加权强化学习多稳随机汇池未知微弱故障检测方法及系统与流程

摘要: 本发明涉及机械设备状态监测与故障诊断,尤其涉及一种加权强化学习多稳随机汇池未知微弱故障检测方法、系统、设备及其介质。背景技术:1、在机械设备运行过程中,滚动轴承...
加权强化学习多稳随机汇池未知微弱故障检测方法及系统与流程

本发明涉及机械设备状态监测与故障诊断,尤其涉及一种加权强化学习多稳随机汇池未知微弱故障检测方法、系统、设备及其介质。

背景技术:

1、在机械设备运行过程中,滚动轴承等关键部件因长期承受交变载荷作用,极易发生疲劳损伤而引发故障。早期故障通常表现为周期性瞬态冲击特征,但因其幅值较低且易被环境噪声及系统干扰所淹没,导致采集得到的振动信号信噪比极低,使得传统基于频谱分析或时域统计特征的故障诊断方法难以有效提取早期微弱故障特征,易造成故障漏检或误判,影响设备安全运行。

2、随机共振(stochastic resonance, sr)理论利用非线性系统与噪声之间的协同效应,可在特定条件下将噪声能量部分转移至微弱信号,从而实现微弱故障特征的有效增强,近年来在机械故障诊断领域得到了广泛研究。然而,现有基于随机共振的故障诊断方法仍存在以下技术瓶颈:

3、第一,系统参数(如势函数参数、噪声强度等)通常依赖于人工设定或基于经验的优化策略,缺乏自适应性。当面对未知故障类型或复杂变工况时,固定参数往往无法使系统处于最优随机共振区域,导致故障特征增强效果不稳定,甚至失效。

4、第二,现有参数优化方法(如粒子群优化算法、遗传算法等)通常需要在每次诊断时重新执行迭代搜索以寻找最优参数组合,计算开销较大,诊断延迟较高,难以满足在线实时检测对响应速度的严苛要求,限制了随机共振方法在工程实际中的推广应用。

5、第三,传统优化算法在应对高维参数空间时,易陷入局部最优解,且优化效果高度依赖于算法超参数的选取,鲁棒性较差,进一步制约了其在复杂噪声环境下的实用性。

技术实现思路

1、本发明要解决的技术问题是:为了解决现有技术基于自适应优化算法的随机共振参数寻优方法,在复杂工况及强噪声背景下,容易陷入局部最优,导致故障特征增强效果不稳定,影响诊断精度;同时,该类方法通常需要较长的迭代搜索时间,计算效率较低,难以满足工程实际中对实时性和在线检测的技术问题,本发明提供一种加权强化学习多稳随机汇池未知微弱故障检测方法,在无需轴承先验知识及故障特征频率信息等先验条件的条件下,实现了随机共振系统参数的自适应在线优化,同时兼顾故障特征的检测精度与系统的实时响应性能。

2、本发明解决其技术问题所采用的技术方案是:一种加权强化学习多稳随机汇池未知微弱故障检测方法,所述方法包括以下步骤:

3、步骤s1,通过加速度传感器采集设备运行过程中的振动信号,并通过频移变换将原始振动信号转换为小参数输入信号;

4、步骤s2,构建加权多稳随机共振汇池网络模型,所述加权多稳随机共振汇池网络模型由多个并联的多稳随机共振子系统组成,所述多稳随机共振子系统的输出信号经加权融合后形成所述加权多稳随机共振汇池网络模型的输出特征信息;

5、步骤s3,建立强化学习优化模型,将所述多稳随机共振子系统的系统参数及网络权值参数映射为状态空间,将参数调节行为定义为动作空间,并根据所述输出特征信息构建奖励反馈机制,通过强化学习优化模型与加权多稳随机共振汇池网络模型之间交互,对系统参数进行自适应优化调整;

6、步骤s4,选取基尼指数作为奖励函数,分析输出特征信息中能量分布的集中程度,强化学习优化模型根据所述奖励反馈对所述系统参数调节策略进行迭代更新,得到使基尼指数达到最大值的最优参数组合;

7、步骤s5,将所述最优参数组合应用于加权多稳随机共振汇池网络模型,并向每个多稳随机共振子系统注入独立同分布的高斯白噪声,并进行故障信号的检测;

