大數(shù)據(jù)已成為國(guó)家戰(zhàn)略，數(shù)據(jù)已成為新型生產(chǎn)要素。本專著圍繞制造大數(shù)據(jù)的“聚、通、用”，研究如何實(shí)現(xiàn)制造大數(shù)據(jù)的融合、共享、分析與應(yīng)用；將側(cè)重于以大數(shù)據(jù)技術(shù)、深度學(xué)習(xí)技術(shù)的基本原理與應(yīng)用實(shí)踐為特色，介紹大數(shù)據(jù)技術(shù)、深度學(xué)習(xí)技術(shù)理論在設(shè)備健康狀態(tài)智能監(jiān)測(cè)、產(chǎn)品質(zhì)量檢測(cè)上的應(yīng)用；著重介紹大數(shù)據(jù)、故障診斷、壽命預(yù)測(cè)、產(chǎn)品質(zhì)量檢測(cè)所必需的基礎(chǔ)理論知識(shí)，數(shù)據(jù)采集與預(yù)處理、深度學(xué)習(xí)的診斷理論分析及數(shù)據(jù)融合等方法，并在介紹系統(tǒng)理論知識(shí)的基礎(chǔ)上，采用大量應(yīng)用實(shí)例及應(yīng)用場(chǎng)景加以說(shuō)明。

李少波，男，漢族，1973年11月生，湖南岳陽(yáng)人，工學(xué)博士，二級(jí)教授。現(xiàn)任貴州大學(xué)機(jī)械工程學(xué)院院長(zhǎng)，兼任現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室常務(wù)副主任。是貴州大學(xué)博士生導(dǎo)師，中國(guó)科學(xué)院大學(xué)兼職博士生導(dǎo)師。獲教育部新世紀(jì)優(yōu)秀人才，貴州省百層次創(chuàng)新型人才、貴州省核心專家、省管專家等榮譽(yù)稱號(hào)。主要研究：智能制造、大數(shù)據(jù)等。已發(fā)表論文200余篇，出版專著3部，譯著1本。

第一部分 制造大數(shù)據(jù)深度學(xué)習(xí)理論與實(shí)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(diǎn) 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(chǔ) 010
1.2.1 文件系統(tǒng) 010
1.2.2 數(shù)據(jù)庫(kù) 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(rèn)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(chǔ)安全 035
1.4.6 管理安全 035
1.4.7 媒介安全 036
1.4.8 運(yùn)行安全 036
1.4.9 審計(jì)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(shí)圖譜 048
參考文獻(xiàn) 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(jìn) 078
2.5 生成對(duì)抗網(wǎng)絡(luò) 080
2.5.1 循環(huán)生成對(duì)抗網(wǎng)絡(luò) 083
2.5.2 雙向生成對(duì)抗網(wǎng)絡(luò) 084
2.5.3 風(fēng)格生成對(duì)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(jìn)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(qiáng)化學(xué)習(xí) 095
2.8.1 深度強(qiáng)化學(xué)習(xí)基本原理 095
2.8.2 強(qiáng)化學(xué)習(xí)的改進(jìn)方法 096
參考文獻(xiàn) 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(duì)海量制造大數(shù)據(jù)的深度學(xué)習(xí)模型 105
3.1.2 針對(duì)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(duì)實(shí)時(shí)制造大數(shù)據(jù)的深度學(xué)習(xí)模型 107
3.1.4 針對(duì)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(chǎng)景 115
3.3.1 在缺陷檢測(cè)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(cè)上的應(yīng)用 123
3.4 總結(jié) 125
參考文獻(xiàn) 126
第二部分 大數(shù)據(jù)驅(qū)動(dòng)的設(shè)備健康狀態(tài)監(jiān)測(cè)
第4章 大數(shù)據(jù)驅(qū)動(dòng)的設(shè)備健康狀態(tài)監(jiān)測(cè)實(shí)踐 131
4.1 設(shè)備健康狀態(tài)監(jiān)測(cè)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(cè) 133
