序 前言 第1章新一代人工智能與智能制造 11新一代人工智能發展背景 12智能制造的新發展 13數據驅動的工業人工智能 第2章基礎理論知識 21工業AI模型應用流程概述 22常用深度學習技術 221卷積神經網絡 222循環神經網絡 223自動編碼器 224受限玻爾茲曼機 225基于注意力機制的神經網絡 226圖神經網絡 第3章工業時間序列信息表征建模方法 31概述 32工業時序多通道信息表征建模方法 321多通道時序注意力網絡 322工業時序高精度預測方法 33工業時序多尺度信息表征建模方法 331多尺度密集門控循環單元網絡 332基于MDGRU網絡的分析流程 34工業時序多層級時頻域信息表征建模方法 341多層級小波分解網絡 342基于多層級小波分解的時間序列外部回歸網絡 35工業時序多層次信息表征建模方法 351多層次信息表征網絡 352基于Auto-CNN-LSTM網絡的分析流程 36工業時序時空耦合信息表征建模方法 361時空耦合信息網絡整體結構 362時空耦合信息表征網絡 37典型應用案例 371基于MCTAN的飛機發動機剩余使用壽命預測 372基于Auto-CNN-LSTM的鋰電池剩余使用壽命預測 第4章工業低質數據增強表征建模方法 41概述 42無標簽數據增強表征建模方法 421基于半監督并行DeepFM的無標簽數據預測方法 422基于小波數據增強的無標簽數據預測方法 43非均衡數據增強表征建模方法 431工業數據隱式擴充方法 432面向非均衡工業數據的標簽解構多輸入智能處理架構 44缺失數據增強表征建模方法 441面向低質數據的缺失特征自動補全方法 442基于兩階段預訓練的缺失特征表征方法 45典型應用案例 451基于SS-PDeepFM的泡沫浮選產品質量預測(無標簽) 452基于LM-CNN的軸承故障診斷(不平衡、零樣本) 第5章工業多源異質數據深層融合建模方法 51概述 52工業異質關聯數據融合建模方法 521基于深度-寬度-序列(WDS)網絡架構的工業數據異質特征融合范式 522基于注意力機制的工業多特征融合表征建模方法 53工業多源高維度數據融合建模方法 531張量及其操作 532針對