第一部分 制造大數(shù)據(jù)深度學(xué)習(xí)理論與實踐基礎(chǔ)
第1章 制造大數(shù)據(jù)基礎(chǔ)技術(shù) 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(yù)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(quán)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(yīng)用 041
1.6.1 聯(lián)邦學(xué)習(xí) 041
1.6.2 區(qū)塊鏈技術(shù) 044
1.6.3 知識圖譜 048
參考文獻 050
第2章 深度學(xué)習(xí)基本理論和方法 059
2.1 深度學(xué)習(xí)基本原理 059
2.1.1 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 059
2.1.2 深度學(xué)習(xí)前向傳播 061
2.1.3 深度學(xué)習(xí)反向傳播 063
2.2 深度編碼網(wǎng)絡(luò) 065
2.2.1 深度自編碼網(wǎng)絡(luò)應(yīng)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(luò)總結(jié) 071
2.3 卷積神經(jīng)網(wǎng)絡(luò)CNN 071
2.3.1 卷積神經(jīng)網(wǎng)絡(luò)原理 071
2.3.2 卷積網(wǎng)絡(luò)的變形 073
2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN 075
2.4.1 循環(huán)神經(jīng)網(wǎng)絡(luò)基本原理 075
2.4.2 循環(huán)神經(jīng)網(wǎng)絡(luò)改進 078
2.5 生成對抗網(wǎng)絡(luò) 080
2.5.1 循環(huán)生成對抗網(wǎng)絡(luò) 083
2.5.2 雙向生成對抗網(wǎng)絡(luò) 084
2.5.3 風(fēng)格生成對抗網(wǎng)絡(luò) 085
2.6 遷移學(xué)習(xí) 085
2.6.1 遷移學(xué)習(xí)的基本原理 085
2.6.2 遷移學(xué)習(xí)的改進方法 087
2.7 元學(xué)習(xí) 089
2.7.1 元學(xué)習(xí)基本原理 089
2.7.2 元學(xué)習(xí)的經(jīng)典方法 092
2.8 深度強化學(xué)習(xí) 095
2.8.1 深度強化學(xué)習(xí)基本原理 095
2.8.2 強化學(xué)習(xí)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(xué)習(xí) 102
3.1 制造大數(shù)據(jù)與深度學(xué)習(xí)的關(guān)系 103
3.1.1 針對海量制造大數(shù)據(jù)的深度學(xué)習(xí)模型 105
3.1.2 針對異構(gòu)制造大數(shù)據(jù)的深度學(xué)習(xí)模型 106
3.1.3 針對實時制造大數(shù)據(jù)的深度學(xué)習(xí)模型 107
3.1.4 針對低質(zhì)量制造大數(shù)據(jù)的深度學(xué)習(xí)模型 110
3.2 制造大數(shù)據(jù)與深度學(xué)習(xí)架構(gòu) 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(xué)習(xí)應(yīng)用場景 115
3.3.1 在缺陷檢測方面的應(yīng)用 119
3.3.2 在故障診斷方面的應(yīng)用 121
3.3.3 在剩余使用壽命預(yù)測上的應(yīng)用 123
3.4 總結(jié) 125
參考文獻 126
第二部分 大數(shù)據(jù)驅(qū)動的設(shè)備健康狀態(tài)監(jiān)測
第4章 大數(shù)據(jù)驅(qū)動的設(shè)備健康狀態(tài)監(jiān)測實踐 131
4.1 設(shè)備健康狀態(tài)監(jiān)測基本原理 131
4.1.1 設(shè)備故障診斷 131
4.1.2 設(shè)備壽命預(yù)測 133
4.2 數(shù)據(jù)采集 135
4.2.1 設(shè)備振動信號數(shù)據(jù)采集 136
4.2.2 設(shè)備聲音數(shù)據(jù)采集 138
4.2.3 企業(yè)設(shè)備狀態(tài)的數(shù)據(jù)采集 140
4.3 數(shù)據(jù)預(yù)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(yù)測 152
4.5 實踐1：基于CNN的多信號源多傳感器融合設(shè)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(jié)果分析 158
4.6 實踐2：基于證據(jù)融合方法的設(shè)備故障診斷 161
4.6.1 故障診斷模型 161
4.6.2 診斷結(jié)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(luò)的齒輪故障診斷 166
4.7.1 基于多通道聲學(xué)信號與卷積神經(jīng)網(wǎng)絡(luò)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(yù)處理方法 168
4.7.3 基于卷積神經(jīng)網(wǎng)絡(luò)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(luò)的齒輪故障狀態(tài)識別 173
4.7.5 實驗結(jié)果與分析 175
4.8 實踐4：基于小樣本學(xué)習(xí)的設(shè)備故障診斷 176
4.8.1 小樣本學(xué)習(xí)故障診斷框架 176
4.8.2 小樣本學(xué)習(xí)的故障診斷模型 178
4.8.3 實驗和結(jié)論 180
4.8.4 總結(jié) 191
4.9 實踐5：基于深度遷移學(xué)習(xí)的設(shè)備壽命預(yù)測 191
4.9.1 壽命預(yù)測的遷移學(xué)習(xí)框架 192
4.9.2 遷移學(xué)習(xí)的壽命預(yù)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(jié)果與分析 201
4.9.6 討論 209
4.9.7 總結(jié) 216
參考文獻 216
第三部分 大數(shù)據(jù)驅(qū)動的產(chǎn)品質(zhì)量檢測
第5章 大數(shù)據(jù)驅(qū)動的產(chǎn)品質(zhì)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(xué)習(xí)的目標檢測 240
5.2 數(shù)據(jù)驅(qū)動的產(chǎn)品質(zhì)量檢測基本原理 241
5.2.1 主流的缺陷檢測技術(shù) 241
5.2.2 基于深度學(xué)習(xí)的缺陷檢測技術(shù) 243
5.2.3 質(zhì)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(yù)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(jié) 269
5.4 實踐1：基于深度學(xué)習(xí)的藥用空心膠囊缺陷檢測 270
5.4.1 數(shù)據(jù)預(yù)處理方法 271
5.4.2 藥用空心膠囊缺陷檢測網(wǎng)絡(luò) 276
5.4.3 缺陷檢測結(jié)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(jié)果 287
5.4.6 膠囊缺陷檢測結(jié)果分析 289
5.4.7 總結(jié) 291
5.5 實踐2：基于機器視覺的彈性絞線插針質(zhì)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(zhì)量判定 298
5.5.5 實驗對象 299
5.5.6 電子元器件圖像預(yù)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(zhì)量檢測實驗 313
5.5.9 質(zhì)量檢測實驗 316
5.5.10 檢測方法適應(yīng)性驗證 318
5.5.11 總結(jié) 318
參考文獻 319
附錄 323
附錄A 圖目錄 323
附錄B 表目錄 331