4.2 數(shù)據(jù)采集 135
4.2.1 設(shè)備振動(dòng)信號(hào)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(shí)域信號(hào)數(shù)據(jù)處理 149
4.3.2 頻域信號(hào)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(píng)估方法 151
4.4.1 故障診斷 151
4.4.2 壽命預(yù)測(cè) 152
4.5 實(shí)踐1：基于CNN的多信號(hào)源多傳感器融合設(shè)備故障診斷 154
4.5.1 多信號(hào)源多傳感器融合診斷模型 154
4.5.2 實(shí)驗(yàn)裝置及實(shí)驗(yàn)數(shù)據(jù) 155
4.5.3 診斷結(jié)果分析 158
4.6 實(shí)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(shí)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(hào)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(shí)別 173
4.7.5 實(shí)驗(yàn)結(jié)果與分析 175
4.8 實(shí)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(shí)驗(yàn)和結(jié)論 180
4.8.4 總結(jié) 191
4.9 實(shí)踐5：基于深度遷移學(xué)習(xí)的設(shè)備壽命預(yù)測(cè) 191
4.9.1 壽命預(yù)測(cè)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(cè)模型 194
4.9.3 數(shù)據(jù)集和評(píng)估指標(biāo) 197
4.9.4 數(shù)據(jù)處理 199
4.9.5 實(shí)驗(yàn)結(jié)果與分析 201
4.9.6 討論 209
4.9.7 總結(jié) 216
參考文獻(xiàn) 216
第三部分 大數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)品質(zhì)量檢測(cè)
第5章 大數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)品質(zhì)量檢測(cè)實(shí)踐 228
5.1 計(jì)算機(jī)視覺(jué)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(biāo)檢測(cè) 239
5.1.5 深度學(xué)習(xí)的目標(biāo)檢測(cè) 240
5.2 數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)品質(zhì)量檢測(cè)基本原理 241
5.2.1 主流的缺陷檢測(cè)技術(shù) 241
5.2.2 基于深度學(xué)習(xí)的缺陷檢測(cè)技術(shù) 243
5.2.3 質(zhì)量檢測(cè)圖像采集系統(tǒng) 244
5.3 實(shí)踐5：基于數(shù)據(jù)整合與圖像配準(zhǔn)的電池表面缺陷檢測(cè) 249
5.3.1 預(yù)處理算法分析與驗(yàn)證 252
5.3.2 圖像配準(zhǔn)與字符去除算法分析與驗(yàn)證 261
5.3.3 缺陷提取算法分析與驗(yàn)證 263
5.3.4 缺陷特征表征分析與驗(yàn)證 265
5.3.5 分類分析與驗(yàn)證 267
5.3.6 總結(jié) 269
5.4 實(shí)踐1：基于深度學(xué)習(xí)的藥用空心膠囊缺陷檢測(cè) 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(cè)網(wǎng)絡(luò) 276
5.4.3 缺陷檢測(cè)結(jié)果的綜合評(píng)價(jià)算法 280
5.4.4 缺陷檢測(cè)平臺(tái)的搭建 281
5.4.5 不同K-means下的實(shí)驗(yàn)結(jié)果 287
5.4.6 膠囊缺陷檢測(cè)結(jié)果分析 289
5.4.7 總結(jié) 291
5.5 實(shí)踐2：基于機(jī)器視覺(jué)的彈性絞線插針質(zhì)量檢測(cè) 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(shí)驗(yàn)對(duì)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(zhǔn)實(shí)驗(yàn) 310
5.5.8 電子元器件質(zhì)量檢測(cè)實(shí)驗(yàn) 313
5.5.9 質(zhì)量檢測(cè)實(shí)驗(yàn) 316
5.5.10 檢測(cè)方法適應(yīng)性驗(yàn)證 318
5.5.11 總結(jié) 318
參考文獻(xiàn) 319
附錄 323
附錄A 圖目錄 323
附錄B 表目錄 331