[发明专利]机械设备故障智能诊断方法、系统、电子设备以及存储介质

说明书

本发明实施例公开了机械设备故障智能诊断方法、系统、电子设备以及存储介质，获取不同机械设备的数据，划分为训练集和测试集，采集振动信号进行预处理得到初始状态环境Esubgt;N/subgt;，采用AMRMR方法览选M个优化特征进行优化Esubgt;M/subgt;；采用SVDD对数据进行分析，结合域辨识奖励，设置分治奖励策略；构建域泛化Q深度网络并更新泛Q深度网络参数；采用训练好的DGD3QN对Dsubgt;e/subgt;进行测试，在线寻求满足最大回报的控制策略，输出最大回报对应的故障标签。提高了Agent在未知工况环境下自我学习的能力，使其在缺乏信息和知识的新环境中仍能自主地解决设备故障状态的辨识问题，增强了DQN在新的数据环境中的决策能力，增强跨工况设备故障诊断中可移植性。

技术领域

本公开涉及机械故障诊断技术领域，尤其涉及一种机械设备故障智能诊断方法、系统、电子设备以及存储介质。

背景技术

旋转机械作为现代制造系统中的主要机械设备，为实现现代制造智能化、快速化、高效化的重要保障。齿轮、轴承等机械关键零部件广泛应用在航空航天、轨道交通、石油化工等重要工程领域，一旦发生故障将造成严重的经济损失和无可挽回的人员伤亡。

近年来，基于深度学习的智能故障诊断方法逐渐受到学术界和工业界的关注。目前深度学习中的深度Q网络算法(DQN)从交互环境中采集目标的状态数据，对各模式类特征进行表征，持续不间断的调整模型的行为状态，降低模型行为偏差，对各类复杂状况具有自适应决策能力，更加适合于复杂多变工况环境下的故障诊断。

但是DQN算法大多针对域适应问题，需在预设工况数据训练完毕后，再结合未知工况下的少量标签数据进行网络参数微调，而机械设备的实际运行环境是复杂多变的，其运行工况通常是未知且难以预测的。而且实际部署场景下的可用数据的获取往往比较困难或者根本无法实现，Agent无法从新的数据环境获取新的知识，大大降低了DQN在新的数据环境中的决策能力，导致的其在跨工况设备故障诊断中可移植性差，不适应于解决域泛化的跨工况故障诊断问题。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种机械设备故障智能诊断方法、系统、电子设备以及存储介质，提高了Agent在未知工况环境下自我思考、自我学习、自我进化的能力，使其在缺乏信息和知识的新环境中仍能自主地解决设备故障状态的辨识问题，增强了DQN在新的数据环境中的决策能力，增强跨工况设备故障诊断中可移植性，能适应于解决域泛化的跨工况故障诊断问题。

第一方面，本公开实施例提供了机械设备故障智能诊断方法，包括：获取不同机械设备的数据，根据环境工况将故障数据划分为离线训练集合D_t～P^d和在线测试集合D_e～P^t；

采集振动信号进行等长度分割并进行时频域特征提取，得到初始状态环境E_N，采用AMRMR(自适应权值MRMR)方法览选M个优化特征，构建优化后的状态环境E_M；

采用SVDD对多工况训练数据进行聚类分析，计算各类别超球体的中心间距矩阵，得到相应的故障辨识奖励矩阵，结合域辨识奖励，设置分治奖励策略；

构建域泛化Q深度网络，采用优先经验回放机制，抽取训练样本对域泛化Q网络进行训练，观测网络输出的域标签与故障标签是否与训练样本一致，按照分治奖励原则进行奖励赋值，结合损失函数，使用梯度下降算法更新泛Q深度网络参数；

采用训练好的DGD3QN(在原始D3QN的优势函数网络与价值函数网络的基础上增加了域判别网络)对D_e进行测试，在线寻求满足回报的控制策略，输出回报对应的故障标签。