关键词:
齿轮箱故障诊断
深度强化学习
深度Q网络
卷积神经网络
参数迁移学习
时间收缩网络
可解释性
摘要:
齿轮箱作为机械装备传动系统中的关键动部件,一旦发生故障可能引发巨大的经济损失或人员伤亡,对齿轮箱进行故障诊断是保障机械装备安全可靠运行的必要措施。目前采用故障敏感度高的振动信号进行齿轮箱故障诊断是切实有效的手段。传统的振动信号驱动方法需要人工降噪、特征提取及筛选等过程,通过故障频率或浅层机器学习算法完成故障识别,诊断过程繁琐且缺乏智能性。尤其面对工况的多变性、噪声的干扰以及海量的数据时,手动特征提取越发不切实际,这类方法的准确性和适应性难以满足实际故障诊断需求。近年来,深度学习方法如卷积神经网络,凭借强大的特征表达能力能够从高维的状态中自适应提取判别性特征,在齿轮箱故障诊断中效果显著。然而,传统的深度学习方法不仅缺乏决策能力,在复杂工况下故障诊断的准确性、可解释性和通用性还有待提升。作为新兴的深度学习技术,深度强化学习同时兼备深度学习的感知能力和强化学习的决策能力,具备解决复杂问题的通用智能,为齿轮箱故障诊断提供了一个新思路。为此,本文以齿轮箱振动信号为对象,以类不平衡、变工况以及强噪声等场景下齿轮箱故障诊断为背景,研究了多种深度强化学习网络模型。主要研究工作如下:
(1)为了提升故障诊断的准确性和通用性,提出一种基于深度卷积Q-learning强化学习网络的齿轮箱端到端故障诊断方法。基于深度Q-learning强化学习算法(Deep Qlearning network,DQN),借助具有强大特征提取和表示能力的卷积神经网络构建DQN算法的网络结构;通过分类马尔科夫决策过程促使模型自动学习判别性特征和诊断策略,最终实现齿轮箱端到端故障类别的诊断。实验验证了该方法的有效性,为后续复杂工况下的齿轮箱故障诊断提供了研究基础。
(2)针对由多工况和数据分布不均衡导致故障诊断泛化性低的问题,提出一种基于多尺度特征深度注意强化学习网络的齿轮箱不平衡故障诊断方法。基于DQN算法,利用多尺度卷积和通道注意力从振动信号中自适应捕获低层多尺度特征、抑制与故障无关的冗余特征;利用多尺度稀疏结构和残差网络学习深层判别性特征,增强多工况下特征学习的稳定性;通过类偏离度构建环境奖励策略,促使模型在交互学习中自动关注少数类,实现不平衡故障诊断策略的有效学习。实验验证了该方法在齿轮箱不平衡故障诊断中具有较高的准确率和适应性。
(3)针对变工况下故障特征的稳健性差,以及由域差异和样本量少导致的故障诊断准确率低的问题,提出一种基于健康自适应参数迁移深度强化学习网络的齿轮箱变工况故障诊断方法。基于竞争DQN算法,利用多尺度卷积构建一种健康自适应表征层赋予模型低层具有可解释的时间-尺度特征的提取能力;利用空洞卷积构建一种多尺度残差网络在保持模型轻量化时提取丰富的深层特征,准确地实现变转速源域下齿轮箱故障诊断;采用参数迁移策略微调训练的源域模型,实现变工况小样本下的齿轮箱故障诊断。实验验证了该方法提升了齿轮箱变工况故障诊断的准确率。
(4)针对强噪声场景下故障诊断的鲁棒性和可解释性低的问题,提出一种基于深度时间收缩可解释强化学习网络的齿轮箱强噪声故障诊断方法。基于竞争DQN算法,融入带通滤波器知识构建一种可解释的SincNet卷积,增强模型首层输出特征的鲁棒性和可解释性;考虑齿轮箱振动信号的时序相关性,利用多尺度时间卷积捕获丰富的内在时间依赖特征;利用残差学习和自适应软阈值化构建一种多尺度时间收缩网络自适应削弱特征映射中的噪声,提升深层特征的稳健性;最终模型通过与建立的环境模拟交互学习完成齿轮箱故障诊断。实验验证了该方法具有较高的抗噪性、故障诊断的准确性和可解释性。
所提方法有效提升了齿轮箱在端到端特征学习与识别,以及类不平衡、变工况和强噪声场景下故障诊断的准确性和通用性,不仅扩展了深度强化学习算法的应用范围,也为复杂环境下齿轮箱的智能故障诊断提供了新思路。