一个改进的DQN框架,具有双剩余水平特征金字塔,用于在强噪声场景中自主故障诊断
1School of Mechanical Engineering, Shanghai Dianji University, Shanghai 201306, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
这项研究引入了一种新的深度学习框架,用于工业故障诊断,该框架具有抗噪声和轻量级. 它提高了准确性,并在具有挑战性的噪音环境中降低了参数.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 工业工程 工业工程 工业工程
背景情况:
- 深度学习故障诊断面临着工业噪音和有限资源的挑战.
- 现有的方法在现实世界的场景中难以实际应用.
研究的目的:
- 提出一种新,耐噪声,轻量级的故障诊断框架.
- 解决当前深度学习模型在强噪声环境中的局限性.
主要方法:
- 开发了一个整合深度学习和强化学习的框架.
- 引入了适应性采样的非线性时间步骤退行性贪策略 (NTDGS).
- 实现了用于噪声过的双余水平特征金字塔 (DRHFPN).
- 设计的特征图权重注意力机制 (FMWAM) 为增强特征提取.
主要成果:
- 拟议的方法在故障诊断中显示出优越的抗噪能力.
- 与现有方法相比,实现了更高的故障诊断准确度.
- 该框架具有较少参数的轻量级,适合资源有限的环境.
结论:
- 新的框架有效地处理工业故障诊断中的强背景噪声.
- 结合NTDGS,DRHFPN和FMWAM,可以提高模型的性能和效率.
- 这种方法为工业环境中可靠的故障诊断提供了实际解决方案.