8、步骤s6,对加权多稳随机共振汇池网络的输出信号进行频谱分析,提取故障特征频率,得到故障类别。

9、进一步,具体地,所述加权多稳随机共振汇池网络模型由

num个多稳随机共振子系统并联组成,第

i(

i=1, 2,…,

num)个多稳随机共振子系统可视为相互独立的传感器单元或者量化器,各阵子的输出信号

yi(t)分别与对应加权系数

wi相乘后进行加权汇聚,通过池化加和得到网络输出

x为:

10、

11、其中,表示各阵子加权系数向量,

num表示阵子总数,

w0表示偏置系数,表示第

i(

i=1, 2,…,

num)个多稳随机共振子系统的输出信号,表达式为:

12、;

13、其中,多稳随机共振子系统势函数表达式为:

14、

15、式中,

b, c, d是多稳随机共振子系统的势函数参数。

16、进一步,具体地,所述基尼指数的计算表达式为:

17、

18、式中,

x为含有

n个元素的信号,每个信号元素的系数为。

19、进一步,具体地,强化学习优化模型根据所述奖励反馈对所述系统参数调节策略进行迭代更新使需满足的策略更新条件为:

20、

21、其中,

π(

a|s)表示在状态

s下选择动作

a的概率,

γ为学习率,

r为奖励反馈值。

22、进一步,具体地,所述步骤s5采用离线训练与在线推断相结合的双阶段运行机制进行故障信号的检测。

23、进一步,具体地,所述离线训练包括利用历史振动信号数据对所述强化学习模型进行训练,通过强化学习优化模型与加权多稳随机共振汇池网络模型之间交互,获得最优参数调节策略。

24、进一步,具体地,所述在线推断包括将训练好的最优策略用于实时振动信号处理,输出当前信号对应的最优参数组合。

25、一种加权强化学习多稳随机汇池未知微弱故障检测系统,所述系统包括:

26、振动信号采集与预处理模块,用于通过加速度传感器采集设备运行过程中的振动信号,并通过频移变换将原始振动信号转换为小参数输入信号;

27、加权多稳随机共振汇池网络构建模块,用于构建加权多稳随机共振汇池网络模型,所述加权多稳随机共振汇池网络模型由多个并联的多稳随机共振子系统组成,所述多稳随机共振子系统的输出信号经加权融合后形成所述加权多稳随机共振汇池网络模型的输出特征信息;

28、强化学习优化模型建立模块,建立强化学习优化模型,将所述多稳随机共振子系统的系统参数及网络权值参数映射为状态空间,将参数调节行为定义为动作空间,并根据所述输出特征信息构建奖励反馈机制,通过强化学习优化模型与加权多稳随机共振汇池网络模型之间交互,对系统参数进行自适应优化调整;

29、奖励函数构建与参数迭代更新模块,选取基尼指数作为奖励函数,分析输出特征信息中能量分布的集中程度,强化学习优化模型根据所述奖励反馈对所述系统参数调节策略进行迭代更新,得到使基尼指数达到最大值的最优参数组合;

30、故障检测模块,将所述最优参数组合应用于加权多稳随机共振汇池网络模型,并向每个多稳随机共振子系统注入独立同分布的高斯白噪声,并进行故障信号的检测;

31、故障特征提取与识别模块,对加权多稳随机共振汇池网络的输出信号进行频谱分析,提取故障特征频率,得到故障类别。

32、一种计算机设备,包括:

33、处理器;

34、存储器,用于存储可执行指令;

35、其中,所述处理器用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现如上所述的加权强化学习多稳随机汇池未知微弱故障检测方法。

36、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,使得处理器实现如上所述的加权强化学习多稳随机汇池未知微弱故障检测方法。

37、本发明的有益效果是,本发明通过引入强化学习优化模型,实现了加权多稳随机共振汇池网络模型参数的自适应优化,降低了传统方法对人工经验参数设定的依赖;本发明利用强化学习优化模型与加权多稳随机共振汇池网络模型之间的交互学习,提高了参数搜索效率,避免传统优化算法易陷入局部最优的问题;本发明采用加权多稳随机共振汇池网络模型,通过多稳随机共振子系统协同作用增强微弱故障特征,提高了复杂噪声环境下故障检测的鲁棒性;本发明采用基尼指数作为奖励反馈指标,能够有效评价故障特征增强效果,提高参数优化准确性;本发明能够在无需先验故障信息条件下实现未知微弱故障特征增强与识别,具有良好的工程应用价值。