幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習演算法應用(故障診斷與壽命預測)

  • 作者：姜廣君|責編:韓霄翠
  • 出版社：化學工業
  • ISBN：9787122359230
  • 出版日期：2024/11/01
  • 裝幀：平裝
  • 頁數：216
人民幣：RMB 98 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要介紹了深度學習演算法的基本原理和常用模型，包括卷積神經網路（CNN）、殘差卷積神經網路（RCNN）、孿生神經網路（SNN）、生成對抗網路（GAN）等。深入探討了深度學習演算法在故障診斷領域的應用，針對機械設備中常見的軸承故障，介紹了一系列基於深度學習演算法的故障診斷模型，對故障特徵進行提取和識別，能夠實現對機械設備故障類型的準確分類和定位。在壽命預測方面，本書詳細介紹了基於深度學習演算法的剩餘壽命預測方法，並應用在軸承和刀具的剩餘壽命預測中。通過對這些模型的結構、特點和適用場景的詳細闡述，讀者可以全面了解深度學習演算法在故障診斷和壽命預測中的應用基礎。
    本書是一部具有學術價值和實踐指導意義的專著，是作者多年科研成果的結晶。本書可供高校機械工程、電腦科學及相關專業的研究人員使用，特別是對於從事機械設備故障診斷和壽命預測工作的工程師和研究人員來說，本書是一本極具參考價值的書籍，也適合對深度學習感興趣的科研人員和工程師參考。
作者介紹
姜廣君|責編:韓霄翠
目錄
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網路模型
    1.4.2  卷積神經網路
    1.4.3  殘差神經網路
    1.4.4  孿生神經網路
    1.4.5  長短時記憶神經網路（LSTM）
    1.4.6  貝葉斯神經網路
    1.4.7  遷移學習
參考文獻
第2章  卷積神經網路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網路模型設計
    2.1.2  模擬試驗及結果分析
    2.1.3  雜訊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  卷積神經網路在故障診斷中的應用
    2.2.1  CNN故障診斷模型設計
    2.2.2  模擬試驗及結果分析
    2.2.3  小結
  2.3  頻域集成卷積神經網路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  模擬試驗及結果分析
    2.3.4  小結
  2.4  多模態集成卷積神經網路的故障診斷
    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  模擬試驗及結果分析
    2.4.4  小結
  2.5  一維大尺寸卷積神經網路在故障診斷中的應用
    2.5.1  一維大尺寸卷積神經網路模型
    2.5.2  模擬試驗及結果分析
    2.5.3  模型雜訊測試試驗和分析
    2.5.4  小結
  2.6  基於角域重採樣下多尺度核卷積神經網路故障診斷
    2.6.1  角域重採樣下多尺度核卷積神經網路模型
    2.6.2  模擬試驗及結果分析
    2.6.3  小結
參考文獻
第3章  殘差神經網路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  模擬試驗及結果分析
    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  模擬試驗及結果分析
    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  雜訊環境下S-LWRCNN的故障診斷模擬試驗
    3.3.4  變速環境下 S-LWRCNN 模型的軸承故障診斷模擬試驗
    3.3.5  小結
參考文獻
第4章  孿生神經網路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路的故障診斷
    4.1.1  寬卷積核淺層卷積孿生網路模型
    4.1.2  數據稀缺條件下的模擬試驗
    4.1.3  小結
  4.2  基於全局平均池化卷積孿生網路的故障診斷
    4.2.1  全局平均池化演算法
    4.2.2  全局平均池化的卷積孿生網路故障診斷模型
    4.2.3  參數設計
    4.2.4  模擬試驗
    4.2.5  模擬試驗結果分析
    4.2.6  模擬試驗結果可視化
    4.2.7  小結
  4.3  基於訓練干擾卷積孿生網路的故障診斷
    4.3.1  Dropout演算法
    4.3.2  TICSN故障診斷模型
    4.3.3  參數設計
    4.3.4  雜訊條件下的TICSN模擬試驗
    4.3.5  模擬試驗結果分析
    4.3.6  新故障類型下的故障診斷模擬試驗
    4.3.7  新工況下的故障診斷模擬試驗
    4.3.8  小結
  4.4  基於小樣本的多尺度核孿生神經網路的故障診斷
    4.4.1  多尺度核孿生神經網路模型
    4.4.2  模擬試驗
    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  模擬試驗
    5.1.5  對比試驗
    5.1.6  小結
  5.2  基於貝葉斯神經網路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路模型構建
    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  跨域和跨工況模擬試驗
    5.3.6  小結
  5.4  雙向長短期記憶網路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路在磨損預測的應用
    5.4.3  雙向長短期記憶網路在刀具剩餘壽命預測中的應用
    5.4.4  小結
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032