Fault Diagnosis with Intelligent RL Approach

简介：
本研究提出了一种基于智能强化学习的方法进行故障诊断，通过优化的学习策略有效提高系统的可靠性和维护效率。 使用强化学习的智能故障诊断问题陈述如下：通过训练一个类似于人类感知分类方法的智能代理来执行条件分类任务。该过程涉及利用堆叠式自动编码器提取潜在特征，并采用深度Q网络对代理进行数据集训练。本研究使用的滚动轴承故障数据由凯斯西储大学（CWRU）提供，包含正常和各种故障状态下的滚珠轴承测试信息。 实验中采集的数据采样频率为48KHz，这一数值来源于电机轴附近的测量结果。四种不同的运行条件如下： - N：代表无故障情况； - IF：表示内部故障； - OF：指外部故障； - RF：表明滚动体出现的故障。 为了验证我们的方法有效性，在实验中依据不同负载量下的振动数据被划分为四组（A、B、C和D），这些不同的条件将导致各异的振动模式，进而增加轴上振动的动力学特性。每一组包括根据故障直径及位置划分出的不同类别共10种情况（例如，编号为1至10）。其中，A、B和C三类包含了所有可能的分类，并且在它们之间没有不可见的数据类型存在。 一般而言，在每个特定数据集内某一个具体类型的样本数量大约有48万条。