System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于专家网络的铝挤压设备故障诊断方法技术_技高网

基于专家网络的铝挤压设备故障诊断方法技术

技术编号:41366911 阅读:8 留言:0更新日期:2024-05-20 10:14
本发明专利技术提出一种基于专家网络的深度强化学习铝挤压设备故障诊断方法,按照以下步骤实施:步骤1、对收集到的铝挤压设备数据进行预处理,处理成分类器能够识别的输入信号,确定待识别样本类的个数以及每一类样本的特征数即样本维度;步骤2、选择卷积神经网络作为分类器模型,将预处理过的铝挤压设备数据输入到分类器中,输出分类器对于不同类别样本的概率分布矩阵;步骤3、构建专家网络,基于样本间的相似程度,为输入专家网络的数据样本提供标签;步骤4、构建深度强化学习DQN算法框架;步骤5、训练深度强化学习DQN算法,输出最优动作;步骤6、将待识别铝挤压设备数据样本输入到已经训练好的网络模型,计算识别准确率。

【技术实现步骤摘要】

本专利技术属于电力设备监测,具体涉及一种基于专家网络的深度强化学习铝挤压设备故障诊断方法。


技术介绍

1、工业互联网作为新一代信息技术与工业系统全方位深度融合的产业和应用生态,是实现设备智能运维的关键基础。现代制造业更加趋向于智能化、精益化和个性化定制的发展方向,其中铝挤压生产的重要性尤为突出,广泛的应用在航空航天和运输建筑等行业。近几年来,中国铝加工行业结合市场和科学发展的需求,使传统铝挤压型材已经逐步完成了向现代化铝挤压型材的转变,部分企业的技术水平和生产工艺已经达到国际领先水平。其中具有代表性的是辽宁忠旺集团,该集团主要从事铝加工产品的研发,包括工业铝挤压业务、深加工业务和铝压延业务等等。由于铝加工工厂设备数量多且结构复杂,在长时间使用过程中可能发生故障,设备一旦发生故障,若不能及时诊断出设备的故障状态,并做出相应决策,就会造成生产停滞等严重问题,造成难以估量的损失。而在实际中,设备发生故障在所难免,因此,及时准确地判断出设备是否发生故障十分重要。


技术实现思路

1、本专利技术的目的是提供一种基于专家网络的深度强化学习铝挤压设备故障诊断方法,解决了现有技术中对于新型故障数据识别准确性不高的问题,使之更适用于当今复杂多变的实际环境。

2、本专利技术所采用的技术方案是,一种基于专家网络的深度强化学习铝挤压设备故障诊断方法,按照以下步骤实施:

3、步骤1、对收集到的铝挤压设备数据进行预处理,处理成分类器能够识别的输入信号,确定待识别样本类的个数以及每一类样本的特征数即样本维度;

4、步骤2、选择卷积神经网络作为分类器模型,将预处理过的铝挤压设备数据输入到分类器中,输出分类器对于不同类别样本的概率分布矩阵;

5、步骤3、构建专家网络,基于样本间的相似程度,为输入专家网络的数据样本提供标签;

6、步骤4、构建深度强化学习dqn算法框架;

7、步骤5、训练深度强化学习dqn算法,输出最优动作;

8、步骤6、将待识别铝挤压设备数据样本输入到已经训练好的网络模型,计算识别率。

9、本专利技术还具有以下可选特征。

10、在步骤2中,确定分类器模型为卷积神经网络,设置输出层激活函数为softmax,训练分类器。

11、在步骤2中,设置分类器超参数,建立目标函数,采用梯度下降法优化参数。

12、在步骤4中,定义动作空间,定义状态空间,定义奖励函数。

13、在步骤5中,先设置q网络,再设置记忆库,再训练dqn算法。

14、在步骤6中,识别准确率

15、

16、其中,num为待识别样本总数,b为分类正确的待识别样本。

17、本专利技术的有益效果是,通过对铝挤压设备数据进行处理分析,由于处理后的数据具有的高维度特性,利用卷积神经网络作为数据的分类器,分类效果优于传统的神经网络(bp)及传统分类方法(svm等);同时考虑到在训练分类器的阶段,难以训练所有类型的数据样本,新类型的样本可能导致分类器性能下降,故引入专家网络和深度强化学习dqn算法,将分类结果异常的数据交由专家网络处理,提升最终的识别精度,尽可能将由于诊断失误带来的损失降到最低。具体优点包括以下方面:

18、1)具有较强的智能性,能对分类器的分类结果是否异常做出判断,并采取相应措施,使得最终分类精度达到最优。

19、2)实用性强,针对铝挤压设备故障识别问题具有较优的识别精度,且实现过程简单。

20、3)具有较强的普适应,不仅在铝挤压设备故障诊断方面,还可适用于其他模式识别问题,依然能够取得较为理想的识别性能。

本文档来自技高网...

【技术保护点】

1.一种基于专家网络的深度强化学习铝挤压设备故障诊断方法,其特征在于,按照以下步骤实施:

2.根据权利要求1所述的基于专家网络的深度强化学习铝挤压设备故障诊断方法,其特征在于,在步骤2中,确定分类器模型为卷积神经网络,设置输出层激活函数为softmax,训练分类器。

3.根据权利要求2所述的基于专家网络的深度强化学习铝挤压设备故障诊断方法,其特征在于,在步骤2中,设置分类器超参数,建立目标函数,采用梯度下降法优化参数。

4.根据权利要求1所述的基于专家网络的深度强化学习铝挤压设备故障诊断方法,其特征在于,在步骤4中,定义动作空间,定义状态空间,定义奖励函数。

5.根据权利要求1所述的基于专家网络的深度强化学习铝挤压设备故障诊断方法,其特征在于,在步骤5中,先设置Q网络,再设置记忆库,再训练DQN算法。

6.根据权利要求1所述的基于专家网络的深度强化学习铝挤压设备故障诊断方法,其特征在于,在步骤6中,识别准确率

【技术特征摘要】

1.一种基于专家网络的深度强化学习铝挤压设备故障诊断方法,其特征在于,按照以下步骤实施:

2.根据权利要求1所述的基于专家网络的深度强化学习铝挤压设备故障诊断方法,其特征在于,在步骤2中,确定分类器模型为卷积神经网络,设置输出层激活函数为softmax,训练分类器。

3.根据权利要求2所述的基于专家网络的深度强化学习铝挤压设备故障诊断方法,其特征在于,在步骤2中,设置分类器超参数,建立目标函数,采用梯度下降法优化...

【专利技术属性】
技术研发人员:冯连强王富强王志超徐江
申请(专利权)人:中国重型机械研究院股份公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1