IEEETIM多尺度深度注意Q网络：一种用于齿轮箱不平衡故障诊断的深度强化学习新方法
确保机械驱动系统的安全在很大程度上依赖于准确的变速箱故障诊断。然而，实际多工况和不均匀样本分布的存在使变速箱的故障诊断更具挑战性。尽管使用卷积神经网络（CNNs）的智能故障诊断（IFD）已经显示出有希望的结果，但它们通常需要强大的反馈学习和经验丰富的超参数调整来完成不同的任务。在本文中，从深度强化学习（DRL）的角度提出了一种新的方法，称为多尺度深度注意力Q网络（MDAQN），用于不平衡齿轮箱故障诊断。引入了一种考虑类间偏差的不平衡分类马尔可夫决策过程（ICMDP），作为数据不平衡情况下增强分类策略学习的环境模拟。此外，设计了一种新的多尺度注意力卷积网络作为深度Q网络（DQN）算法的代理结构，从而提高了在复杂运行条件下的判别特征学习能力。通过利用DRL的弱反馈交互，对诊断模型进行训练，从而有效地进行不平衡齿轮箱故障诊断。在三个齿轮箱不平衡数据集上的实验结果表明，MDAQN表现出优越的特征提取能力和泛化能力，与多种现有方法相比，准确率超过99.0%。Index Terms—注意力，深度强化学习（DRL），变速箱，不平衡故障诊断，多尺度学习
