基于动态卷积胶囊网络的滚动轴承故障诊断方法

针对传统滚动轴承故障诊断方式泛化能力较薄弱的问题,提出一种动态卷积胶囊网络(DC-CapNets)的滚动轴承诊断方法。首先,将一维振动信号进行预处理,划分训练集和测试集;然后,采用快速傅里叶变换(FFT)对训练集和测试集样本进行时频转换;模型使用两个动态卷积层和池化层对输入频域信号进行特征提取,并将特征信息传输到胶囊网络中,从而得到诊断结果;通过CWRU(西储大学)数据集验证表明,这种方法在噪声和变载荷工况下仍保持较高的故障诊断准确率,具有良好的抗噪性和泛化性,优于卷积神经网络(CNN)和深度神经网络(DNN)。

DDPG优化算法的机械臂轨迹规划

针对传统深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)在机械臂轨迹规划中学习效率低、规划时间长的问题,提出了一种基于SumTree数据结构的加权采样DDPG算法。首先,对Q-learning的动作价值函数进行优化并引入OU随机噪声模型;其次,对经验池中的样本添加一个优先权,优先权大的样本有更大的概率被采样出来进行训练,从而提高样本的利用率;最后,基于ROS平台搭建虚拟机器臂的实验环境进行仿真。实验结果表明,在优化后的DDPG算法下,智能机械臂达到最大累积奖励时间提前了53.8%,学习效率提高了一倍以上,明显优于传统的DDPG算法。