文章摘要:针对行星齿轮箱故障诊断常依赖较强的专业知识，诊断模型通用性差的问题，基于深度强化学习，提出一种深度宽卷积Q网络的行星齿轮箱故障智能诊断方法。首先将行星齿轮箱的故障诊断分解为序贯决策问题，采用分类马尔科夫决策过程进行描述，并建立故障诊断模拟环境；其次设计深度宽卷积神经网络作为深度Q网络模型中的动作值网络，增强对环境状态的感知能力；最后模型通过与环境间的不断交互，并依据环境反馈的奖励，自主学习最佳诊断策略，从而完成行星齿轮箱的状态辨识。试验及案例结果表明：该方法能够在多个工况下均可有效、准确地实现行星齿轮箱的智能诊断，诊断准确率均超过99%，增强了诊断模型的泛化性和通用性。

文章关键词:

论文分类号:TH132.425