基于InfoLSGAN和AC算法的滚动轴承剩余寿命预测

发布时间：2020-11-19 08:13

　　 为解决小样本和噪声干扰下滚动轴承剩余寿命(RUL)预测准确率低的问题,提出一种基于信息最小二乘生成对抗网络(information least squares generative adversarial network,InfoLSGAN)和行动者-评论家(actor-critic,AC)算法的滚动轴承剩余寿命预测方法。将堆叠降噪自动编码器、信息生成对抗网络和最小二乘生成对抗网络相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中滚动轴承的剩余寿命。通过滚动轴承加速疲劳寿命试验验证该方法的有效性。试验结果证明,当信噪比等于0时,该方法对滚动轴承测试样本的寿命预测准确率至少提高了10%。在小样本情况下,滚动轴承剩余寿命预测的平均准确率达95.84%。
【部分图文】：

式中θn+1为输出层的参数集,g(·)为softmax分类器的激活函数。SDAE通过最小化交叉熵损失函数LSDAE实现微调,采用Adam优化算法[18]微调SDAE的参数集。L SDAE = argmin Θ - 1 Μ ∑ m=1 Μ [ y m ln?c m -(1-y m )ln(1-c m )] ??? (2)

L(G)=E x～Ρ data (x) [log?D * (x)]+ E z～Ρ z (z) {log[1-D * (G(z))]}=-log(4)+ 2D J-S (Ρ data |Ρ g ) ??? (6)式中L(G)为生成器G的成本函数。DJ-S(·)为Jensen-Shannon散度。当Pdata=Pg时,Jensen-Shannon散度等于0,且L(G)达到最小值。

式中rt+i为智能体在状态st+i根据策略π执行动作at+i所获得的立即奖励。Q(st)为在状态st的期望回报。若TD误差大于零,则智能体在后续状态中应积极执行动作at;若TD误差小于零,则智能体在后续状态中应降低执行动作at的概率。AC算法将行动者和评论家独立出来,对值函数和策略函数进行同步训练,从而减少训练时间,加快收敛速度。因此,AC算法可用于训练深度神经网络,其值函数梯度和策略函数梯度的计算公式分别为
【相似文献】

相关期刊论文 前1条

1 ;AC型耐腐蚀泵[J];机电新产品导报;1994年01期

本文编号：2889945