基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法

针对旋转机械故障诊断中深度神经网络特征学习能力强、决策能力弱的问题，利用卷积神经网络拟合强化学习中的 Q 函数，通过 Q?learning 算法学习策略实现故障诊断，提出了基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法。对振动信号进行连续小波变换得到时间尺度矩阵，构建出环境状态空间，实现智能体与环境间的交互；用 CNN 拟合 Q?learning 中的 Q 函数得到深度 Q 网络，将环境返回的状态输入到深度 Q 网络中学习故障数据具体的状态特征表示，并据此表征学习策略，智能体采用 ε?贪婪方式决策出动作，利用奖励发生器对动作进行评价；通过智能体与环境间不断交互学习以最大化 Q 函数值，得到最优策略实现故障诊断。这种方式融合了深度学习的感知能力和强化学习的决策能力，从而有效提高了诊断能力。通过不同工况及不同样本量下齿轮箱故障诊断实验证明了所提方法的有效性。

Fault diagnosis method of rotating machinery based on deep Q-learning and continuous wavelet transform