檢視基于深度学习的机械故障诊断研究的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://www0.kfzimg.com/sw/kfz-cos/kfzimg/dbbbffbe/e164c7631784d7d7_s.jpg width="260"></center>
<small>[https://book.kongfz.com/100583/7546672530 来自 孔夫子网 的图片]</small>
|}

《'''基于深度学习的机械故障诊断研究'''》，王翠香，邵星，皋军 著，出版社： 江苏大学出版社。

[[书籍]]对于人类原有很重大的意义，但，书籍不仅对那些不会读书的人是毫无用处，就是对那些机械地读完了书还不会从死的文字中引申活的思想<ref>[https://www.docin.com/p-581834483.html 思想指导人生]，豆丁网，2013-01-15</ref>的人也是无用的。 —— [[乌申斯基]]<ref>[http://www.offcn.com/jiaoshi/2021/0919/479055.html 乌申斯基的教育思想]，中公教育，2021-09-19</ref>

==内容简介==

机械故障是影响机械正常运转的关键原因之一，会引起生产安全事故，甚至导致生命财产损失。近年来，物联网技术的发展，能够对机械运转进行长时间运转进行精确监测，为机械故障分析准备了足够的机械运行数据。深度学习作为一种机器学习算法，基于人工神经网络和反向传播算法构建深层学习模型，适合于大样本数据的分析与诊断，在图像识别、自然语言处理等领域取得了较好进展。本书基于深度学习技术，从[[数据]]预处理、深度模型构建与分析、轴承寿命预测、轴承故障诊断等方向开展研究，为机械健康监测与正常运转提供有力支撑。

==目录==

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于传统信号分析的故障诊断方法

1.2.2 基于机器学习的故障诊断方法

1.2.3 基于深度学习的故障诊断方法

2 滚动轴承、数据集与常用模型

2.1 滚动轴承分析

2.1.1 滚动[[轴承]]结构分析

2.1.2 滚动轴承故障类型介绍

2.1.3 滚动轴承故障信号特点

2.2 滚动轴承数据集

2.2.1 凯斯西储大学数据集

2.2.2 江南大学数据集

2.2.3 帕德博恩大学数据集

2.3 轴承故障诊断常用模型

2.3.1 信号分析方法

2.3.2 卷积神经网络

2.4 本章小结

3 卷积级联森林滚动轴承故障诊断方法

3.1 引言

3.2 理论介绍与分析

3.2.1 卷积神经网络

3.2.2 CART决策树

3.2.3 随机森林

3.2.4 深度森林

3.3 卷积级联森林滚动轴承故障诊断模型

3.3.1 数据预处理

3.3.2 卷积级联森林模型

3.4 基于CWRU 数据集的实验验证

3.4.1 实验描述

3.4.2 不同工况对模型的影响

3.4.3 维度转换对模型的影响

3.4.4 噪声环境对模型的影响

3.5 基于JNU数据集的实验验证

3.5.1 实验描述

3.5.2 不同工况对模型的影响

3.5.3 维度转换对模型的影响

3.6 本章小结

4 基于双通道CNN与SSA-SVM的滚动轴承故障诊断方法

4.1 引言

4.2 理论介绍与分析

4.2.1 双通道CNN

4.2.2 支持向量机

4.2.3 麻雀搜索算法

4.3 基于双通道CNN与SSA-SVM的诊断模型

4.3.1 故障诊断模型构建

4.3.2 故障诊断方法的流程及其优化

4.4 实验验证

4.4.1 实验数据描述

4.4.2 相关参数设置

4.4.3 双通道CNN 的训练

4.4.4 t-SNE 可视化分析

4.4.5 实验结果与对比分析

4.5 本章小结

5 基于CGAN-IDF的小样本故障诊断方法

5.1 引言

5.2 理论介绍与分析

5.2.1 生成对抗网络

5.2.2 条件生成对抗网络

5.2.3 LightGBM

5.3 基于 CGAN-IDF的诊断模型

5.3.1 数据预处理

5.3.2 CGAN-IDF模型细节

5.3.3 样本生成流程

5.3.4 模型诊断流程

5.4 实验验证

5.4.1 实验描述

5.4.2 时序和灰度图生成样本对比

5.4.3 增强样本和初始小样本对比

5.4.4 CGAN-IDF和基础模型对比

5.5 本章小结

6 基于深度学习的时频双通道滚动轴承故障诊断方法

6.1 引言

6.2 理论介绍与分析

6.2.1 快速傅里叶变换

6.2.2 小波变换

6.3 小波时频处理的双通道故障诊断模型

6.3.1 故障诊断模型构建

6.3.2 故障诊断方法的流程

6.4 实验验证

6.4.1 实验数据描述

6.4.2 t-SNE 可视化分析

6.4.3 实验结果与对比分析

6.4.4 与其他实验结果对比

6.5 本章小结

7 基于 AMCNN-BiGRU的滚动轴承故障诊断方法

7.1 引言

7.2 注意力机制

7.3 AMCNN-BiGRU模型结构及原理

7.4 实验设置

7.4.1 实验数据集

7.4.2 主要参数设置

7.5 基于CWRU 数据集的实验验证

7.5.1 模型性能

7.5.2 噪声环境下的实验

7.6 基于JNU 数据集的实验验证

7.6.1 模型性能

7.6.2 不同工况下的实验

7.7 可视化及可解释性

7.8 本章小结

8 基于重叠下采样和多尺度卷积神经网络的轴承故障诊断方法

8.1 引言

8.2 卷积神经网络

8.2.1 卷积层

8.2.2 池化层

8.2.3 全连接层

8.3 多尺度卷积神经网络模型结构及原理

8.4 实验设置

8.4.1 实验环境

8.4.2 重叠下采样

8.4.3 实验数据集

8.4.4 主要参数设置

8.4.5 故障诊断方法的流程

8.5 基于CWRU 数据集的实验验证

8.5.1 模型性能

8.5.2 重叠下采样的实验

8.5.3 不同工况下的实验

8.6 基于JNU 数据集的实验验证

8.6.1 模型性能

8.6.2 重叠下采样的实验

8.6.3 不同工况下的实验

8.7 本章小结

9 无监督领域自适应轴承故障诊断方法

9.1 引 言

9.2 无监督领域自适应轴承故障诊断模型

9.2.1 信号预处理模块

9.2.2 模型预训练模块

9.2.3 领域自适应迁移模块

9.3 基于CWRU 数据集的实验验证

9.3.1 直接迁移和自适应迁移对比

9.3.2 不同迁移方法对比

9.3.3 超参数对迁移结果的影响

9.3.4 迭代次数对迁移结果的影响

9.3.5 结果可视化分析

9.4 基于 PU 数据集的实验验证

9.4.1 迁移效果对比

9.4.2 不同迁移方法对比

9.4.3 结果可视化分析

9.5 本章小结

10 基于优选域差异的无监督领域自适应轴承故障诊断方法

10.1 引言

10.2 基于优选域差异的无监督领域自适应轴承故障诊断模型

10.3 实验验证

10.3.1 直接迁移和自适应迁移对比

10.3.2

==参考文献==
[[Category:040 類書總論；百科全書總論]]