[發明專利]一種改進深度Q網絡的滾動軸承故障診斷方法

有效

• 申請號: 202110360639.0
• 申請日: 2021-04-02
• 公開（公告）號: CN112924177B
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 康守強;劉哲;王玉靜;王慶巖;梁欣濤;謝金寶;蘭朝鳳
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06V10/44;G06V10/762;G06V10/77;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 黑龍江立超同創知識產權代理有限責任公司 23217
• 代理人: 楊立超

一種改進深度Q網絡的滾動軸承故障診斷方法，涉及滾動軸承故障診斷技術領域，用以解決現有技術中在應用深度強化學習對滾動軸承故障進行診斷時，由于數據分布不平衡或變負載導致的診斷準確率過低的問題。本發明的技術要點包括：把k?means算法中樣本到中心點的距離作為回報值的偏置，以不平衡比為基準，為訓練集構建具有個性化的回報函數，同時通過改進的殘差網絡(Resnet?18)實現特征的深層提取；智能體將新的回報函數和時頻圖作為輸入，在每個時間步長執行診斷動作，判斷并返回回報值；最終智能體學會不平衡數據下的故障診斷策略。本發明方法在滾動軸承數據不平衡和變負載下故障診斷結果表現優異，可用于對滾動軸承不同故障診斷的實際操作中。

技術領域

本發明涉及滾動軸承故障診斷技術領域，具體涉及一種改進深度Q網絡的滾動軸承故障診斷方法。

背景技術

滾動軸承作為旋轉機械設備的重要部件之一，被廣泛應用于工業領域^[1,2]，對其進行故障診斷有利于預防設備事故發生^[3]。滾動軸承在實際工作中，大部分時間處在正常運行狀態，采集到的正常狀態的振動信號樣本遠比故障狀態的要多，訓練得到的模型也對多數類樣本敏感，使少數類樣本難以被識別。近年來，滾動軸承振動數據不平衡的故障診斷研究受到學者的廣泛關注，對處理實際的工業數據具有很強的應用價值和現實意義。

在數據分布不平衡情況下，主要有兩類解決方法^[4]：從數據角度，通過對訓練樣本進行重采樣，使訓練樣本的分布達到平衡；從算法角度，不改變訓練數據集分布，通過調整分類算法使少數類樣本得到更多的關注。

數據角度的方法包括過采樣、欠采樣和混合采樣。過采樣方法通過增加少數類樣本使訓練集達到平衡，文獻[5]提出K*-信息量近鄰域過采樣方法，有效地解決了軸承故障樣本失衡問題，取得了不錯的效果；欠采樣方法通過舍棄部分多數類數據實現平衡訓練集，文獻[6]為了解決大數據獲取和診斷效率之間的平衡問題，提出在數據采集階段用欠采樣方法減少大數據，且在滾動軸承故障診斷中驗證了其有效性；混合采樣是二者的結合，文獻[7]引入主曲線和造粒分布模擬數據的總體分布特征，以進行可靠的過采樣和欠采樣，提出了基于極限學習機在線順序預測方法，在不平衡故障診斷任務中的準確率高達95％～97％。這些方法通過改變數據的不平衡分布，從而達到提升分類性能的目的。

算法角度的方法主要有分類閾值調整法、基于Boosting的集成學習和基于代價的敏感學習等。對于分類閾值調整的方法，通過調整分類器的分類邊界的閾值，改變對不同輸出概率的類別判定。文獻[8]提出了一種加權softmax損失來解決不平衡分類問題，并且在三個具有不同不平衡度的軸承數據集進行驗證，可以有效地處理分類不平衡問題。基于集成學習的思想，文獻[9]在保證少數類樣本充分參與訓練的前提下，訓練多個基分類器，提出多分類器集成加權均衡分布適配的滾動軸承壽命階段識別方法，F-score均分達到了0.73，有效地識別了少數類樣本。代價敏感學習為少數類錯分實例賦予更大的錯分代價，是一種常用技巧。文獻[10]在設計加權損失函數優化不平衡數據分布的同時，也結合隨機欠采樣平衡訓練樣本，在PHM2015工廠故障事件數據集中進行了驗證，準確率比其他基準方法高出2％～3％。