Noise and Vibration Control ›› 2023, Vol. 43 ›› Issue (4): 109-115.

Previous Articles     Next Articles

Fault Diagnosis Method for Gas Turbine Rotors Based on Improved DQN

  

  • Online:2023-08-18 Published:2023-08-18

基于改进DQN燃气轮机转子故障诊断方法

崔英杰1, 2,王红军1, 2, 3,张顺利4,王星河1, 2   

  1. ( 1. 北京信息科技大学机电工程学院,北京100192;
    2. 北京信息科技大学高端装备智能感知与控制北京市国际科技合作基地,北京100192;
    3. 北京信息科技大学机电系统测控北京市重点实验室,北京100192;
    4. 中国航发西安航空发动机集团有限公司设计所,西安710021 )

摘要: 燃气轮机转子系统作为燃气轮机关键部件,由于难以获取敏感故障特征导致故障诊断精度不高,影响设备的安全服役。针对以上问题,提出一种改进深度Q网络(DQN)深度强化学习燃气轮机转子系统故障诊断方法。首先,以采集的一维工况原始振动信号为输入,该DQN模型的环境状态采用故障样本集组成,转子故障类型为当前模型输入的动作集合;然后,DQN模型的智能体使用一维宽卷积神经网络(WDCNN)拟合得到Q网络,并使用ε-贪婪策略做出决策动作,反馈奖励和下一状态并存储到经验池内;智能体内采用时间差分误差(TD-error)优先经验回放,使得算法更加稳定和训练收敛;智能体与环境不断交互决策出最大奖励,输出最优策略故障诊断结果。将该模型应用于西储大学轴承数据集与燃气轮机试车台数据集中,分别达到99.2 %与98.7 %的准确率,可以用于快速有效地进行故障诊断。结果表明该改进DQN模型具有较高的故障诊断准确性与通用性。

关键词: 故障诊断, 燃气轮机转子, 深度强化学习, DQN