# 深度学习在复杂系统健康监测中的应用

> 金屋电子书图书详情的 Markdown 版本。

- 规范页面：https://pdfs.top/book/gw18o
- Markdown 版本：https://pdfs.top/book/gw18o.md
- 作者：吴军 等
- ISBN：9787030767998
- 出版社：科学出版社
- 出版日期：2023-11-01
- 语言：中文
- 分类：计算机、深度学习
- 评分：0
- 可用格式：PDF（125.27 MB，191 页）
- 更新时间：2026-08-23 17:08:30

## 下载方式

本站不在 Markdown 页面直接提供文件地址。请前往规范页面，点击对应格式的下载按钮完成下载。

### PDF

- 文件格式：PDF
- 文件大小：125.27 MB
- 页数：191 页
- 下载说明：请打开规范页面 https://pdfs.top/book/gw18o，点击 PDF 的下载按钮完成下载。


## 内容简介

《深度学习在复杂系统健康监测中的应用》由吴军编写，围绕深度学习在工业领域的落地应用展开。全书系统介绍复杂系统健康监测的理论基础与关键技术，包括数据采集、特征工程以及模型构建等核心环节。

为了深入实施制造强国战略，我国正加速推动物联网、太数据、人工智能、云计算与制造业的深度融合，促进制造业向数字化、网络化和智能化转型升级。复杂系统健康监测是其中的关键环节之一。随着数据积聚、算法革新与算力提升，以裸度学习为代表的新一代人工智能技术不断取得突破性发展，为复杂系统健康监测技术突破提供新的途径。本书结合作者团队的最新研究成果，论述复杂系统健康监测的内涵、技术体系、研究现状和技术难点，总结卷积神经网络、循环神经网络、深度强化学习和深度迁移学习等深度学习的理论方法与框架，详细介绍 9 种不同的深度学习模型在复杂系统健康监测中的应用，并结合具体的应用案例进行展示.

本书可作为高等院校机械工程、船舶与海佯工程、人工智能等相关专业本科生和研究生的参考书，也可供从事复杂系统/装备状态监测、故障预测与健康管理、预测性维护、智能运维等相关行业方向的科学研究与工程技术人员参考。

