深度學習算法應用：故障診斷與壽命預測

第1章 緒論
1.1 深度學習基本概念
1.2 故障診斷的重要性
1.3 壽命預測的重要性
1.4 深度學習基本理論方法
1.4.1 經典LeNet-5網絡模型
1.4.2 卷積神經網絡
1.4.3 殘差神經網絡
1.4.4 孿生神經網絡
1.4.5 長短時記憶神經網絡（LSTM）
1.4.6 貝葉斯神經網絡
1.4.7 遷移學習
參考文獻

第2章 卷積神經網絡在故障診斷中的應用
2.1 改進LeNet-5在故障診斷中的應用
2.1.1 改進LeNet-5網絡模型設計
2.1.2 仿真試驗及結果分析
2.1.3 噪聲環境下模型故障診斷準確率測試
2.1.4 與其他故障診斷方法進行對比
2.1.5 變轉速工況下改進LeNet-5的可用性研究
2.1.6 小結
2.2 卷積神經網絡在故障診斷中的應用
2.2.1 CNN故障診斷模型設計
2.2.2 仿真試驗及結果分析
2.2.3 小結
2.3 頻域集成卷積神經網絡在故障診斷中的應用
2.3.1 FECNN故障診斷模型
2.3.2 FECNN參數設計
2.3.3 仿真試驗及結果分析
2.3.4 小結
2.4 多模態集成卷積神經網絡的故障診斷
2.4.1 多模態融合技術的基本理論
2.4.2 MECNN的故障診斷模型設計
2.4.3 仿真試驗及結果分析
2.4.4 小結
2.5 一維大尺寸卷積神經網絡在故障診斷中的應用
2.5.1 一維大尺寸卷積神經網絡模型
2.5.2 仿真試驗及結果分析
2.5.3 模型噪聲測試試驗和分析
2.5.4 小結
2.6 基於角域重採樣下多尺度核卷積神經網絡故障診斷
2.6.1 角域重採樣下多尺度核卷積神經網絡模型
2.6.2 仿真試驗及結果分析
2.6.3 小結
參考文獻

第3章 殘差神經網絡在故障診斷中的應用
3.1 基於BN的RCNN故障診斷模型
3.1.1 RCNN模型結構
3.1.2 仿真試驗及結果分析
3.1.3 小結
3.2 基於GAP的LWRCNN故障診斷
3.2.1 LWRCNN 三種模型結構
3.2.2 基於 GAP 的 LWRCNN故障診斷流程
3.2.3 仿真試驗及結果分析
3.2.4 LWRCNN 模型的泛化能力分析
3.3 基於AdaBN-S-LWRCNN的故障診斷
3.3.1 基於 AdaBN 的 S-LWRCNN 模型結構
3.3.2 基於 AdaBN 的 S-LWRCNN 軸承故障診斷流程
3.3.3 噪聲環境下S-LWRCNN的故障診斷仿真試驗
3.3.4 變速環境下 S-LWRCNN 模型的軸承故障診斷仿真試驗
3.3.5 小結
參考文獻

第4章 孿生神經網絡在故障診斷中的應用研究
4.1 基於寬卷積核淺層卷積孿生網絡的故障診斷
4.1.1 寬卷積核淺層卷積孿生網絡模型
4.1.2 數據稀缺條件下的仿真試驗
4.1.3 小結
4.2 基於全域平均池化卷積孿生網絡的故障診斷
4.2.1 全域平均池化算法
4.2.2 全域平均池化的卷積孿生網絡故障診斷模型
4.2.3 參數設計
4.2.4 仿真試驗
4.2.5 仿真試驗結果分析
4.2.6 仿真試驗結果可視化
4.2.7 小結
4.3 基於訓練干擾卷積孿生網絡的故障診斷
4.3.1 Dropout算法
4.3.2 TICSN故障診斷模型
4.3.3 參數設計
4.3.4 噪聲條件下的TICSN仿真試驗
4.3.5 仿真試驗結果分析
4.3.6 新故障類型下的故障診斷仿真試驗
4.3.7 新工況下的故障診斷仿真試驗
4.3.8 小結
4.4 基於小樣本的多尺度核孿生神經網絡的故障診斷
4.4.1 多尺度核孿生神經網絡模型
4.4.2 仿真試驗
4.4.3 試驗結果
4.4.4 模型對比試驗分析
4.4.5 小結
參考文獻

第5章 深度學習在壽命預測中的應用研究
5.1 CNNLSTM模型的剩餘壽命預測
5.1.1 CNNLSTM模型結構
5.1.2 初始退化點確定
5.1.3 參數設計
5.1.4 仿真試驗
5.1.5 對比試驗
5.1.6 小結
5.2 基於貝葉斯神經網絡的高速軸軸承剩餘壽命預測
5.2.1 貝葉斯長短時記憶神經網絡模型構建
5.2.2 不確定性量化的剩餘壽命預測
5.2.3 對比試驗
5.3 基於遷移學習的跨域高速軸軸承剩餘壽命預測
5.3.1 遷移學習模型構建
5.3.2 數據集分析
5.3.3 跨域和跨工況任務劃分
5.3.4 參數設置
5.3.5 跨域和跨工況仿真試驗
5.3.6 小結
5.4 雙向長短期記憶網絡在刀具剩餘壽命預測中的應用
5.4.1 堆疊降噪自編碼器在刀具狀態識別中的應用
5.4.2 堆疊雙向長短期記憶網絡在磨損預測的應用
5.4.3 雙向長短期記憶網絡在刀具剩餘壽命預測中的應用
5.4.4 小結
參考文獻