强化学习与传统深度学习方法在轴承故障诊断中的比较分析
机器学习
2025-09-03 v2
摘要
旋转机械中的轴承故障可能导致重大的运行中断和维护成本。轴承故障诊断的现代方法依赖于振动分析和机器学习技术，这些技术通常需要大量标记数据，并且可能不适应动态环境。本研究探讨了使用强化学习(RL)，具体为深度Q网络(DQN)，用于机器条件监控中轴承故障分类任务，以提高轴承故障诊断的准确性和适应性。结果表明，尽管本研究中 developing 的 RL 模型在受控条件下可以与传统监督学习模型保持一致的性能，但在配合优化奖励结构的情况下在适应性方面表现更佳。然而，它们的计算需求也凸显了需要进一步改进的领域。这些发现表明 RL 有潜力补充传统方法，为自适应诊断框架之路。
引用
@article{arxiv.2506.19929,
title = {A Comparative Analysis of Reinforcement Learning and Conventional Deep Learning Approaches for Bearing Fault Diagnosis},
author = {Efe Çakır and Patrick Dumond},
journal= {arXiv preprint arXiv:2506.19929},
year = {2025}
}
备注
5 pages, 5 figures. To appear in the Proceedings of the Canadian Society for Mechanical Engineering (CSME) Congress 2025