基于深度强化学习的旋转机械故障诊断策略

由于传统深度学习方法无法挖掘原始振动数据与旋转机械状态之间的非线性映射关系,提出了一种基于堆叠式自动编码器与深度Q网络相结合的深度强化学习旋转机械故障诊断方法.首先建立故障诊断"博弈"模型,该博弈模型可以为故障诊断代理提供观察、行动和获得奖励的交互式环境.然后,堆叠式自动编码器采用完全连接模型进行逐级的内在特征学习从而构建了故障诊断代理,然后通过引入记忆回放和迭代更新策略以及奖励反馈机制,使得深度Q网络实现了原始振动信号与故障模式之间的非线性映射关系.最后通过实验证明了提出方法的有效性与可行性.     

基于双混沌改进的萤火虫算法无人机路径规划

针对无人机在自适应巡航路径规划存在的效率低、规划困难等问题,提出一种多角度改进的萤火虫算法。首先利用Chebyshev混沌特性初始化种群,改善了初始种群不易产生的问题;针对步长因子过于固定的问题,引入Levy飞行策略改进位置更新公式和步长更新公式,提高了种群的搜索范围和有效性;其次利用logistic混沌变异改进吸引度系数,提高了个体跳出当前状态逃离局部陷阱解的概率,加快收敛速度;最后基于建立的优化函数进行仿真,结果表明,改进后路径长度减少7.47%,节点减少31.57%,平顺度优于改进前,收敛时间减少18.54%,取得很好的收敛效果,有助于无人机在真实场景完成飞行作业。