## 目录

- 前言（第 1 页）
- 第1章绪论（第 1 页）
  - 1.1研究背景（第 1 页）
  - 1.2深度学习简介（第 3 页）
    - 1.2.1深度学习的起源（第 3 页）
    - 1.2.2深度学习的内涵（第 4 页）
    - 1.2.3深度学习的研究现状（第 4 页）
    - 1.2.4深度学习的应用领域（第 7 页）
  - 1.3复杂系统健康监测简介（第 7 页）
    - 1.3.1复杂系统健康监测的内涵（第 7 页）
    - 1.3.2复杂系统健康监测的技术体系（第 8 页）
    - 1.3.3复杂系统健康监测的研究现状（第 10 页）
    - 1.3.4复杂系统健康监测的技术难点（第 13 页）
- 第2章深度学习理论方法（第 15 页）
  - 2.1人工神经网络（第 15 页）
    - 2.1.1人工神经网络的内涵（第 15 页）
    - 2.1.2人工神经网络的基本原理（第 15 页）
    - 2.1.3人工神经网络的结构（第 16 页）
  - 2.2深度学习模型（第 18 页）
    - 2.2.1卷积神经网络（第 18 页）
    - 2.2.2循环神经网络（第 19 页）
    - 2.2.3深度强化学习（第 21 页）
    - 2.2.4深度迁移学习（第 24 页）
  - 2.3深度学习优化算法（第 25 页）
    - 2.3.1梯度下降法（第 25 页）
    - 2.3.2动量梯度下降法（第 27 页）
    - 2.3.3AdaGrad（第 27 页）
    - 2.3.4RMSProp（第 27 页）
    - 2.3.5Adam（第 28 页）
  - 2.4深度学习模型评价准则（第 29 页）
    - 2.4.1分类任务（第 29 页）
    - 2.4.2回归任务（第 30 页）
  - 2.5深度学习框架（第 31 页）
    - 2.5.1TensorFlow（第 32 页）
    - 2.5.2Keras（第 35 页）
    - 2.5.3PyTorch（第 37 页）
- 第3章基于卷积神经网络的损伤状态识别（第 40 页）
  - 3.1问题描述（第 40 页）
  - 3.2卷积神经网络模型及其扩展（第 41 页）
    - 3.2.1经典CNN的结构（第 41 页）
    - 3.2.2CNN结构的发展（第 43 页）
    - 3.2.3不同结构的性能对比（第 48 页）
  - 3.3基于卷积神经网络的损伤状态识别方法（第 50 页）
  - 3.4案例分析（第 52 页）
    - 3.4.1案例说明（第 52 页）
    - 3.4.2数据集描述（第 54 页）
    - 3.4.3监测数据预处理（第 55 页）
    - 3.4.4时频图转换与自动标签（第 58 页）
    - 3.4.5模型训练与评估（第 60 页）
    - 3.4.6损伤定位结果与讨论（第 62 页）
- 第4章基于区域卷积神经网络的健康状态评估（第 64 页）
  - 4.1问题描述（第 64 页）
  - 4.2区域卷积神经网络模型及其扩展（第 65 页）
    - 4.2.1R-CNN（第 65 页）
    - 4.2.2Fast R-CNN（第 65 页）
    - 4.2.3Faster R-CNN（第 66 页）
  - 4.3基于Faster R-CNN的健康状态评估方法（第 68 页）
    - 4.3.1基于Faster R-CNN的健康状态评估流程（第 68 页）
    - 4.3.2基于Keras的健康状态评估算法实现（第 70 页）
  - 4.4案例分析（第 72 页）
    - 4.4.1案例说明（第 72 页）
    - 4.4.2数据集描述（第 72 页）
    - 4.4.3模型评价指标（第 73 页）
    - 4.4.4模型训练与评估（第 74 页）
    - 4.4.5金属板样品的健康评估（第 75 页）
- 第5章基于多融合卷积神经网络的故障诊断（第 77 页）
  - 5.1问题描述（第 77 页）
  - 5.2多融合卷积神经网络概况（第 78 页）
    - 5.2.1多融合卷积层（第 78 页）
    - 5.2.2池化层（第 80 页）
  - 5.3基于多融合卷积神经网络的故障诊断方法（第 81 页）
    - 5.3.1基于多融合卷积神经网络的故障诊断流程（第 81 页）
    - 5.3.2数据预处理（第 81 页）
    - 5.3.3MFCC矩阵获取（第 82 页）
    - 5.3.4基于多融合卷积神经网络的故障诊断（第 83 页）
  - 5.4案例分析（第 84 页）
    - 5.4.1案例说明和数据描述概述（第 84 页）
    - 5.4.2模型训练与评估（第 86 页）
- 第6章基于局部二值卷积神经网络的复合故障诊断（第 91 页）
  - 6.1问题描述（第 91 页）
  - 6.2局部二值卷积神经网络概况（第 91 页）
