基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

来源：计算机集成制造系统杂志2020年第8期北京时间：

作者：李锋,陈勇,王家序,汤宝平

单位：1.四川大学机械工程学院2.四川大学空天科学与工程学院3.重庆大学机械传动国家重点实验室

摘要：为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。

关键词：强化学习单元匹配循环神经网络,强化学习,奇异谱熵,状态趋势预测,滚动轴承

基金资助：机械传动国家重点实验室开放基金资助项目(SKLMT-KFKT-201718);中国博士后科学基金面上资助项目(2016M602685);四川大学泸州市人民政府战略合作资助项目(2018CDLZ-30)。