(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211332843.2 (22)申请日 2022.10.28 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 吴玉虎　郝崟霖　孙希明　吕宗阳　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于CARLA神经网络的故障诊断方法、 装置和计算机可读存 储介质 (57)摘要 本发明属于机械装备故障诊断领域， 提出一 种基于CARLA神经网络的故障诊断方法、 装置和 计算机可读存储介质。 根据CARLA对神经网络的 参数进行设定； 每一个CARLA负责一个神经网络 参数， 维持一个神经网络参数的概率密度函数。 不同连续动作强化学习机 之间并行运行； 通过对 概率密度函数积分计算等于某个随机数值， 得到 本次训练的神经网络参数， 使用训练集进行训练 神经网络； 通过结果计算评估函数得到每次训练 的迭代函数； 每一次训练所产生的函数迭代至对 应神经网络参数的概率密度函数中， 最后根据概 率密度的分布选取最重要神经网络参数值。 通过 本发明的方法可以有效的避免采用梯度进行参 数更新时可能出现的梯度消失等问题。 权利要求书3页 说明书7页 附图3页 CN 115545116 A 2022.12.30 CN 115545116 A 1.一种基于CARLA神经网络的故障诊断方法， 其特征在于， 该基于CARLA神经网络的故 障诊断方法根据连续动作 强化学习机CARLA对神经网络的参数进行设定； 首先让每一个连 续动作强化学习机CARLA负责一个神经网络参数， 不同连续动作强化学习机 之间并行运行； 每一个连续动作 强化学习机CARLA维持一个神经网络参数的概率密度函数； 通过对概率密 度函数积分计算等于某个随机数值， 得到本次训练的神经网络参数， 使用训练集进行训练 神经网络； 通过结果计算评估函数得到每次训练的迭代函数； 每一次训练所产生的函数迭 代至对应神经网络参数的概率密度函数中， 最后根据概率密度的分布选取最 终的神经网络 参数值； 具体包括 步骤如下： 步骤1： 设定每 个神经网络参数的学习区间； 第i个神经网络参数 取值范围为(ximin,ximax)； ximin表示第i个神经网络参数被选取 的最小值， ximax表示第i个神经网络参数被选取 的 最大值； 步骤2： 将每一个神经网络参数的初始概 率密度设定为均匀分布； 第i个神经网络参数的概 率密度初始为 步骤3： 通过计算概率密度的积分， 使其等于[0,1]上的随机数， 计算本次迭代过程中所 使用的神经网络参数值； r(n)为在区间[0,1]生成的一个随机数， 选择神经网络参数xi(n)使得 等 于该随机数； 神经网络参数在第n次迭代后的概 率密度不再 是均匀分布； 步骤4： 将本次迭代所计算出的神经网络参数值设置到神经网络 中， 并使用训练集的所 有条数据对神经网络进行一轮训练， 存储每组神经网络参数下神经网络的输出值； 输出值 为表示各 数据故障概 率的向量； 步骤5： 根据步骤4的神经网络输出值， 判断损失函数是否达标； 达标则继续步骤6； 否 则， 返回步骤3 重新进行操作； 第k条输入至神经网络数据的损失函数公式如下； yj表示神经网络输 出的第j个故障， m为输 出的个数， p(yj)表示yj真实的概率分布， q(yj) 表示神经网络对yj的预测概 率分布； 当 的值超过设置标准， 则返回到步骤3 重新进行； 步骤6： 计算目标函数的值；权　利　要　求　书 1/3 页 2 CN 115545116 A 2第n次迭代的目标函数值计算公式如下 l为训练集的条 数； 步骤7： 将本次迭代的神经网络参数的目标函数值与该次迭代以前所存储的值经过性 能评估函数进行计算， 得到 本次迭代的神经网络参数的性能指标； 该组神经网络参数的性能评估公式如下； 存储最后的A个J值作为集合； Jmid为存储的J值的中位数， Jmin为存储的J值的最小值， J (n)为本组神经网络参数下的目标函数值； 当J(n)小于Jmid时， 作为奖励存储J(n)至集合中； 当J(n)大于Jmid时， 作为惩罚， 使评估值 为0； 步骤8： 更新每个神经网络参数的概率密度； 基于步骤7所计算的β(n)进行概率密度的 更新； 第i个神经网络参数的第n+1次迭代时的概 率密度分布为 其中， G(xi,c)表示的是以c＝xi(n)为中心的对称的高斯 函数； η影响高斯 函数的高度， τ影响高斯 函数的宽度； τ ＝gw(ximax‑ximin)(9) 其中， gh为连续动作强化学习机CARLA学习的速度， gw为连续动作强化学习机CARLA分辨 率； 设定α(n)使每 个神经网络参数的概 率密度积分和为1； 步骤9： 判断神经网络参数的概率密度是否满足结束标准； 满足结束标准则结束， 否则 继续返回步骤3进 行学习； 针对每个神经网络参数， 选择对应神经网络参数的概率密度中概 率最大的数值， 将最大概率的神经网络参数组设置到神经网络中， 再次进 行一轮训练， 计算 本轮训练的正确 率， 正确率达到标准则停止训练， 未达到则继续步骤3； 正确 率的计算方式 为使用测试集数据进行输入， 累加神经网络输出的概率最高的故障与实际故障相同的个 数， 然后除以测试集的数据条 数。 2.一种基于CARLA神经网络的故障诊断装置， 其特征在于， 基于CARLA神经网络的故障权　利　要　求　书 2/3 页 3 CN 115545116 A 3