典型文献
基于多尺度注意力深度强化学习网络的行星齿轮箱智能诊断方法
文献摘要：
针对行星齿轮箱在多工况下故障表征具有差异性,现有方法中存在特征提取不足,且泛化性和诊断准确率低的问题,提出一种基于多尺度深度注意Q网络(Multiscale deep attention Q network,MSDAQN)的深度强化学习行星齿轮箱多工况智能诊断方法.首先定义分类马尔科夫决策过程描述诊断过程,建立故障诊断模拟环境;其次构造MSDAQN深度强化学习智能体结构,其通过多尺度卷积神经网络提取多尺度故障特征,并利用自适应通道注意力进行加权融合、突出关键信息;最后依据所建智能体与诊断模拟环境交互的经验,自主学习最佳诊断策略.通过行星齿轮箱的多工况试验和实际案例的测试与分析,表明所提方法具有更高的诊断准确率和较强的工况适应性.
文献关键词：
行星齿轮箱;故障诊断;深度强化学习;多尺度特征;通道注意力
中图分类号：
作者姓名：
王辉;徐佳文;严如强
作者机构：
东南大学仪器科学与工程学院 南京 210096;西安交通大学机械工程学院 西安 710049
文献出处：
引用格式：
[1]王辉;徐佳文;严如强-.基于多尺度注意力深度强化学习网络的行星齿轮箱智能诊断方法)[J].机械工程学报,2022(11):133-142
A类：
MSDAQN
B类：
多尺度注意力,深度强化学习,学习网络,行星齿轮箱,智能诊断方法,多工况,故障表征,存在特征,泛化性,诊断准确率,Multiscale,deep,attention,network,习行,定义分类,马尔科夫决策过程,诊断过程,模拟环境,智能体,多尺度卷积神经网络,故障特征,通道注意力,加权融合,关键信息,诊断策略,工况试验,实际案例,测试与分析,工况适应性,多尺度特征
AB值：
0.287419
相似文献
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。
