本书结合轴承振动信号的固有特性，弥补传统智能诊断方法的不足，以深度学习、迁移学习、流形学习等人工智能技术为核心，面向海量轴承振动监测信号，提出一种新的智能诊断研究框架，主要围绕“监测信号标注困难”“工况交替多变”和“噪声干扰”等的不同应用需求，着重从深度聚类框架设计、跨域故障诊断模型构建、目标函数构造、度量函数设计、中心判别损失正则项设计，以及相关对齐时目标熵最小性质证明等几个方面展开研究，探索最大程度避免人工参与且具有较强领域自适应能力的智能诊断解决方案。
本书适合制造业的研究人员和工程技术人员参考阅读，也适合作为高等学校计算机、人工智能、智能制造等专业的研究生教学用书。
- 前辅文
- 第1章 绪论
- 1.1 选题背景及意义
- 1.2 轴承故障智能诊断方法研究现状
- 1.2.1 基于浅层模型的轴承故障智能诊断
- 1.2.2 基于深度学习的轴承故障智能诊断
- 1.2.3 基于深度领域自适应的轴承故障诊断
- 1.2.4 基于深度聚类的故障模式识别
- 1.3 存在的问题和研究难点
- 1.4 本书主要研究内容
- 1.5 本书结构
- 第2章 轴承故障诊断的智能化
- 2.1 轴承故障诊断基础理论
- 2.1.1 轴承结构及故障类型
- 2.1.2 轴承振动机理
- 2.1.3 轴承故障诊断技术
- 2.2 智能化轴承故障诊断
- 2.2.1 轴承故障诊断描述
- 2.2.2 智能化轴承故障诊断
- 2.2.3 以深度学习为基础的轴承故障智能诊断可行性分析
- 2.2.4 迁移学习用于轴承故障分类的可行性分析
- 2.3 轴承故障智能诊断框架总体研究
- 2.3.1 智能诊断关键技术研究思路
- 2.3.2 轴承故障智能诊断框架
- 2.3.3 轴承故障智能诊断实施方案
- 2.4 本章小结
- 第3章 基于自编码嵌入局部流形学习的深度聚类故障识别方法
- 3.1 引言
- 3.2 基于自编码嵌入局部流形学习的深度聚类故障识别方法
- 3.2.1 问题描述
- 3.2.2 模型框架
- 3.2.3 方法实现
- 3.3 实验结果与分析
- 3.3.1 数据设置细节
- 3.3.2 评价指标
- 3.3.3 实验结果
- 3.3.4 参数敏感性
- 3.3.5 诊断结果可视化分析
- 3.4 本章小结
- 第4章 基于一维卷积神经网络的单工况故障诊断方法
- 4.1 引言
- 4.2 基于一维卷积神经网络的故障诊断方法
- 4.2.1 问题描述
- 4.2.2 轴承故障诊断一维卷积神经网络结构
- 4.2.3 第一层宽核的一维卷积神经网络故障诊断模型框架
- 4.2.4 基于小卷积核的一维卷积神经网络故障诊断模型框架
- 4.2.5 算法流程图
- 4.3 实验结果与分析
- 4.3.1 西储大学轴承数据集
- 4.3.2 两种1DCNN实验结果
- 4.3.3 1DCNN方法鲁棒性验证
- 4.3.4 1DCNN诊断结果可视化分析
- 4.4 本章小结
- 第5章 基于无监督深度域自适应的变工况端到端故障诊断方法
- 5.1 引言
- 5.2 基于log-Euclidean度量相关对齐的跨域故障诊断方法
- 5.2.1 问题描述
- 5.2.2 模型损失函数
- 5.2.3 log-Euclidean度量相关对齐时目标熵最小
- 5.2.4 模型框架
- 5.2.5 算法流程图
- 5.3 实验结果与分析
- 5.3.1 西储大学轴承数据集实验
- 5.3.2 帕德博恩大学轴承数据集实验
- 5.4 本章小结
- 第6章 基于无监督深度域自适应的噪声干扰下变工况端到端故障诊断方法
- 6.1 引言
- 6.2 联合域对齐和判别特征学习的跨域故障诊断方法
- 6.2.1 问题描述
- 6.2.2 模型损失函数
- 6.2.3 模型框架
- 6.2.4 算法流程图
- 6.3 实验结果与分析
- 6.3.1 西储大学轴承数据集实验
- 6.3.2 帕德博恩大学轴承数据集实验
- 6.4 本章小结
- 第7章 结论
- 参考文献
