18、基于深度强化学习的行星齿轮箱智能故障诊断

基于深度强化学习的行星齿轮箱智能故障诊断

1. 引言

行星齿轮箱作为现代机械系统的关键传动部件，凭借大传动比、结构紧凑和承载能力强等优势，在风力发电机、燃气轮机和直升机等领域得到广泛应用。然而，由于其通常在恶劣环境下运行，关键部件（如齿轮和轴承）长期运行易出现诸如齿根裂纹、缺齿、断齿、点蚀、轴承内圈故障和外圈故障等潜在缺陷。这些故障可能导致整个机械系统意外停机，造成巨大经济损失，甚至引发人员伤亡事故。因此，研究行星齿轮箱故障诊断方法，对确保机械系统运行安全可靠、降低维护成本具有重要意义。

传统的齿轮箱故障诊断方法主要基于振动分析进行特征频率识别，利用信号处理技术（如短时傅里叶变换（STFT）、小波变换（WT）、小波包变换（WPT）、经验模态分解（EMD）等）从振动信号中提取故障频率以实现故障检测。但该方法需要大量信号处理专业知识，且在复杂环境下提取故障频率困难。

随着人工智能的兴起，基于机器学习（ML）的数据驱动方法为故障诊断发展提供了新途径。一些ML方法（如人工神经网络、支持向量机（SVM）、极限学习机等）在故障诊断中广泛应用并取得了一定成果。但这些方法通常需要手动特征提取器获取时频域特征进行故障诊断，诊断准确性主要取决于提取特征的有效性，且浅层结构分类器难以提取抽象特征，导致诊断精度相对较低。尤其在机械健康监测大数据时代，这些方法在处理故障诊断时的局限性更加明显。

目前，深度学习（DL）凭借强大的特征学习能力，在机械故障诊断领域受到广泛关注。基于DL的方法可实现端到端诊断，且在故障诊断中表现出色。此外，考虑到实际中振动信号常含强噪声和非线性特征，一些研究将时频分析（TFA）与DL结合用于故障诊断，以提高诊断准确性和鲁棒性。

然而，大多数