    - 6.2.1局部二值模式（第 91 页）
    - 6.2.2LBCNN（第 92 页）
    - 6.2.3多标签分类策略（第 94 页）
  - 6.3基于LBCNN的复合故障诊断方法（第 95 页）
    - 6.3.1复合故障诊断框架（第 95 页）
    - 6.3.2信号小波变换（第 96 页）
    - 6.3.3最优小波时频图选择（第 98 页）
    - 6.3.4LBCNN模型训练与诊断（第 98 页）
  - 6.4案例分析（第 99 页）
    - 6.4.1案例1（第 99 页）
    - 6.4.2案例2（第 107 页）
- 第7章基于深度子域残差自适应网络的故障诊断（第 113 页）
  - 7.1问题描述（第 113 页）
  - 7.2深度子域残差自适应网络概况（第 114 页）
    - 7.2.1残差网络（第 114 页）
    - 7.2.2域自适应机制（第 117 页）
    - 7.2.3深度子域残差自适应网络（第 120 页）
  - 7.3基于深度子域残差自适应网络的故障诊断方法（第 122 页）
  - 7.4案例分析（第 123 页）
    - 7.4.1案例1（第 123 页）
    - 7.4.2案例2（第 126 页）
- 第8章基于深度类别增量学习的新生故障诊断（第 129 页）
  - 8.1问题描述（第 129 页）
  - 8.2深度类别增量学习概况（第 129 页）
    - 8.2.1增量学习概述（第 129 页）
    - 8.2.2深度类别增量学习网络结构（第 131 页）
  - 8.3基于深度类别增量学习的新生故障诊断方法（第 132 页）
    - 8.3.1基于深度类别增量学习的复杂系统故障智能诊断流程（第 132 页）
    - 8.3.2数据预处理（第 133 页）
    - 8.3.3类别增量模型更新（第 134 页）
    - 8.3.4案例样本库更新（第 134 页）
  - 8.4案例分析（第 134 页）
    - 8.4.1实验数据预处理（第 135 页）
    - 8.4.2实验结果讨论（第 135 页）
- 第9章基于深度强化学习的自适应故障诊断（第 141 页）
  - 9.1问题描述（第 141 页）
  - 9.2深度强化学习概况（第 142 页）
    - 9.2.1Q-learning（第 143 页）
    - 9.2.2DQN（第 143 页）
    - 9.2.3Dueling DQN（第 144 页）
    - 9.2.4Double DQN（第 144 页）
    - 9.2.5基于确定性策略搜索的强化学习方法（第 144 页）
    - 9.2.6TRPO（第 145 页）
    - 9.2.7Capsule DDQN（第 148 页）
  - 9.3基于Capsule DDQN的自适应故障诊断方法（第 148 页）
    - 9.3.1Capsule DDQN关键技术（第 148 页）
    - 9.3.2基于Capsule DDQN的故障诊断流程（第 150 页）
  - 9.4案例分析（第 152 页）
    - 9.4.1案例数据说明（第 152 页）
    - 9.4.2模型训练与评估（第 153 页）
- 第10章基于深度长短期记忆神经网络的剩余使用寿命预测（第 156 页）
  - 10.1问题描述（第 156 页）
  - 10.2深度长短期记忆神经网络概况（第 157 页）
    - 10.2.1循环神经网络结构（第 157 页）
    - 10.2.2长短期记忆神经网络结构（第 158 页）
    - 10.2.3深度长短期记忆神经网络结构（第 159 页）
  - 10.3基于深度长短期记忆神经网络的剩余使用寿命预测方法（第 160 页）
    - 10.3.1基于DLSTM模型的RUL预测流程（第 160 页）
    - 10.3.2多传感器信号数据预处理（第 161 页）
    - 10.3.3DLSTM模型训练中的参数优化（第 162 页）
  - 10.4案例分析（第 163 页）
    - 10.4.1案例说明与数据集描述（第 163 页）
    - 10.4.2数据预处理（第 166 页）
    - 10.4.3模型优化与评估（第 169 页）
    - 10.4.4剩余使用寿命预测结果讨论（第 170 页）
- 第11章基于多维度循环神经网络的剩余使用寿命预测（第 174 页）
  - 11.1问题描述（第 174 页）
  - 11.2多维度循环神经网络概况（第 174 页）
    - 11.2.1门控循环单元网络结构（第 175 页）
    - 11.2.2双向循环神经网络结构（第 175 页）
    - 11.2.3多维度循环神经网络结构（第 177 页）
  - 11.3基于MDRNN的系统RUL预测方法（第 179 页）
  - 11.4案例分析（第 181 页）
- 参考文献（第 186 页）