第1章深度學(xué)習(xí)在機械故障診斷中的研究現(xiàn)狀與意義001 1.1基于數(shù)據(jù)驅(qū)動的預(yù)測網(wǎng)絡(luò)研究現(xiàn)狀002 1.2刀具故障預(yù)測研究現(xiàn)狀007 1.3軸承剩余壽命預(yù)測研究現(xiàn)狀008 1.3.1基于模型的軸承剩余壽命預(yù)測方法009 1.3.2基于數(shù)據(jù)驅(qū)動的軸承剩余壽命預(yù)測方法011 1.4故障診斷中不平衡數(shù)據(jù)集處理方法研究現(xiàn)狀015 1.5研究意義016 第2章相關(guān)理論基礎(chǔ)及神經(jīng)網(wǎng)絡(luò)框架018 2.1深度學(xué)習(xí)基礎(chǔ)019 2.1.1數(shù)學(xué)基礎(chǔ)020 2.1.2最基本的神經(jīng)網(wǎng)絡(luò)架構(gòu)036 2.1.3核心算法041 2.2卷積神經(jīng)網(wǎng)絡(luò)048 2.2.1輸入層048 2.2.2卷積層049 2.2.3池化層049 2.2.4全連接層050 2.2.5輸出層050 2.2.6訓(xùn)練過程051 2.3循環(huán)神經(jīng)網(wǎng)絡(luò)052 2.3.1長短期記憶網(wǎng)絡(luò)052 2.3.2門控循環(huán)單元053 2.4殘差網(wǎng)絡(luò)054 2.5注意力機制055 第3章基于深度學(xué)習(xí)的機械故障診斷模型056 3.1基于特征處理和BiLSTM的故障診斷模型056 3.1.1基于時頻特征提取的方法056 3.1.2基于特征處理和BiLSTM的模型架構(gòu)057 3.2基于模態(tài)分解和MCNN-BiLSTM的故障診斷模型060 3.2.1數(shù)據(jù)處理研究060 3.2.2基于信號模態(tài)分解的方法064 3.2.3基于模態(tài)分解和MCNN-BiLSTM的模型架構(gòu)068 3.3基于TCN-SA和Bi-GRU的故障診斷模型070 3.3.1時間卷積網(wǎng)絡(luò)071 3.3.2改進的TCN網(wǎng)絡(luò)結(jié)構(gòu)073 3.3.3SA機制074 3.3.4Bi-GRU網(wǎng)絡(luò)結(jié)構(gòu)075 3.4基于MA-MsTCN的故障診斷模型076 3.4.1多頭注意力機制077 3.4.2多尺度時間卷積網(wǎng)絡(luò)079 3.5基于MCA-TCN-MA的故障診斷模型081 3.5.1多尺度卷積注意力機制082 3.5.2改進的時間卷積網(wǎng)絡(luò)083 第4章機械故障診斷的數(shù)據(jù)采集平臺與評價指標(biāo)086 4.1刀具數(shù)據(jù)采集平臺086 4.2軸承數(shù)據(jù)采集平臺090 4.3評價指標(biāo)091 第5章深度學(xué)習(xí)技術(shù)在機械故障診斷中的應(yīng)用093 5.1故障識別問題中的不平衡數(shù)據(jù)處理方法093 5.1.1SMOTE方法093 5.1.2三角形六線SMOTE法093 5.1.3IFE-SMOTE方法095 5.2深度學(xué)習(xí)技術(shù)在刀具故障診斷中的應(yīng)用098 5.2.1基于特征處理和BiLSTM故障診斷模型的刀具應(yīng)用098 5.2.2基于模態(tài)分解和MCNN-BiLSTM故障診斷模型的刀具應(yīng)用100 5.2.3模型對比105 5.2.4模型的拓展性探究108 5.3深度學(xué)習(xí)技術(shù)在軸承故障診斷中的應(yīng)用110 5.3.1基于TCN-SA和Bi-GRU故障診斷模型的軸承應(yīng)用110 5.3.2基于MA-MsTCN故障診斷模型的軸承應(yīng)用116 5.3.3基于MCA-TCN-MA故障診斷模型的軸承應(yīng)用122 第6章結(jié)論與展望127 6.1結(jié)論127 6.2展望129 參考文獻130