[发明专利]一种基于自调优深度学习的机械故障预测方法

说明书

本发明提供了一种基于自调优深度学习的机械故障预测方法，方法包括：构建基于CNN的故障诊断模型；利用所述故障诊断模型构建强化学习模型；训练所述强化学习模型，并利用所述强化学习模型自适应调节所述故障诊断模型的学习率；利用自适应调节学习率的所述故障诊断模型进行故障诊断。本发明的有益效果是：构建了一个卷积神经网络强化学习混合模型，该模型根据基于CNN的故障诊断模型的实时状态，实现对学习率的自动调节，进而提高该故障诊断模型的学习效率和学习效果，提高故障诊断性能。

技术领域

本发明涉及故障预测领域，尤其涉及一种基于自调优深度学习的机械故障预测方法。

背景技术

故障诊断在现代装备制造业占有重要地位。故障诊断方法可以探测装备是否处于危险的工作状态，以确保安全的工作状态或节省时间以采取相应的补救措施。精准高效的故障诊断方法得到了学术界和工程界的广泛关注。深度学习作为数据驱动故障诊断中最常用分析方法，已经在如轴承、齿轮箱、风力发电机、往复式压缩机等得到了广泛的应用，取得了大量的研究成果。

然而深度学习的性能取决于对超参数的调节，而默认超参数不能保证在所有数据集上的性能，因此寻找最优的超参数组合是提高深度学习方法性能的有效途径。传统的调参过程主要为“试错法”或手工搜索。由于调参过程是基于深度学习的故障诊断方法的必备环节，且需要在每一个数据集上均进行手动调参过程，因此调参结果高度依赖于人工经验，且耗时耗力。而故障诊断的数据规范化程度低、数据来源多样、数据分布范围广等特点，给深度学习的调参过程带来了更大的挑战。

学习率是深度学习模型最重要的参数之一。学习率过大将导致深度学习训练过程发散，无法得到有效的故障诊断模型。而学习率过小将导致深度学习模型陷入局部最优解，无法有效提取故障的数据特征。因此，合适的学习率寻优策略一直都是基于深度学习的故障诊断方法的核心内容之一。

发明内容

本发明针对上述问题，提出了基于强化学习的超参数调优模型，进而实现了一种基于自调优深度学习的故障预测方法。该方法能自适应的调整学习率参数，提取针对故障诊断数据集的高效学习率调度模型，使得学习率始终处于合理的范围内，能提高深度学习模型对故障诊断的数据特征提取能力，进而提升最终故障诊断的效果提供了一种基于自调优深度学习的机械故障预测方法、设备及存储设备，一种基于自调优深度学习的机械故障预测方法，主要包括以下步骤：

S101：获取故障诊断数据集；

S102：构建故障诊断模型；该模型包括主CNN网络、博弈CNN网络、主Q网络和目标Q网络四个网络结构；其中主CNN网络输出最终的故障诊断结果；博弈CNN网络与主CNN网络的结构一样，为其克隆网络；主Q网络为3层人工神经网络结构；目标Q网络与主Q网络的结构一样，为其克隆网络；初始化主CNN网络和博弈CNN网络的学习率η，训练步t＝0；

S103：建立故障诊断模型的状态、行为、奖励的表征方法；故障诊断模型CNN网络在进行第t步训练时，状态s_t为故障诊断模型CNN网络的表示方法；所述故障诊断模型CNN网络包括主CNN网络和博弈CNN网络；故障诊断模型Q网络通过所述故障诊断模型CNN网络的状态，预测得到各个行为对应的预测奖励值，并选取最大的奖励值y_t及其对应的行为a_t；所述故障诊断模型Q网络包括主Q网络和目标Q网络；

所述故障诊断模型Q网络通过行为函数将行为a_t用于学习率η的更新，并以该学习率训练一步所述故障诊断模型CNN网络，得到该步的训练误差f_t，变换得到奖励值r_t+1，同时该CNN网络达到下一状态s_t+1；

最后，将状态s_t、行为a_t、奖励值r_t+1、下一状态s_t+1存储以备用；