基于多尺度注意力深度强化学习网络的行星齿轮箱智能诊断方法
针对行星齿轮箱在多工况下故障表征具有差异性,现有方法中存在特征提取不足,且泛化性和诊断准确率低的问题,提出一种基于多尺度深度注意Q网络(Multiscale deep attention Q network,MSDAQN)的深度强化学习行星齿轮箱多工况智能诊断方法.首先定义分类马尔科夫决策过程描述诊断过程,建立故障诊断模拟环境;其次构造MSDAQN深度强化学习智能体结构,其通过多尺度卷积神经网络提取多尺度故障特征,并利用自适应通道注意力进行加权融合、突出关键信息;最后依据所建智能体与诊断模拟环境交互的经验,自主学习最佳诊断策略.通过行星齿轮箱的多工况试验和实际案例的测试与分析,表明所提方法具有更高的诊断准确率和较强的工况适应性.
行星齿轮箱、故障诊断、深度强化学习、多尺度特征、通道注意力
58
TH165;TH17
国家重点研发计划2018YFB1702400
2022-08-30(万方平台首次上网日期,不代表论文的发表时间)
共10页
133-142