[发明专利]一种改进深度Q网络的滚动轴承故障诊断方法

说明书

一种改进深度Q网络的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，用以解决现有技术中在应用深度强化学习对滚动轴承故障进行诊断时，由于数据分布不平衡或变负载导致的诊断准确率过低的问题。本发明的技术要点包括：把k‑means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，同时通过改进的残差网络(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。本发明方法在滚动轴承数据不平衡和变负载下故障诊断结果表现优异，可用于对滚动轴承不同故障诊断的实际操作中。

技术领域

本发明涉及滚动轴承故障诊断技术领域，具体涉及一种改进深度Q网络的滚动轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械设备的重要部件之一，被广泛应用于工业领域^[1,2]，对其进行故障诊断有利于预防设备事故发生^[3]。滚动轴承在实际工作中，大部分时间处在正常运行状态，采集到的正常状态的振动信号样本远比故障状态的要多，训练得到的模型也对多数类样本敏感，使少数类样本难以被识别。近年来，滚动轴承振动数据不平衡的故障诊断研究受到学者的广泛关注，对处理实际的工业数据具有很强的应用价值和现实意义。

在数据分布不平衡情况下，主要有两类解决方法^[4]：从数据角度，通过对训练样本进行重采样，使训练样本的分布达到平衡；从算法角度，不改变训练数据集分布，通过调整分类算法使少数类样本得到更多的关注。

数据角度的方法包括过采样、欠采样和混合采样。过采样方法通过增加少数类样本使训练集达到平衡，文献[5]提出K*-信息量近邻域过采样方法，有效地解决了轴承故障样本失衡问题，取得了不错的效果；欠采样方法通过舍弃部分多数类数据实现平衡训练集，文献[6]为了解决大数据获取和诊断效率之间的平衡问题，提出在数据采集阶段用欠采样方法减少大数据，且在滚动轴承故障诊断中验证了其有效性；混合采样是二者的结合，文献[7]引入主曲线和造粒分布模拟数据的总体分布特征，以进行可靠的过采样和欠采样，提出了基于极限学习机在线顺序预测方法，在不平衡故障诊断任务中的准确率高达95％～97％。这些方法通过改变数据的不平衡分布，从而达到提升分类性能的目的。

算法角度的方法主要有分类阈值调整法、基于Boosting的集成学习和基于代价的敏感学习等。对于分类阈值调整的方法，通过调整分类器的分类边界的阈值，改变对不同输出概率的类别判定。文献[8]提出了一种加权softmax损失来解决不平衡分类问题，并且在三个具有不同不平衡度的轴承数据集进行验证，可以有效地处理分类不平衡问题。基于集成学习的思想，文献[9]在保证少数类样本充分参与训练的前提下，训练多个基分类器，提出多分类器集成加权均衡分布适配的滚动轴承寿命阶段识别方法，F-score均分达到了0.73，有效地识别了少数类样本。代价敏感学习为少数类错分实例赋予更大的错分代价，是一种常用技巧。文献[10]在设计加权损失函数优化不平衡数据分布的同时，也结合随机欠采样平衡训练样本，在PHM2015工厂故障事件数据集中进行了验证，准确率比其他基准方法高出2％～3％。