第1章　緒論 001
1.1　深度學(xué)習(xí)基本概念 001
1.2　故障診斷的重要性 002
1.3　壽命預(yù)測的重要性 003
1.4　深度學(xué)習(xí)基本理論方法 004
1.4.1　經(jīng)典LeNet-5網(wǎng)絡(luò)模型 004
1.4.2　卷積神經(jīng)網(wǎng)絡(luò) 005
1.4.3　殘差神經(jīng)網(wǎng)絡(luò) 012
1.4.4　孿生神經(jīng)網(wǎng)絡(luò) 012
1.4.5　長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM） 017
1.4.6　貝葉斯神經(jīng)網(wǎng)絡(luò) 018
1.4.7　遷移學(xué)習(xí) 020
參考文獻(xiàn) 022

第2章　卷積神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 023
2.1　改進(jìn)LeNet-5在故障診斷中的應(yīng)用 023
2.1.1　改進(jìn)LeNet-5網(wǎng)絡(luò)模型設(shè)計(jì) 023
2.1.2　仿真試驗(yàn)及結(jié)果分析 024
2.1.3　噪聲環(huán)境下模型故障診斷準(zhǔn)確率測試 030
2.1.4　與其他故障診斷方法進(jìn)行對(duì)比 031
2.1.5　變轉(zhuǎn)速工況下改進(jìn)LeNet-5的可用性研究 033
2.1.6　小結(jié) 035
2.2　卷積神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 035
2.2.1　CNN故障診斷模型設(shè)計(jì) 035
2.2.2　仿真試驗(yàn)及結(jié)果分析 037
2.2.3　小結(jié) 047
2.3　頻域集成卷積神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 047
2.3.1　FECNN故障診斷模型 049
2.3.2　FECNN參數(shù)設(shè)計(jì) 051
2.3.3　仿真試驗(yàn)及結(jié)果分析 053
2.3.4　小結(jié) 056
2.4　多模態(tài)集成卷積神經(jīng)網(wǎng)絡(luò)的故障診斷 057
2.4.1　多模態(tài)融合技術(shù)的基本理論 057
2.4.2　MECNN的故障診斷模型設(shè)計(jì) 057
2.4.3　仿真試驗(yàn)及結(jié)果分析 060
2.4.4　小結(jié) 065
2.5　一維大尺寸卷積神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 065
2.5.1　一維大尺寸卷積神經(jīng)網(wǎng)絡(luò)模型 066
2.5.2　仿真試驗(yàn)及結(jié)果分析 069
2.5.3　模型噪聲測試試驗(yàn)和分析 073
2.5.4　小結(jié) 076
2.6　基于角域重采樣下多尺度核卷積神經(jīng)網(wǎng)絡(luò)故障診斷 077
2.6.1　角域重采樣下多尺度核卷積神經(jīng)網(wǎng)絡(luò)模型 079
2.6.2　仿真試驗(yàn)及結(jié)果分析 082
2.6.3　小結(jié) 087
參考文獻(xiàn) 088

第3章　殘差神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 089
3.1　基于BN的RCNN故障診斷模型 089
3.1.1　RCNN模型結(jié)構(gòu) 091
3.1.2　仿真試驗(yàn)及結(jié)果分析 092
3.1.3　小結(jié) 096
3.2　基于GAP的LWRCNN故障診斷 096
3.2.1　LWRCNN 三種模型結(jié)構(gòu) 097
3.2.2　基于 GAP 的 LWRCNN故障診斷流程 103
3.2.3　仿真試驗(yàn)及結(jié)果分析 104
3.2.4　LWRCNN 模型的泛化能力分析 109
3.3　基于AdaBN-S-LWRCNN的故障診斷 111
3.3.1　基于 AdaBN 的 S-LWRCNN 模型結(jié)構(gòu) 113
3.3.2　基于 AdaBN 的 S-LWRCNN 軸承故障診斷流程 114
3.3.3　噪聲環(huán)境下S-LWRCNN的故障診斷仿真試驗(yàn) 115
3.3.4　變速環(huán)境下 S-LWRCNN 模型的軸承故障診斷仿真試驗(yàn) 119
3.3.5　小結(jié) 121
參考文獻(xiàn) 121

