【技术实现步骤摘要】
本专利技术属于机械故障检测，具体涉及一种基于主动深度强化学习的滚弯机故障诊断方法。
技术介绍
1、铝合金型材弯曲件广泛应用于高铁列车的车体结构件中，弯曲件的成形精度对机身装配质量和气动外形有着重要影响。目前，铝合金型材弯曲件最主要的制造工艺是拉弯工艺和滚弯工艺。与拉弯工艺相比较，滚弯工艺以若干对辊轮为成型工具，在型材从辊轮中间经过的过程中，使得型材最终达到所需要的曲率半径。对于具有不同横截面形状和成形要求的型材，只需更换辊轮，并调整辊弯工艺即可。由于滚弯机结构复杂，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，就会造成生产停滞的严重问题，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，及时准确的判断出设备是否发生故障十分重要。
2、现今监测系统获取的海量数据，使得设备故障监测进入“大数据”时代，繁多且复杂的加工设备使得带标签的样本采集困难，因而存在大量的无标签高维数据。在实际生产中，分类器可能遇到训练过程中从未遇到过的新类型样本，使其分类困难，从而表现出较差的分...
【技术保护点】
1.基于主动深度强化学习的滚弯机故障诊断方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于主动深度强化学习的滚弯机故障诊断方法，其特征在于，所述步骤1中预处理具体为：分别将样本集中的各待测样本处理成网络能够识别的输入信号，确定待识别样本的类别个数以及样本维度，将样本集随机划分为70％的训练样本和30％的测试样本，并将训练样本按照类别标签划分为分类器训练样本和新类型样本，其中分类器样本类别与新类型样本类别互不重叠。
3.根据权利要求2所述的基于主动深度强化学习的滚弯机故障诊断方法，其特征在于，所述步骤2具体为：将分类器样本和新...
【技术特征摘要】
1.基于主动深度强化学习的滚弯机故障诊断方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于主动深度强化学习的滚弯机故障诊断方法，其特征在于，所述步骤1中预处理具体为：分别将样本集中的各待测样本处理成网络能够识别的输入信号，确定待识别样本的类别个数以及样本维度，将样本集随机划分为70％的训练样本和30％的测试样本，并将训练样本按照类别标签划分为分类器训练样本和新类型样本，其中分类器样本类别与新类型样本类别互不重叠。
3.根据权利要求2所述的基于主动深度强化学习的滚弯机故障诊断方法，其特征在于，所述步骤2具体为：将分类器样本和新类型样本输入到空时特征融合神经网络模型，输出空时特征融合神经网络模型对于分类器样本和新类型样本的概率分布矩阵。
4.根据权利要求3所述的基于主动深度强化学习的滚弯机故障诊断方法，其特征在于，所述步骤3具体为：将滚弯机故障诊断构造为一个马尔科夫决策问题模型，马尔科夫决策问题模型基于一个四元组，其中，状态空间s为包含所有状态的有限集合，动作空间a为包含所...
【专利技术属性】
技术研发人员：吴亚丽，吴学金，周傲然，王梓人，杨延西，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
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。