申请/专利权人：桂林电子科技大学;南宁桂电电子科技研究院有限公司

申请日：2023-09-06

公开（公告）日：2023-11-17

公开（公告）号：CN117076890A

主分类号：G06F18/20

分类号：G06F18/20;G06N3/0464;G06N3/08;G01M13/04;G01M13/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.12.05#实质审查的生效;2023.11.17#公开

摘要：本发明公开了基于改进PER和深度强化学习多类不平衡故障定量诊断方法。针对长尾分布下旋转机械智能故障定量诊断存在精度低、泛化性差等问题，立足于深度强化学习，提出基于改进优先经验回放Prioritizedexperiencereplay，PER的D3QN新范式PER‑EADRL。首先用奖励值和TD‑errorTemporal‑differenceerror评估经验数据优先级，高效复用高价值信息；其次以ResNet为骨干网络，深度融合ECA注意力和CBAM注意力机制构建深度Q网络，在连续试炼中探明潜在空间的高阶判别性特征；同时以不平衡率为基准构建奖励机制，实时准确率作为模型反馈保守微调奖励函数；进一步地利用同步压缩小波变换获取时频图，构建高质量虚拟环境。最后，通过CWRU数据进行验证：所提方法在类不平衡工况下能自主精确实现故障定量识别。

主权项：1.基于改进PER和深度强化学习多类不平衡故障定量诊断方法，其特征在于：包括如下步骤：S1、信号采集与预处理，获得滚动轴承在不同健康状况、不同故障损伤程度的原始振动数据，并对所述振动数据以无重叠方式进行划分，对分割后的信号样本进行归一化处理，构建初始训练样本及测试样本；S2、时频图生成，将所述初始训练样本以及测试样本进行同步压缩小波变换，获得二维时频图，并将其进行归一化处理，通过随机删减样本构建不平衡分布的训练集及测试集；S3、建立基于改进PER和深度强化学习多类不平衡故障定量诊断模型，所述基于改进PER和深度强化学习多类不平衡故障定量诊断模型包括深度Q网络、奖励函数、经验池、自适应数据优先经验回放以及状态转移函数；通过ECA和CBAM模块融合ResNet构建深度Q网络；根据不平衡比和准确率构建奖励函数；基于奖励函数和TD-error构建自适应数据优先经验回放机制；构建用于复用经验数据的经验池；状态转移函数按照样本类别顺序随机给出状态；S4、基于训练集构建虚拟环境，通过智能体与虚拟环境循环交互，获得智能故障定量诊断模型；S5、应用测试集对智能故障定量诊断模型进行验证。

全文数据：

权利要求：

百度查询： 桂林电子科技大学;南宁桂电电子科技研究院有限公司 基于改进PER和深度强化学习多类不平衡故障定量诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD