基于增强卷积神经网络的滚动轴承故障诊断

TE931; 针对现有深度卷积神经网络(Convolutional Neural Networks,CNN)进行故障特征提取时存在全局特征描述能力不足以及提取特征时注意图权重系数选取上不明确的问题,提出一种特征增强的深度强化学习滚动轴承故障诊断方法.该方法首先将双通道注意力模块(Convolutional Block Attention Module,CBAM)嵌入到CNN中,提取更为重要的隐形特征对滚动轴承不同故障进行有效分类识别,然后将全连接层作为智能体在深度强化学习(Deep Reinforcement Learning,DRL)的Q-learning基础上进行学习,利用DRL的经验回放...

Full description

Saved in:
Bibliographic Details
Published in石油机械 Vol. 51; no. 8; pp. 124 - 131
Main Authors 刘幸倩, 唐友福, 李明磊, 缪皓, 吕泽宇, 杨新霞
Format Journal Article
LanguageChinese
Published 东北石油大学机械科学与工程学院%中国石油天然气集团有限公司工程和物装管理部%大庆钻探工程公司 2023
Subjects
滚动轴承
fault diagnosis
CNN
attention model
故障诊断
rolling bearing
CNN网络
强化学习
注意力模型
reinforcement learning
Online AccessGet full text

Cover

More Information
Summary:TE931; 针对现有深度卷积神经网络(Convolutional Neural Networks,CNN)进行故障特征提取时存在全局特征描述能力不足以及提取特征时注意图权重系数选取上不明确的问题,提出一种特征增强的深度强化学习滚动轴承故障诊断方法.该方法首先将双通道注意力模块(Convolutional Block Attention Module,CBAM)嵌入到CNN中,提取更为重要的隐形特征对滚动轴承不同故障进行有效分类识别,然后将全连接层作为智能体在深度强化学习(Deep Reinforcement Learning,DRL)的Q-learning基础上进行学习,利用DRL的经验回放机制存储智能体和环境交互时的经验数据,通过梯度下降法更新注意力图的权重参数,寻找最佳分类策略,最后通过试验研究验证该方法的有效性.研究结果表明:该方法对轴承数据的故障识别率可达到99.69％.通过对比可知,所提方法比现有的BP、CNN、SE-CNN、CBAM-CNN等常用机器学习方法具有更好的诊断性能和自适应能力.
ISSN:1001-4578
DOI:10.16082/j.cnki.issn.1001-4578.2023.08.017