机械工程学报

作者：柏林, 何牧耕, 陈兵奎, 刘小峰

单位：重庆大学机械与运载工程学院 重庆 400044

关键词：故障诊断,域泛化,特征筛选,分治奖励,深度强化学习；

基金：国家科技重大专项(J2019-IV-0001-0068)和国家自然科学基金(52175077，51975067)资助项目。

针对深度强化学习对交互环境的依赖性导致的其在跨工况设备故障诊断中可移植性差的问题，提出一种D3QN (Dueling double deep Q network, D3QN) 域泛化的故障诊断方法。采用自适应权值的最大相关最小冗余特征筛选方法进行特征优化选择，实现数据环境去冗余精化处理；在竞争网络和双Q网络基础上引入了域识别网络，实现工况环境掩蔽下的故障状态信息分离提取；构建基于故障模式类间距的量化奖励矩阵，并结合域辨识奖励设置分治奖励策略，增强智能体对跨工况混叠故障模式的辨识决策能力。齿轮箱故障与轴承故障的跨工况诊断结果表明，能够较好地解决深度强化学习网络对交互环境的依赖性和其在跨工况故障诊断中与环境独立性之间的矛盾问题，实现深度强化模型在不同工况环境中的复用移植，提高深度强化学习在跨域故障诊断中的适用性。

来源：2024年第22期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2024年第22期