第一部分 制造大數(shù)據(jù)深度學習理論與實踐基礎
第1章 制造大數(shù)據(jù)基礎技術 002
1.1 制造大數(shù)據(jù)感知與獲取 002
1.1.1 制造大數(shù)據(jù)的類型及特點 002
1.1.2 制造大數(shù)據(jù)感知與獲取方法 004
1.2 制造大數(shù)據(jù)存儲 010
1.2.1 文件系統(tǒng) 010
1.2.2 數(shù)據(jù)庫 011
1.3 制造大數(shù)據(jù)融合與治理 012
1.3.1 數(shù)據(jù)預處理 012
1.3.2 制造大數(shù)據(jù)融合方法 018
1.4 制造大數(shù)據(jù)安全體系 031
1.4.1 認證安全 032
1.4.2 鑒權安全 033
1.4.3 傳輸安全 034
1.4.4 交換安全 034
1.4.5 存儲安全 035
1.4.6 管理安全 035
1.4.7 媒介安全 036
1.4.8 運行安全 036
1.4.9 審計安全 036
1.5 制造大數(shù)據(jù)可視化 037
1.5.1 純可視化圖表生成工具 037
1.5.2 商業(yè)智能分析BI工具 038
1.5.3 可視化大屏工具 038
1.5.4 數(shù)字孿生 039
1.5.5 Python工具 040
1.6 制造大數(shù)據(jù)共享與應用 041
1.6.1 聯(lián)邦學習 041
1.6.2 區(qū)塊鏈技術 044
1.6.3 知識圖譜 048
參考文獻 050
第2章 深度學習基本理論和方法 059
2.1 深度學習基本原理 059
2.1.1 神經(jīng)網(wǎng)絡與深度學習 059
2.1.2 深度學習前向傳播 061
2.1.3 深度學習反向傳播 063
2.2 深度編碼網(wǎng)絡 065
2.2.1 深度自編碼網(wǎng)絡應用背景 065
2.2.2 堆疊自編碼 066
2.2.3 降噪自編碼 067
2.2.4 深度變分自編碼 068
2.2.5 深度量化自編碼 070
2.2.6 深度自編碼網(wǎng)絡總結 071
2.3 卷積神經(jīng)網(wǎng)絡CNN 071
2.3.1 卷積神經(jīng)網(wǎng)絡原理 071
2.3.2 卷積網(wǎng)絡的變形 073
2.4 循環(huán)神經(jīng)網(wǎng)絡RNN 075
2.4.1 循環(huán)神經(jīng)網(wǎng)絡基本原理 075
2.4.2 循環(huán)神經(jīng)網(wǎng)絡改進 078
2.5 生成對抗網(wǎng)絡 080
2.5.1 循環(huán)生成對抗網(wǎng)絡 083
2.5.2 雙向生成對抗網(wǎng)絡 084
2.5.3 風格生成對抗網(wǎng)絡 085
2.6 遷移學習 085
2.6.1 遷移學習的基本原理 085
2.6.2 遷移學習的改進方法 087
2.7 元學習 089
2.7.1 元學習基本原理 089
2.7.2 元學習的經(jīng)典方法 092
2.8 深度強化學習 095
2.8.1 深度強化學習基本原理 095
2.8.2 強化學習的改進方法 096
參考文獻 098
第3章 制造大數(shù)據(jù)與深度學習 102
3.1 制造大數(shù)據(jù)與深度學習的關系 103
3.1.1 針對海量制造大數(shù)據(jù)的深度學習模型 105
3.1.2 針對異構制造大數(shù)據(jù)的深度學習模型 106
3.1.3 針對實時制造大數(shù)據(jù)的深度學習模型 107
3.1.4 針對低質量制造大數(shù)據(jù)的深度學習模型 110
3.2 制造大數(shù)據(jù)與深度學習架構 111
3.2.1 TensorFlow 112
3.2.2 Keras 113
3.2.3 PyTorch 114
3.3 制造大數(shù)據(jù)與深度學習應用場景 115
3.3.1 在缺陷檢測方面的應用 119
3.3.2 在故障診斷方面的應用 121
3.3.3 在剩余使用壽命預測上的應用 123
3.4 總結 125
參考文獻 126
第二部分 大數(shù)據(jù)驅動的設備健康狀態(tài)監(jiān)測
第4章 大數(shù)據(jù)驅動的設備健康狀態(tài)監(jiān)測實踐 131
4.1 設備健康狀態(tài)監(jiān)測基本原理 131
