制造大数据深度学习理论与实践

大数据已成为国家战略，数据已成为新型生产要素。本专著围绕制造大数据的“聚、通、用”，研究如何实现制造大数据的融合、共享、分析与应用；将侧重于以大数据技术、深度学习技术的基本原理与应用实践为特色，介绍大数据技术、深度学习技术理论在设备健康状态智能监测、产品质量检测上的应用；着重介绍大数据、故障诊断、寿命预测、产品质量检测所必需的基础理论知识，数据采集与预处理、深度学习的诊断理论分析及数据融合等方法，并在介绍系统理论知识的基础上，采用大量应用实例及应用场景加以说明。

第一部分 制造大数据深度学习理论与实践基础
第1章 制造大数据基础技术 002
1.1 制造大数据感知与获取 002
1.1.1 制造大数据的类型及特点 002
1.1.2 制造大数据感知与获取方法 004
1.2 制造大数据存储 010
1.2.1 文件系统 010
1.2.2 数据库 011
1.3 制造大数据融合与治理 012
1.3.1 数据预处理 012
1.3.2 制造大数据融合方法 018
1.4 制造大数据安全体系 031
1.4.1 认证安全 032
1.4.2 鉴权安全 033
1.4.3 传输安全 034
1.4.4 交换安全 034
1.4.5 存储安全 035
1.4.6 管理安全 035
1.4.7 媒介安全 036
1.4.8 运行安全 036
1.4.9 审计安全 036
1.5 制造大数据可视化 037
1.5.1 纯可视化图表生成工具 037
1.5.2 商业智能分析BI工具 038
1.5.3 可视化大屏工具 038
1.5.4 数字孪生 039
1.5.5 Python工具 040
1.6 制造大数据共享与应用 041
1.6.1 联邦学习 041
1.6.2 区块链技术 044
1.6.3 知识图谱 048
参考文献 050
第2章 深度学习基本理论和方法 059
2.1 深度学习基本原理 059
2.1.1 神经网络与深度学习 059
2.1.2 深度学习前向传播 061
2.1.3 深度学习反向传播 063
2.2 深度编码网络 065
2.2.1 深度自编码网络应用背景 065
2.2.2 堆叠自编码 066
2.2.3 降噪自编码 067
2.2.4 深度变分自编码 068
2.2.5 深度量化自编码 070
2.2.6 深度自编码网络总结 071
2.3 卷积神经网络CNN 071
2.3.1 卷积神经网络原理 071
2.3.2 卷积网络的变形 073
2.4 循环神经网络RNN 075
2.4.1 循环神经网络基本原理 075
2.4.2 循环神经网络改进 078
2.5 生成对抗网络 080
2.5.1 循环生成对抗网络 083
2.5.2 双向生成对抗网络 084
2.5.3 风格生成对抗网络 085
2.6 迁移学习 085
2.6.1 迁移学习的基本原理 085
2.6.2 迁移学习的改进方法 087
2.7 元学习 089
2.7.1 元学习基本原理 089
2.7.2 元学习的经典方法 092
2.8 深度强化学习 095
2.8.1 深度强化学习基本原理 095
2.8.2 强化学习的改进方法 096
参考文献 098
第3章 制造大数据与深度学习 102
3.1 制造大数据与深度学习的关系 103
3.1.1 针对海量制造大数据的深度学习模型 105
3.1.2 针对异构制造大数据的深度学习模型 106
3.1.3 针对实时制造大数据的深度学习模型 107
3.1.4 针对低质量制造大数据的深度学习模型 110
3.2 制造大数据与深度学习架构 111
3.2.1 TensorFlow 112
3.2.2 Keras 113
3.2.3 PyTorch 114
3.3 制造大数据与深度学习应用场景 115
3.3.1 在缺陷检测方面的应用 119
3.3.2 在故障诊断方面的应用 121
3.3.3 在剩余使用寿命预测上的应用 123
3.4 总结 125
参考文献 126
第二部分 大数据驱动的设备健康状态监测
