龙舰涵

（泸州职业技术学院电子工程学院，四川 泸州646000）

1 引言

旋转机械目前被广泛用于包括石油、能源和化学工业在内的各种工业应用领域，机械故障可能会造成巨大经济损失甚至灾难性事故［1］。随着可靠性相关理论的发展，旨在监测、评估、诊断和预测机械健康状态的研究引起了学者们的广泛关注［2，3］。

深度学习作为一种机器学习算法，可以通过多个非线性变换和近似复非线性函数，从原始数据中自适应地学习层次表示，实现故障诊断［4］。文献［5］提出了一种智能诊断方法，它可以自动地从旋转机械的频谱中挖掘出故障特征，并对其健康状况进行分类。文献［6］使用了卷积神经网络，可以用于诊断滚动轴承的故障，学习滚动轴承的层次特征表示。文献［7］利用基于递归神经网络的自动编码器来处理从旋转机器收集的多个时间序列数据。但是，上述方法仍然存在两个主要缺陷：（1）无法在原始数据和相应的故障模式之间建立直接的线性或非线性映射，且这些故障诊断方法的性能取决于构建和训练深度模型的质量［8］。（2）这种方法的训练机制主要基于监督学习或半监督学习，这意味着诊断算法需要专家系统以便专门学习不同的故障模式［9］。

深度强化学习（deep reinforcement，learning，DRL）涉及强化学习和深度学习的结合，这种结合使人工代理可以直接从原始数据中学习其知识和经验。深度学习能使代理感知环境，而强化学习能使代理学习应对现实问题的最佳策略［10］。……