[發明專利]一種基于CARLA神經網絡的故障診斷方法、裝置和計算機可讀存儲介質

在審

• 申請號: 202211332843.2
• 申請日: 2022-10-28
• 公開（公告）號: CN115545116A
• 公開（公告）日: 2022-12-30
• 發明（設計）人: 吳玉虎;郝崟霖;孫希明;呂宗陽
• 申請（專利權）人: 大連理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 遼寧鴻文知識產權代理有限公司 21102
• 代理人: 許明章;王海波

1.一種基于CARLA神經網絡的故障診斷方法，其特征在于，該基于CARLA神經網絡的故障診斷方法根據連續動作強化學習機CARLA對神經網絡的參數進行設定；首先讓每一個連續動作強化學習機CARLA負責一個神經網絡參數，不同連續動作強化學習機之間并行運行；每一個連續動作強化學習機CARLA維持一個神經網絡參數的概率密度函數；通過對概率密度函數積分計算等于某個隨機數值，得到本次訓練的神經網絡參數，使用訓練集進行訓練神經網絡；通過結果計算評估函數得到每次訓練的迭代函數；每一次訓練所產生的函數迭代至對應神經網絡參數的概率密度函數中，最后根據概率密度的分布選取最終的神經網絡參數值；

具體包括步驟如下：

步驟1：設定每個神經網絡參數的學習區間；

第i個神經網絡參數取值范圍為(x_imin,x_imax)；

x_imin表示第i個神經網絡參數被選取的最小值，x_imax表示第i個神經網絡參數被選取的最大值；

步驟2：將每一個神經網絡參數的初始概率密度設定為均勻分布；

第i個神經網絡參數的概率密度初始為

步驟3：通過計算概率密度的積分，使其等于[0,1]上的隨機數，計算本次迭代過程中所使用的神經網絡參數值；

r(n)為在區間[0,1]生成的一個隨機數，選擇神經網絡參數x_i(n)使得等于該隨機數；神經網絡參數在第n次迭代后的概率密度不再是均勻分布；

步驟4：將本次迭代所計算出的神經網絡參數值設置到神經網絡中，并使用訓練集的所有條數據對神經網絡進行一輪訓練，存儲每組神經網絡參數下神經網絡的輸出值；輸出值為表示各數據故障概率的向量；

步驟5：根據步驟4的神經網絡輸出值，判斷損失函數是否達標；達標則繼續步驟6；否則，返回步驟3重新進行操作；

第k條輸入至神經網絡數據的損失函數公式如下；

y_j表示神經網絡輸出的第j個故障，m為輸出的個數，p(y_j)表示y_j真實的概率分布，q(y_j)表示神經網絡對y_j的預測概率分布；

當的值超過設置標準，則返回到步驟3重新進行；

步驟6：計算目標函數的值；

第n次迭代的目標函數值計算公式如下

l為訓練集的條數；

步驟7：將本次迭代的神經網絡參數的目標函數值與該次迭代以前所存儲的值經過性能評估函數進行計算，得到本次迭代的神經網絡參數的性能指標；

該組神經網絡參數的性能評估公式如下；

存儲最后的A個J值作為集合；J_mid為存儲的J值的中位數，J_min為存儲的J值的最小值，J(n)為本組神經網絡參數下的目標函數值；當J(n)小于J_mid時，作為獎勵存儲J(n)至集合中；當J(n)大于J_mid時，作為懲罰，使評估值為0；

步驟8：更新每個神經網絡參數的概率密度；基于步驟7所計算的β(n)進行概率密度的更新；

第i個神經網絡參數的第n+1次迭代時的概率密度分布為

其中，G(x_i,c)表示的是以c＝x_i(n)為中心的對稱的高斯函數；

η影響高斯函數的高度，τ影響高斯函數的寬度；

τ＝g_w(x_imax-x_imin)(9)

其中，g_h為連續動作強化學習機CARLA學習的速度，g_w為連續動作強化學習機CARLA分辨率；

設定α(n)使每個神經網絡參數的概率密度積分和為1；

步驟9：判斷神經網絡參數的概率密度是否滿足結束標準；滿足結束標準則結束，否則繼續返回步驟3進行學習；針對每個神經網絡參數，選擇對應神經網絡參數的概率密度中概率最大的數值，將最大概率的神經網絡參數組設置到神經網絡中，再次進行一輪訓練，計算本輪訓練的正確率，正確率達到標準則停止訓練，未達到則繼續步驟3；正確率的計算方式為使用測試集數據進行輸入，累加神經網絡輸出的概率最高的故障與實際故障相同的個數，然后除以測試集的數據條數。