典型文献
基于无监督特征表示深度Q学习的智能故障诊断方法
文献摘要：
针对样本量严重不足条件下的轨道交通滚动轴承智能故障诊断准确率低、泛化性弱等问题,提出一种基于无监督特征表示深度Q学习的故障诊断方法.首先利用数据增强算法扩充训练集,无参数化地构造拓展数据集;其次,通过无监督地对比特征表示,对深度强化学习残差网络进行预训练,以优化网络的特征表示能力从而改善深度强化学习训练时间长的问题;最后,利用预训练后的残差网络通过深度强化学习算法实现故障分类.研究结果表明:相较于现有智能诊断算法,所提出方法的故障平均分类准确率明显提升,能有效提取信号特征并准确识别故障类型.此外,经验回放功能的建立可消除样本间的关联性,并弥补训练样本严重不足对诊断结果的影响.
文献关键词：
故障诊断;深度强化学习;对比学习;小样本
中图分类号：
作者姓名：
乌文扬;陈景龙;刘莘;周子桐
作者机构：
西安交通大学机械工程学院,陕西西安,710049
文献出处：
引用格式：
[1]乌文扬;陈景龙;刘莘;周子桐-.基于无监督特征表示深度Q学习的智能故障诊断方法)[J].中南大学学报（自然科学版）,2022(05):1750-1759
A类：
B类：
无监督特征,特征表示,故障诊断方法,样本量,严重不足,滚动轴承,轴承智能故障诊断,故障诊断准确率,泛化性,数据增强,增强算法,训练集,无参数,参数化,比特,残差网络,预训练,示能,学习训练,训练时间,深度强化学习算法,算法实现,故障分类,智能诊断,平均分,分类准确率,有效提取,取信,信号特征,准确识别,故障类型,经验回放,训练样本,诊断结果,对比学习,小样本
AB值：
0.39342
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
