新書推薦：
《
亚洲文明（第三辑）
》
售價：HK$
74.8
《
仓央嘉措：我和我的人生擦肩而过——踏上三百年前的朝圣之路，遇见最真实的仓央嘉措
》
售價：HK$
76.8
《
宫崎市定中国史（精装）（2025版）
》
售價：HK$
96.8
《
如何拿下令你心动的工作
》
售價：HK$
75.9
《
经纬度丛书·十二恺撒：一部罗马千年史
》
售價：HK$
96.8
《
祭祀与献祭--日本人的自然观与动物观
》
售價：HK$
96.8
《
时刻人文·走向全球战争之路：第二次世界大战的起源
》
售價：HK$
107.8
《
日军的“治安战” 日本远东战争罪行丛书
》
售價：HK$
79.2
|
| 內容簡介： |
|
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。
|
| 關於作者： |
|
李少波，男，汉族，1973年11月生，湖南岳阳人，工学博士，二级教授。现任贵州大学机械工程学院院长，兼任现代制造技术重点实验室常务副主任。是贵州大学博士生导师，中国科学院大学兼职博士生导师。获新世纪优秀人才，贵州省百层次创新型人才、贵州省核心专家、省管专家等荣誉称号。主要研究：智能制造、大数据等。已发表论文200余篇，出版专著3部，译著1本。
|
| 目錄：
|
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CNN071
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RNN075
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 TensorFlow112
3.2.2 Keras113
3.2.3 PyTorch114
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
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
