[发明专利]一种基于CARLA神经网络的故障诊断方法、装置和计算机可读存储介质

说明书

本发明属于机械装备故障诊断领域，提出一种基于CARLA神经网络的故障诊断方法、装置和计算机可读存储介质。根据CARLA对神经网络的参数进行设定；每一个CARLA负责一个神经网络参数，维持一个神经网络参数的概率密度函数。不同连续动作强化学习机之间并行运行；通过对概率密度函数积分计算等于某个随机数值，得到本次训练的神经网络参数，使用训练集进行训练神经网络；通过结果计算评估函数得到每次训练的迭代函数；每一次训练所产生的函数迭代至对应神经网络参数的概率密度函数中，最后根据概率密度的分布选取最重要神经网络参数值。通过本发明的方法可以有效的避免采用梯度进行参数更新时可能出现的梯度消失等问题。

技术领域

本发明涉及机械装备故障诊断领域，具体涉及一种基于CARLA神经网络的故障诊断方法。

背景技术

随着科技的不断进步，技术的不断发展，现在机械装备上所使用的电子元器件越来越多，组成也变得越来越精密化，这使得不同故障点之间的关联更趋向于耦合，使得装备元件之间的组成原理也变得极其的复杂。

传统上的工业装备在故障诊断时采用的都是停机后进行诊断，此种方法已经不适合于如今的复杂装备上，并且这种方法也会造成巨大的经济代价。

“梁红,靳成学.基于混合卡尔曼滤波器组故障传感器定位方法[J].航空发动机,2019,45(02):65-68.”和“郑宏利.基于机器学习的火控计算机状态评估与诊断方法研究[D].北京石油化工学院,2021.”中均记载，现在故障诊断主要采用的是统计学以及机器学习的方法。随着设备规模的增加，关联性的提高，这使得使用统计学的方式对设备进行数学建模成为一种极其难以实现的方法，无法对隐藏的特征进行获取。随着电子元器件、传感器等使用量的增多，从设备所蕴含的数据量进行处理也成为了故障诊断的主要方式。随着新工业革命的逐渐开展，工业互联网、物联网、人工智能等新兴科技，逐渐踏上了舞台。在这些新兴科技的逐步发展下，数据从制造过程中的副产品转变成为备受企业关注的战略资源。基于数据驱动的故障诊断主要包括了神经网络，而传统的网络参数更新都利用了梯度，以bp神经网络为例，bp神经网络具有梯度消失等问题。

强化学习是一种十分重要的机器学习方法，强化学习不同于监督学习和无监督学习，这两种学习方法采用的学习框架都是静态数据集的，而强化学习采用的是动态的环境数据，是一种主动学习。强化学习通过当前动作对环境造成的变化来对该动作进行奖励，从而进行训练。

发明内容

在故障诊断方法的研究中，寻找一种能够避免此类问题的故障诊断方式是具有重要意义的。基于此目的，本发明提出一种基于CARLA神经网络的故障诊断方法、装置和计算机可读存储介质。

本发明的技术方案：一种基于CARLA神经网络的故障诊断方法，根据连续动作强化学习机CARLA对神经网络的参数进行设定；首先让每一个连续动作强化学习机CARLA负责一个神经网络参数，不同连续动作强化学习机之间并行运行；每一个连续动作强化学习机CARLA维持一个神经网络参数的概率密度函数；通过对概率密度函数积分计算等于某个随机数值，得到本次训练的神经网络参数，使用训练集进行训练神经网络；通过结果计算评估函数得到每次训练的迭代函数；每一次训练所产生的函数迭代至对应神经网络参数的概率密度函数中，最后根据概率密度的分布选取最终的神经网络参数值；

具体包括步骤如下：

步骤1：设定每个神经网络参数的学习区间；

第i个神经网络参数取值范围为(x_imin,x_imax)；

x_imin表示第i个神经网络参数被选取的最小值，x_imax表示第i个神经网络参数被选取的最大值；

步骤2：将每一个神经网络参数的初始概率密度设定为均匀分布；

第i个神经网络参数的概率密度初始为