第4章 大数据驱动的设备健康状态监测实践 131
4.1 设备健康状态监测基本原理 131
4.1.1 设备故障诊断 131
4.1.2 设备寿命预测 133
4.2 数据采集 135
4.2.1 设备振动信号数据采集 136
4.2.2 设备声音数据采集 138
4.2.3 企业设备状态的数据采集 140
4.3 数据预处理 148
4.3.1 时域信号数据处理 149
4.3.2 频域信号数据处理 149
4.3.3 企业数据处理 150
4.4 算法模型效果评估方法 151
4.4.1 故障诊断 151
4.4.2 寿命预测 152
4.5 实践1：基于CNN的多信号源多传感器融合设备故障诊断 154
4.5.1 多信号源多传感器融合诊断模型 154
4.5.2 实验装置及实验数据 155
4.5.3 诊断结果分析 158
4.6 实践2：基于证据融合方法的设备故障诊断 161
4.6.1 故障诊断模型 161
4.6.2 诊断结果分析 164
4.7 实践3：基于多通道端到端卷积神经网络的齿轮故障诊断 166
4.7.1 基于多通道声学信号与卷积神经网络的齿轮故障诊断流程 167
4.7.2 故障数据特征提取与预处理方法 168
4.7.3 基于卷积神经网络的多通道特征信息融合方法 172
4.7.4 基于卷积神经网络的齿轮故障状态识别 173
4.7.5 实验结果与分析 175
4.8 实践4：基于小样本学习的设备故障诊断 176
4.8.1 小样本学习故障诊断框架 176
4.8.2 小样本学习的故障诊断模型 178
4.8.3 实验和结论 180
4.8.4 总结 191
4.9 实践5：基于深度迁移学习的设备寿命预测 191
4.9.1 寿命预测的迁移学习框架 192
4.9.2 迁移学习的寿命预测模型 194
4.9.3 数据集和评估指标 197
4.9.4 数据处理 199
4.9.5 实验结果与分析 201
4.9.6 讨论 209
4.9.7 总结 216
参考文献 216
第三部分 大数据驱动的产品质量检测
第5章 大数据驱动的产品质量检测实践 228
5.1 计算机视觉基本原理 228
5.1.1 图像分类 228
5.1.2 分类案例 231
5.1.3 图像分割 237
5.1.4 目标检测 239
5.1.5 深度学习的目标检测 240
5.2 数据驱动的产品质量检测基本原理 241
5.2.1 主流的缺陷检测技术 241
5.2.2 基于深度学习的缺陷检测技术 243
5.2.3 质量检测图像采集系统 244
5.3 实践5：基于数据整合与图像配准的电池表面缺陷检测 249
5.3.1 预处理算法分析与验证 252
5.3.2 图像配准与字符去除算法分析与验证 261
5.3.3 缺陷提取算法分析与验证 263
5.3.4 缺陷特征表征分析与验证 265
5.3.5 分类分析与验证 267
5.3.6 总结 269
5.4 实践1：基于深度学习的药用空心胶囊缺陷检测 270
5.4.1 数据预处理方法 271
5.4.2 药用空心胶囊缺陷检测网络 276
5.4.3 缺陷检测结果的综合评价算法 280
5.4.4 缺陷检测平台的搭建 281
5.4.5 不同K-means下的实验结果 287
5.4.6 胶囊缺陷检测结果分析 289
5.4.7 总结 291
5.5 实践2：基于机器视觉的弹性绞线插针质量检测 292
5.5.1 图像畸变校正 292
5.5.2 图像去噪 295
5.5.3 电子元器件图像阈值分割 297
5.5.4 电子元器件缺陷分离和质量判定 298
5.5.5 实验对象 299
5.5.6 电子元器件图像预处理 303
5.5.7 电子元器件配准实验 310
5.5.8 电子元器件质量检测实验 313
5.5.9 质量检测实验 316
5.5.10 检测方法适应性验证 318
5.5.11 总结 318
参考文献 319
附录 323
附录A 图目录 323
附录B 表目录 331