科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于深度强化学习，提出了一种双经验池深度强化学习模型，并应用于不平衡样本数据下的滚动轴承故障诊断。该方法设计了用于存储多样本类和少样本类数据的双经验池结构。建立并行双残差网络模型分别用于提取多数和少数类输入样本的深层特征。在深度强化学习训练过程提出一种平衡交叉采样技术，即按照一定的比例随机抽选两个经验池中的样本，实现对双残差网络模型的训练。利用三种标准数据集对算法进行了验证，并与Resnet18、DCNN、DQN、DQNimb等方法进行了对比，结果表明了本文方法的优越性。最后，以小波时频图作为输入，将所提出的双经验池深度强化学习应用于不平衡试验数据下的滚动轴承故障诊断，并与其他方法进行了对比验证。结果表明，在多种不平衡数据集上本文所提方法的诊断准确率和不平衡指标G-means均高于其他算法5%以上，结果充分表明了本文方法在处理不平衡数据下的滚动轴承故障诊断方面具有很强的优势。
- 单位
