文件名称：Intelligent-Fault-Diagnosis-Using-RL
文件大小：70.35MB
文件格式：ZIP
更新时间：2024-05-06 21:36:26
Python
使用强化学习的智能故障诊断 问题陈述：使用智能代理执行条件分类，该智能代理学习类似于人类感知的分类 方法：使用堆叠式自动编码器提取潜在特征，并使用深度Q网络训练代理 数据集 我们的研究中使用的滚动轴承的故障数据是由凯斯西储大学（CWRU）收集的。 该数据集包含正常轴承和故障轴承的滚珠轴承测试数据。 在实验设置中，测量数据的采样频率为48KHz，该频率来自电机轴附近的测量。 有四种不同的条件： N：正常 如果：内部故障 OF：外部故障 RF：滚轴故障 为了验证所提出的方法，根据作为运行条件的轴的负载量将振动数据分为四组（A，B，C和D），这将导致不同的振动模式，从而增加振动的动态性。轴。 根据故障直径和故障位置，每组（例如A）包含10个不同的类别（1、2，...，10）。 A，B，C包含所有类，并且在这三个数据集中没有不可见的类。 平均而言，某个数据集下的每个类别包含480,000
【文件预览】：
Intelligent-Fault-Diagnosis-Using-RL-master
----DataSetB.mat(23.3MB)
----Q-learningWITHbayesian.py(16KB)
----DataSetA.mat(22.66MB)
----pre_processing.py(3KB)
----para.pth(1.22MB)
----para.json(81B)
----SAE.py(5KB)
----encoder_para.pth(19KB)
----Crossprocessing.py(4KB)
----DataSetC.mat(23.23MB)
----Q-learning.py(6KB)
----.gitignore(31B)
----README.md(3KB)