学会监督:基于深度强化学习的学习原型改进,用于几次射击的电机故障诊断

科学领域:

• 工业工程 工业工程是指工业工程.
• 机器学习是机器学习.
• 人工智能的人工智能是人工智能.

背景情况:

• 工业设备的可靠性取决于准确的电机故障诊断.
• 工业环境中的数据稀缺性限制了传统的基于深度学习的智能故障诊断 (IFD).
• 短暂的故障诊断在利用有限的标记和未标记数据方面面临着挑战.

研究的目的:

• 提出一种原型改进方法,用于使用深度强化学习 (DRL) 进行半监督的少数射击故障诊断.
• 为了应对有效利用信息性未标记样本在少数射击故障诊断场景中的挑战.

主要方法:

• 正式化了用于代半监督元学习的马尔科夫决策过程 (MDP).
• 开发了一个镜像原型网络 (ProtoNet) 用于DRL代理互动.
• 设计了一个状态空间,包含特征嵌入和类别信息,并提供全面的奖励系统.

主要成果:

• 拟议的基于DRL的方法在几次射击诊断看不见的运动故障方面表现出有效性.
• 该方法成功地处理了新的工作条件,但数据有限.
• 对机动车数据集的实验验证证证了该方法的有效性.

结论:

• 原型精细化方法为在数据稀缺的工业环境中半监督的少数拍摄故障诊断提供了一个有前途的解决方案.
• DRL 能够自适应地选择有信息的未标记样本,从而提高诊断准确度.
• 这种方法提高了工业电机智能故障诊断的实用性.