第4章　孿生神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用研究 122
4.1　基于寬卷積核淺層卷積孿生網(wǎng)絡(luò)的故障診斷 122
4.1.1　寬卷積核淺層卷積孿生網(wǎng)絡(luò)模型 122
4.1.2　數(shù)據(jù)稀缺條件下的仿真試驗(yàn) 124
4.1.3　小結(jié) 134
4.2　基于全局平均池化卷積孿生網(wǎng)絡(luò)的故障診斷 134
4.2.1　全局平均池化算法 135
4.2.2　全局平均池化的卷積孿生網(wǎng)絡(luò)故障診斷模型 136
4.2.3　參數(shù)設(shè)計(jì) 136
4.2.4　仿真試驗(yàn) 138
4.2.5　仿真試驗(yàn)結(jié)果分析 139
4.2.6　仿真試驗(yàn)結(jié)果可視化 145
4.2.7　小結(jié) 148
4.3　基于訓(xùn)練干擾卷積孿生網(wǎng)絡(luò)的故障診斷 149
4.3.1　Dropout算法 149
4.3.2　TICSN故障診斷模型 150
4.3.3　參數(shù)設(shè)計(jì) 151
4.3.4　噪聲條件下的TICSN仿真試驗(yàn) 152
4.3.5　仿真試驗(yàn)結(jié)果分析 154
4.3.6　新故障類型下的故障診斷仿真試驗(yàn) 155
4.3.7　新工況下的故障診斷仿真試驗(yàn) 157
4.3.8　小結(jié) 160
4.4　基于小樣本的多尺度核孿生神經(jīng)網(wǎng)絡(luò)的故障診斷 160
4.4.1　多尺度核孿生神經(jīng)網(wǎng)絡(luò)模型 160
4.4.2　仿真試驗(yàn) 162
4.4.3　試驗(yàn)結(jié)果 163
4.4.4　模型對(duì)比試驗(yàn)分析 165
4.4.5　小結(jié) 168
參考文獻(xiàn) 169

第5章　深度學(xué)習(xí)在壽命預(yù)測中的應(yīng)用研究 170
5.1　CNNLSTM模型的剩余壽命預(yù)測 170
5.1.1　CNNLSTM模型結(jié)構(gòu) 170
5.1.2　初始退化點(diǎn)確定 171
5.1.3　參數(shù)設(shè)計(jì) 173
5.1.4　仿真試驗(yàn) 174
5.1.5　對(duì)比試驗(yàn) 175
5.1.6　小結(jié) 176
5.2　基于貝葉斯神經(jīng)網(wǎng)絡(luò)的高速軸軸承剩余壽命預(yù)測 176
5.2.1　貝葉斯長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型構(gòu)建 176
5.2.2　不確定性量化的剩余壽命預(yù)測 177
5.2.3　對(duì)比試驗(yàn) 178
5.3　基于遷移學(xué)習(xí)的跨域高速軸軸承剩余壽命預(yù)測 180
5.3.1　遷移學(xué)習(xí)模型構(gòu)建 180
5.3.2　數(shù)據(jù)集分析 180
5.3.3　跨域和跨工況任務(wù)劃分 181
5.3.4　參數(shù)設(shè)置 182
5.3.5　跨域和跨工況仿真試驗(yàn) 183
5.3.6　小結(jié) 185
5.4　雙向長短期記憶網(wǎng)絡(luò)在刀具剩余壽命預(yù)測中的應(yīng)用 185
5.4.1　堆疊降噪自編碼器在刀具狀態(tài)識(shí)別中的應(yīng)用 185
5.4.2　堆疊雙向長短期記憶網(wǎng)絡(luò)在磨損預(yù)測的應(yīng)用 205
5.4.3　雙向長短期記憶網(wǎng)絡(luò)在刀具剩余壽命預(yù)測中的應(yīng)用 210
5.4.4　小結(jié) 215
參考文獻(xiàn) 215