基於深度學習的機械故障診斷研究檢視原始碼討論檢視歷史
 |
《基於深度學習的機械故障診斷研究》，王翠香，邵星，皋軍 著，出版社： 江蘇大學出版社。
書籍對於人類原有很重大的意義，但，書籍不僅對那些不會讀書的人是毫無用處，就是對那些機械地讀完了書還不會從死的文字中引申活的思想[1]的人也是無用的。 —— 烏申斯基[2]
內容簡介
機械故障是影響機械正常運轉的關鍵原因之一，會引起生產安全事故，甚至導致生命財產損失。近年來，物聯網技術的發展，能夠對機械運轉進行長時間運轉進行精確監測，為機械故障分析準備了足夠的機械運行數據。深度學習作為一種機器學習算法，基於人工神經網絡和反向傳播算法構建深層學習模型，適合於大樣本數據的分析與診斷，在圖像識別、自然語言處理等領域取得了較好進展。本書基於深度學習技術，從數據預處理、深度模型構建與分析、軸承壽命預測、軸承故障診斷等方向開展研究，為機械健康監測與正常運轉提供有力支撐。
目錄
1 緒論
1.1 研究背景及意義
1.2 國內外研究現狀
1.2.1 基於傳統信號分析的故障診斷方法
1.2.2 基於機器學習的故障診斷方法
1.2.3 基於深度學習的故障診斷方法
2 滾動軸承、數據集與常用模型
2.1 滾動軸承分析
2.1.1 滾動軸承結構分析
2.1.2 滾動軸承故障類型介紹
2.1.3 滾動軸承故障信號特點
2.2 滾動軸承數據集
2.2.1 凱斯西儲大學數據集
2.2.2 江南大學數據集
2.2.3 帕德博恩大學數據集
2.3 軸承故障診斷常用模型
2.3.1 信號分析方法
2.3.2 卷積神經網絡
2.4 本章小結
3 卷積級聯森林滾動軸承故障診斷方法
3.1 引言
3.2 理論介紹與分析
3.2.1 卷積神經網絡
3.2.2 CART決策樹
3.2.3 隨機森林
3.2.4 深度森林
3.3 卷積級聯森林滾動軸承故障診斷模型
3.3.1 數據預處理
3.3.2 卷積級聯森林模型
3.4 基於CWRU 數據集的實驗驗證
3.4.1 實驗描述
3.4.2 不同工況對模型的影響
3.4.3 維度轉換對模型的影響
3.4.4 噪聲環境對模型的影響
3.5 基於JNU數據集的實驗驗證
3.5.1 實驗描述
3.5.2 不同工況對模型的影響
3.5.3 維度轉換對模型的影響
3.6 本章小結
4 基於雙通道CNN與SSA-SVM的滾動軸承故障診斷方法
4.1 引言
4.2 理論介紹與分析
4.2.1 雙通道CNN
4.2.2 支持向量機
4.2.3 麻雀搜索算法
4.3 基於雙通道CNN與SSA-SVM的診斷模型
4.3.1 故障診斷模型構建
4.3.2 故障診斷方法的流程及其優化
4.4 實驗驗證
4.4.1 實驗數據描述
4.4.2 相關參數設置
4.4.3 雙通道CNN 的訓練
4.4.4 t-SNE 可視化分析
4.4.5 實驗結果與對比分析
4.5 本章小結
5 基於CGAN-IDF的小樣本故障診斷方法
5.1 引言
5.2 理論介紹與分析
5.2.1 生成對抗網絡
5.2.2 條件生成對抗網絡
5.2.3 LightGBM
5.3 基於 CGAN-IDF的診斷模型
5.3.1 數據預處理
5.3.2 CGAN-IDF模型細節
5.3.3 樣本生成流程
5.3.4 模型診斷流程
5.4 實驗驗證
5.4.1 實驗描述
5.4.2 時序和灰度圖生成樣本對比
5.4.3 增強樣本和初始小樣本對比
5.4.4 CGAN-IDF和基礎模型對比
5.5 本章小結
6 基於深度學習的時頻雙通道滾動軸承故障診斷方法
6.1 引言
6.2 理論介紹與分析
6.2.1 快速傅里葉變換
6.2.2 小波變換
6.3 小波時頻處理的雙通道故障診斷模型
6.3.1 故障診斷模型構建
6.3.2 故障診斷方法的流程
6.4 實驗驗證
6.4.1 實驗數據描述
6.4.2 t-SNE 可視化分析
6.4.3 實驗結果與對比分析
6.4.4 與其他實驗結果對比
6.5 本章小結
7 基於 AMCNN-BiGRU的滾動軸承故障診斷方法
7.1 引言
7.2 注意力機制
7.3 AMCNN-BiGRU模型結構及原理
7.4 實驗設置
7.4.1 實驗數據集
7.4.2 主要參數設置
7.5 基於CWRU 數據集的實驗驗證
7.5.1 模型性能
7.5.2 噪聲環境下的實驗
7.6 基於JNU 數據集的實驗驗證
7.6.1 模型性能
7.6.2 不同工況下的實驗
7.7 可視化及可解釋性
7.8 本章小結
8 基於重疊下採樣和多尺度卷積神經網絡的軸承故障診斷方法
8.1 引言
8.2 卷積神經網絡
8.2.1 卷積層
8.2.2 池化層
8.2.3 全連接層
8.3 多尺度卷積神經網絡模型結構及原理
8.4 實驗設置
8.4.1 實驗環境
8.4.2 重疊下採樣
8.4.3 實驗數據集
8.4.4 主要參數設置
8.4.5 故障診斷方法的流程
8.5 基於CWRU 數據集的實驗驗證
8.5.1 模型性能
8.5.2 重疊下採樣的實驗
8.5.3 不同工況下的實驗
8.6 基於JNU 數據集的實驗驗證
8.6.1 模型性能
8.6.2 重疊下採樣的實驗
8.6.3 不同工況下的實驗
8.7 本章小結
9 無監督領域自適應軸承故障診斷方法
9.1 引 言
9.2 無監督領域自適應軸承故障診斷模型
9.2.1 信號預處理模塊
9.2.2 模型預訓練模塊
9.2.3 領域自適應遷移模塊
9.3 基於CWRU 數據集的實驗驗證
9.3.1 直接遷移和自適應遷移對比
9.3.2 不同遷移方法對比
9.3.3 超參數對遷移結果的影響
9.3.4 迭代次數對遷移結果的影響
9.3.5 結果可視化分析
9.4 基於 PU 數據集的實驗驗證
9.4.1 遷移效果對比
9.4.2 不同遷移方法對比
9.4.3 結果可視化分析
9.5 本章小結
10 基於優選域差異的無監督領域自適應軸承故障診斷方法
10.1 引言
10.2 基於優選域差異的無監督領域自適應軸承故障診斷模型
10.3 實驗驗證
10.3.1 直接遷移和自適應遷移對比
10.3.2