基于改进DQN网络的滚动轴承故障诊断方法
针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法.该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数,同时引入残差网络(Resnet-18)实现特征的深层提取;智能体将新的回报函数和时频图作为输入,在每个时间步长执行诊断动作,判断并返回回报值;最终,智能体学会不平衡数据下的故障诊断策略.实验表明,所提改进的诊断模型相比本文对比的其他方法在不平衡下提高了 5%~8%;同时不平衡且变负载情况下也表现突出,不平衡指标得分达到了 0.982左右,具有较好的泛化性.
滚动轴承、不平衡、K-means、故障诊断、深度强化学习
42
TN911.7;TH165.3
国家自然科学基金;黑龙江省自然科学基金;黑龙江省普通高校基本科研业务专项资金
2021-07-28(万方平台首次上网日期,不代表论文的发表时间)
共12页
201-212