(shù)的基本理論 057 2.4.2  MECNN的故障診斷模型設(shè)計(jì) 057 2.4.3  仿真試驗(yàn)及結(jié)果分析 060 2.4.4  小結(jié) 065 2.5  一維大尺寸卷積神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 065 2.5.1  一維大尺寸卷積神經(jīng)網(wǎng)絡(luò)模型 066 2.5.2  仿真試驗(yàn)及結(jié)果分析 069 2.5.3  模型噪聲測(cè)試試驗(yàn)和分析 073 2.5.4  小結(jié) 076 2.6  基于角域重采樣下多尺度核卷積神經(jīng)網(wǎng)絡(luò)故障診斷 077 2.6.1  角域重采樣下多尺度核卷積神經(jīng)網(wǎng)絡(luò)模型 079 2.6.2  仿真試驗(yàn)及結(jié)果分析 082 2.6.3  小結(jié) 087 參考文獻(xiàn) 088 第3章  殘差神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 089 3.1  基于BN的RCNN故障診斷模型 089 3.1.1  RCNN模型結(jié)構(gòu) 091 3.1.2  仿真試驗(yàn)及結(jié)果分析 092 3.1.3  小結(jié) 096 3.2  基于GAP的LWRCNN故障診斷 096 3.2.1  LWRCNN 三種模型結(jié)構(gòu) 097 3.2.2  基于 GAP 的 LWRCNN故障診斷流程 103 3.2.3  仿真試驗(yàn)及結(jié)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的故障診斷 111 3.3.1  基于 AdaBN 的 S-LWRCNN 模型結(jié)構(gòu) 113 3.3.2  基于 AdaBN 的 S-LWRCNN 軸承故障診斷流程 114 3.3.3  噪聲環(huán)境下S-LWRCNN的故障診斷仿真試驗(yàn) 115 3.3.4  變速環(huán)境下 S-LWRCNN 模型的軸承故障診斷仿真試驗(yàn) 119 3.3.5  小結(jié) 121 參考文獻(xiàn) 121 第4章  孿生神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用研究 122 4.1  基于寬卷積核淺層卷積孿生網(wǎng)絡(luò)的故障診斷 122 4.1.1  寬卷積核淺層卷積孿生網(wǎng)絡(luò)模型 122 4.1.2  數(shù)據(jù)稀缺條件下的仿真試驗(yàn) 124 4.1.3  小結(jié) 134 4.2  基于全局平均池化卷積孿生網(wǎng)絡(luò)的故障診斷 134 4.2.1  全局平均池化算法 135 4.2.2  全局平均池化的卷積孿生網(wǎng)絡(luò)故障診斷模型 136 4.2.3  參數(shù)設(shè)計(jì) 136 4.2.4  仿真試驗(yàn) 138 4.2.5  仿真試驗(yàn)結(jié)果分析 139 4.2.6  仿真試驗(yàn)結(jié)果可視化 145 4.2.7  小結(jié) 148 4.3  基于訓(xùn)練干擾卷積孿生網(wǎng)絡(luò)的故障診斷 149 4.3.1  Dropout算法 149 4.3.2  TICSN故障診斷模型 150 4.3.3  參數(shù)設(shè)計(jì) 151 4.3.4  噪聲條件下的TICSN仿真試驗(yàn) 152 4.3.5  仿真試驗(yàn)結(jié)果分析 154 4.3.6  新故障類型下的故障診斷仿真試驗(yàn) 155 4.3.7  新工況下的故障診斷仿真試驗(yàn) 157 4.3.8  小結(jié) 160 4.4  基于小樣本的多尺度核孿生神經(jīng)網(wǎng)絡(luò)的故障診斷 160 4.4.1  多尺度核孿生神經(jīng)網(wǎng)絡(luò)模型 160 4.4.2  仿真試驗(yàn) 162 4.4.3  試驗(yàn)結(jié)果 163 4.4.4  模型對(duì)比試驗(yàn)分析 165 4.4.5  小結(jié) 168 參考文獻(xiàn) 169 第5章  深度學(xué)習(xí)在壽命預(yù)測(cè)中的應(yīng)用研究 170 5.1  CNNLSTM模型的剩余壽命預(yù)測(cè) 170 5.1.1  CNNLSTM模型結(jié)構(gòu) 170 5.1.2  初始退化點(diǎn)確定 171 5.1.3  參數(shù)設(shè)計(jì) 173 5.1.4  仿真試驗(yàn) 174 5.1.5  對(duì)比試驗(yàn) 175 5.1.6  小結(jié) 176 5.2  基于貝葉斯神經(jīng)網(wǎng)絡(luò)的高速軸軸承剩余壽命預(yù)測(cè) 176 5.2.1  貝葉斯長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型構(gòu)建 176 5.2.2  不確定性量化的剩余壽命預(yù)測(cè) 177 5.2.3  對(duì)比試驗(yàn) 178 5.3  基于遷移學(xué)習(xí)的跨域高速軸軸承剩余壽命預(yù)測(cè) 180 5.3.1  遷移學(xué)習(xí)模型構(gòu)建 180 5.3.2  數(shù)據(jù)集分析 180 5.3.3  跨域和跨工況任務(wù)劃分 181 5.3.4  參數(shù)設(shè)置 182 5.3.5  跨域和跨工況仿真試驗(yàn) 183 5.3.6  小結(jié) 185 5.4  雙向長(zhǎng)短期記憶網(wǎng)絡(luò)在刀具剩余壽命預(yù)測(cè)中的應(yīng)用 185 5.4.1  堆疊降噪自編碼器在刀具狀態(tài)識(shí)別中的應(yīng)用 185 5.4.2  堆疊雙向長(zhǎng)短期記憶網(wǎng)絡(luò)在磨損預(yù)測(cè)的應(yīng)用 205 5.4.3  雙向長(zhǎng)短期記憶網(wǎng)絡(luò)在刀具剩余壽命預(yù)測(cè)中的應(yīng)用 210 5.4.4  小結(jié) 215 參考文獻(xiàn) 215
展開全部

深度學(xué)習(xí)算法應(yīng)用:故障診斷與壽命預(yù)測(cè) 作者簡(jiǎn)介

姜廣君，內(nèi)蒙古工業(yè)大學(xué)，教授，機(jī)械工程學(xué)院科研副院長(zhǎng)。多年從事可靠性工程建模與優(yōu)化研究工作，獲得國(guó)家自然基金2項(xiàng)，省部級(jí)項(xiàng)目多項(xiàng)，發(fā)表高水平論文40多篇。

商品評(píng)論(0條)
暫無(wú)評(píng)論……
書友推薦
返回頂部
中圖網(wǎng)
在線客服