[發明專利]機械設備故障智能診斷方法、系統、電子設備以及存儲介質

在審

• 申請號: 202310245329.3
• 申請日: 2023-03-13
• 公開（公告）號: CN116304629A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 崔丁偉;劉小鋒
• 申請（專利權）人: 崔丁偉
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/23;G06F18/214;G06F18/2413;G06N3/084
• 代理公司: 北京奇眸智達知識產權代理有限公司 11861
• 代理人: 陳彩云

本發明實施例公開了機械設備故障智能診斷方法、系統、電子設備以及存儲介質，獲取不同機械設備的數據，劃分為訓練集和測試集，采集振動信號進行預處理得到初始狀態環境Esubgt;N/subgt;，采用AMRMR方法覽選M個優化特征進行優化Esubgt;M/subgt;；采用SVDD對數據進行分析，結合域辨識獎勵，設置分治獎勵策略；構建域泛化Q深度網絡并更新泛Q深度網絡參數；采用訓練好的DGD3QN對Dsubgt;e/subgt;進行測試，在線尋求滿足最大回報的控制策略，輸出最大回報對應的故障標簽。提高了Agent在未知工況環境下自我學習的能力，使其在缺乏信息和知識的新環境中仍能自主地解決設備故障狀態的辨識問題，增強了DQN在新的數據環境中的決策能力，增強跨工況設備故障診斷中可移植性。

技術領域

本公開涉及機械故障診斷技術領域，尤其涉及一種機械設備故障智能診斷方法、系統、電子設備以及存儲介質。

背景技術

旋轉機械作為現代制造系統中的主要機械設備，為實現現代制造智能化、快速化、高效化的重要保障。齒輪、軸承等機械關鍵零部件廣泛應用在航空航天、軌道交通、石油化工等重要工程領域，一旦發生故障將造成嚴重的經濟損失和無可挽回的人員傷亡。

近年來，基于深度學習的智能故障診斷方法逐漸受到學術界和工業界的關注。目前深度學習中的深度Q網絡算法(DQN)從交互環境中采集目標的狀態數據，對各模式類特征進行表征，持續不間斷的調整模型的行為狀態，降低模型行為偏差，對各類復雜狀況具有自適應決策能力，更加適合于復雜多變工況環境下的故障診斷。

但是DQN算法大多針對域適應問題，需在預設工況數據訓練完畢后，再結合未知工況下的少量標簽數據進行網絡參數微調，而機械設備的實際運行環境是復雜多變的，其運行工況通常是未知且難以預測的。而且實際部署場景下的可用數據的獲取往往比較困難或者根本無法實現，Agent無法從新的數據環境獲取新的知識，大大降低了DQN在新的數據環境中的決策能力，導致的其在跨工況設備故障診斷中可移植性差，不適應于解決域泛化的跨工況故障診斷問題。

發明內容

提供該公開內容部分以便以簡要的形式介紹構思，這些構思將在后面的具體實施方式部分被詳細描述。該公開內容部分并不旨在標識要求保護的技術方案的關鍵特征或必要特征，也不旨在用于限制所要求的保護的技術方案的范圍。

本公開實施例提供了一種機械設備故障智能診斷方法、系統、電子設備以及存儲介質，提高了Agent在未知工況環境下自我思考、自我學習、自我進化的能力，使其在缺乏信息和知識的新環境中仍能自主地解決設備故障狀態的辨識問題，增強了DQN在新的數據環境中的決策能力，增強跨工況設備故障診斷中可移植性，能適應于解決域泛化的跨工況故障診斷問題。

第一方面，本公開實施例提供了機械設備故障智能診斷方法，包括：獲取不同機械設備的數據，根據環境工況將故障數據劃分為離線訓練集合D_t～P^d和在線測試集合D_e～P^t；

采集振動信號進行等長度分割并進行時頻域特征提取，得到初始狀態環境E_N，采用AMRMR(自適應權值MRMR)方法覽選M個優化特征，構建優化后的狀態環境E_M；

采用SVDD對多工況訓練數據進行聚類分析，計算各類別超球體的中心間距矩陣，得到相應的故障辨識獎勵矩陣，結合域辨識獎勵，設置分治獎勵策略；

構建域泛化Q深度網絡，采用優先經驗回放機制，抽取訓練樣本對域泛化Q網絡進行訓練，觀測網絡輸出的域標簽與故障標簽是否與訓練樣本一致，按照分治獎勵原則進行獎勵賦值，結合損失函數，使用梯度下降算法更新泛Q深度網絡參數；

采用訓練好的DGD3QN(在原始D3QN的優勢函數網絡與價值函數網絡的基礎上增加了域判別網絡)對D_e進行測試，在線尋求滿足回報的控制策略，輸出回報對應的故障標簽。