仪器仪表学报

作者：康守强，刘 哲，王玉静，王庆岩，兰朝凤

单位：康守强,1.哈尔滨理工大学电气与电子工程学院,,刘 哲,1.哈尔滨理工大学电气与电子工程学院,,王玉静,1.哈尔滨理工大学电气与电子工程学院,,王庆岩,1.哈尔滨理工大学电气与电子工程学院,,兰朝凤,1.哈尔滨理工大学电气与电子工程学院,

关键词：滚动轴承;不平衡;K-means;故障诊断;深度强化学习

基金：国 家 自 然 科 学 基 金 ( 51805120 )、 黑 龙 江 省 自 然 科 学 基 金 ( LH2019E058 )、 黑 龙 江 省 普 通 高 校 基 本 科 研 业 务 专 项 资 金(LGYC2018JC022)资助

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Kmeans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。

来源：2021年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2021年第3期