4.1.1 設備故障診斷 131
4.1.2 設備壽命預測 133
4.2 數(shù)據(jù)采集 135
4.2.1 設備振動信號數(shù)據(jù)采集 136
4.2.2 設備聲音數(shù)據(jù)采集 138
4.2.3 企業(yè)設備狀態(tài)的數(shù)據(jù)采集 140
4.3 數(shù)據(jù)預處理 148
4.3.1 時域信號數(shù)據(jù)處理 149
4.3.2 頻域信號數(shù)據(jù)處理 149
4.3.3 企業(yè)數(shù)據(jù)處理 150
4.4 算法模型效果評估方法 151
4.4.1 故障診斷 151
4.4.2 壽命預測 152
4.5 實踐1：基于CNN的多信號源多傳感器融合設備故障診斷 154
4.5.1 多信號源多傳感器融合診斷模型 154
4.5.2 實驗裝置及實驗數(shù)據(jù) 155
4.5.3 診斷結果分析 158
4.6 實踐2：基于證據(jù)融合方法的設備故障診斷 161
4.6.1 故障診斷模型 161
4.6.2 診斷結果分析 164
4.7 實踐3：基于多通道端到端卷積神經(jīng)網(wǎng)絡的齒輪故障診斷 166
4.7.1 基于多通道聲學信號與卷積神經(jīng)網(wǎng)絡的齒輪故障診斷流程 167
4.7.2 故障數(shù)據(jù)特征提取與預處理方法 168
4.7.3 基于卷積神經(jīng)網(wǎng)絡的多通道特征信息融合方法 172
4.7.4 基于卷積神經(jīng)網(wǎng)絡的齒輪故障狀態(tài)識別 173
4.7.5 實驗結果與分析 175
4.8 實踐4：基于小樣本學習的設備故障診斷 176
4.8.1 小樣本學習故障診斷框架 176
4.8.2 小樣本學習的故障診斷模型 178
4.8.3 實驗和結論 180
4.8.4 總結 191
4.9 實踐5：基于深度遷移學習的設備壽命預測 191
4.9.1 壽命預測的遷移學習框架 192
4.9.2 遷移學習的壽命預測模型 194
4.9.3 數(shù)據(jù)集和評估指標 197
4.9.4 數(shù)據(jù)處理 199
4.9.5 實驗結果與分析 201
4.9.6 討論 209
4.9.7 總結 216
參考文獻 216
第三部分 大數(shù)據(jù)驅動的產(chǎn)品質量檢測
第5章 大數(shù)據(jù)驅動的產(chǎn)品質量檢測實踐 228
5.1 計算機視覺基本原理 228
5.1.1 圖像分類 228
5.1.2 分類案例 231
5.1.3 圖像分割 237
5.1.4 目標檢測 239
5.1.5 深度學習的目標檢測 240
5.2 數(shù)據(jù)驅動的產(chǎn)品質量檢測基本原理 241
5.2.1 主流的缺陷檢測技術 241
5.2.2 基于深度學習的缺陷檢測技術 243
5.2.3 質量檢測圖像采集系統(tǒng) 244
5.3 實踐5：基于數(shù)據(jù)整合與圖像配準的電池表面缺陷檢測 249
5.3.1 預處理算法分析與驗證 252
5.3.2 圖像配準與字符去除算法分析與驗證 261
5.3.3 缺陷提取算法分析與驗證 263
5.3.4 缺陷特征表征分析與驗證 265
5.3.5 分類分析與驗證 267
5.3.6 總結 269
5.4 實踐1：基于深度學習的藥用空心膠囊缺陷檢測 270
5.4.1 數(shù)據(jù)預處理方法 271
5.4.2 藥用空心膠囊缺陷檢測網(wǎng)絡 276
5.4.3 缺陷檢測結果的綜合評價算法 280
5.4.4 缺陷檢測平臺的搭建 281
5.4.5 不同K-means下的實驗結果 287
5.4.6 膠囊缺陷檢測結果分析 289
5.4.7 總結 291
5.5 實踐2：基于機器視覺的彈性絞線插針質量檢測 292
5.5.1 圖像畸變校正 292
5.5.2 圖像去噪 295
5.5.3 電子元器件圖像閾值分割 297
5.5.4 電子元器件缺陷分離和質量判定 298
5.5.5 實驗對象 299
5.5.6 電子元器件圖像預處理 303
5.5.7 電子元器件配準實驗 310
5.5.8 電子元器件質量檢測實驗 313
5.5.9 質量檢測實驗 316
5.5.10 檢測方法適應性驗證 318
5.5.11 總結 318
參考文獻 319
附錄 323
附錄A 圖目錄 323
附錄B 表目錄 331