一种轴承故障检测装置及深度强化学习算法

技术特征：
1.一种轴承故障检测装置，其特征在于，包括：底板(1)以及传动装置和测试装置；所述传动装置包括电机箱(2)、第一轴承座(3)、连接孔(4)、伺服电机(5)、减速器(6)、第一锥齿轮(7)、第二锥齿轮(8)、传动轴承(9)和主轴(10)，所述底板(1)的顶端固定连接电机箱(2)，所述电机箱(2)的内部顶端安装有伺服电机(5)，所述底板(1)的顶端固定连接第一轴承座(3)；所述测试装置包括箱门(11)、第二轴承座(12)、故障轴承(13)、电动推杆(14)、噪声传感器(15)、开口(16)、支撑座(17)、顶座(18)、控制面板(19)、显示屏(20)、单片机(21)和测试箱(22)，所述底板(1)的顶端两侧均固定连接测试箱(22)，所述测试箱(22)的顶端固定连接顶座(18)。2.如权利要求1所述的轴承故障检测装置，其特征在于，所述伺服电机(5)的输出端安装有减速器(6)，所述减速器(6)的输出端套接有第一锥齿轮(7)，所述第一锥齿轮(7)啮合连接两个第二锥齿轮(8)，所述第二锥齿轮(8)固定连接在主轴(10)的一端，所述主轴(10)通过传动轴承(9)转动连接在第一轴承座(3)的内部，所述传动轴承(9)安装在第一轴承座(3)的内部。3.如权利要求1所述的轴承故障检测装置，其特征在于，所述第一轴承座(3)的数量为两个，两个所述第一轴承座(3)均位于电机箱(2)与底板(1)之间，所述底板(1)的顶端两侧均固定连接支撑座(17)，所述支撑座(17)与第一轴承座(3)之间转动连接主轴(10)，所述主轴(10)转动连接在连接孔(4)的内部，所述连接孔(4)的数量为两个，两个所述连接孔(4)对称分布在电机箱(2)的两端侧壁。4.如权利要求1所述的轴承故障检测装置，其特征在于，所述测试箱(22)的一端侧壁开设有开口(16)，所述开口(16)的内部铰接有箱门(11)，所述测试箱(22)的内部转动连接主轴(10)，所述主轴(10)的一端贯穿开口(16)内部的箱门(11)，所述主轴(10)转动连接第二轴承座(12)，所述第二轴承座(12)安装在底板(1)的顶端并位于测试箱(22)的内部，所述第二轴承座(12)的内部安装有故障轴承(13)，所述故障轴承(13)安装在主轴(10)的一端。5.一种轴承故障检测的深度强化学习算法，其特征在于，包括以下步骤：步骤1、确定数据状态个数n
s
＝l
t
/l
s
其中n
s
为数据状态个数，l
t
为时域信号长度，l
s
为样本长度；由此，可得到某个时域数据状态下标k表示状态序列，上标t
d
表示时域数据；步骤2、将故障类型映射到动作空间集a＝{a1＝0，a1＝1，...，a
i
＝n-1}，n为故障类型数，可得到某故障类型的数据状态空间集：其中i<n，k≤n
s
，s
k
为当前故障数据状态空间中的某个状态，包含对时域数据；步骤3、把动作空间集a和数据状态空间集s的关系进行对应：步骤4、创建出数据状态空间后，当智能体从环境中的状态s
k
后，决策出动作a
i
；步骤5、环境根据动作a
i
返回对应故障类型的数据状态空间中某个状态sk和奖励值r，回放记忆单元将每一次的交互数据(s
k
,a
i
,r,s
k
)存储在回放记忆单元d中；步骤6、随机抽取k个样本输入到深度强化学习网络和目标网络，采用随机梯度下降法
来训练权重和偏置值参数以最大化强化学习函数值；步骤7、调试超参数使深度强化学习网络学习数据状态与动作之间复杂的映射关系；步骤8、将测试集输入到深度强化学习网络模型，验证基于连续小波变换和深度强化学习的轴承故障诊断方法的有效性。6.如权利要求5所述的轴承故障检测的深度强化学习算法，其特征在于，所述故障类型包括磨损失效、疲劳失效、腐蚀失效。

技术总结
本发明公开了一种轴承故障检测装置及深度强化学习算法，包括底板以及传动装置和测试装置；传动装置包括电机箱、第一轴承座、连接孔、伺服电机、减速器、第一锥齿轮、第二锥齿轮、传动轴承和主轴，底板的顶端固定连接电机箱，电机箱的内部顶端安装有伺服电机，底板的顶端固定连接第一轴承座；测试装置包括箱门、第二轴承座、故障轴承、电动推杆、噪声传感器、开口、支撑座、顶座、控制面板、显示屏、单片机和测试箱，底板的顶端两侧均固定连接测试箱，测试箱的顶端固定连接顶座。本发明实现了故障诊断的自动提取以及噪声环境下端到端的智能故障诊断，通过深度学习网络有效提取各故障的故障特征，以深度强化学习模型完成各个故障类型的识别。别。别。


技术研发人员：高永新 肖宇 聂振伟
受保护的技术使用者：辽宁工程技术大学
技术研发日：2022.09.16
技术公布日：2022/11/8