[发明专利]一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法

权利要求书

1.一种训练齿轮箱故障诊断模型方法，其特征在于，包括：

获取齿轮箱所在机电系统中的电机电流信号；

根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值；

根据随机森林算法对所述特征值进行筛选，生成样本数据集；

根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型；

所述根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值，包括：

根据所述电流信号计算表征电流信号复杂程度的模糊熵特征值；

获取的电流信号为电流时域信号，基于傅里叶算法，将所述电流信号转化为电流频域信号；

根据所述电流时域信号和电流频域信号分别计算表征突变程度的时域特征值和频域特征值；

所述根据随机森林算法对所述特征值进行筛选，生成样本数据集，包括：

将包括所述时域特征值和频域特征值的样本数据进行抽样，根据抽样结果生成随机森林训练数据集和随机森林袋外数据集；

根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度；

根据所述关联度对所述特征值进行筛选，生成有效特征数据集；

根据所述有效特征数据集和所述模糊熵，生成样本数据集；

所述根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度，包括：

根据所述随机森林样本数据集，按照预设的随机森林算法参数构建决策树；

将所述随机森林袋外数据集输入所述决策树，生成第一数据误差；

按照预设的干扰范围，对所述随机森林袋外数据集进行加噪后，再次输入所述决策树，生成第二数据误差；

根据所述第一数据误差和所述第二数据误差，计算任一特征值与故障的关联度；

所述根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型，包括：

根据训练数据集中抽取的样本对所述深度强化学习网络模型进行训练，得到训练结果，所述训练数据集为对所述样本数据集中的样本进行抽样得到；

根据所述训练结果准确性计算奖励值；

根据所述奖励值，确定奖励值期望；

根据训练数据集中抽取的样本对所述深度强化学习网络模型进行迭代训练，直至所述奖励值期望波动小于预设的波动阈值，得到齿轮箱故障诊断模型。

2.根据权利要求1所述的训练齿轮箱故障诊断模型方法，其特征在于，所述根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型，还包括：

将测试数据集输入所述齿轮箱故障诊断模型，得到测试结果，所述测试数据集由所述样本数据集中训练数据集以外的数据构成；

根据所述测试结果的准确率确定所述齿轮箱故障诊断模型是否为可用齿轮箱故障诊断模型；

当所述齿轮箱故障诊断模型为不可用齿轮箱故障诊断模型时，重新在所述样本数据集中抽取训练数据集对深度强化学习网络模型进行训练，直至得到可用齿轮箱故障诊断模型。

3.一种齿轮箱故障诊断方法，其特征在于，包括：

获取电流信号的时间序列；

将所述电流信号的时间序列输入到如权利要求1所述的训练齿轮箱故障诊断模型方法生成的齿轮箱故障诊断模型中，得到齿轮箱故障诊断结果。