[发明专利]基于量子加权门限重复单元神经网络的趋势预测方法

说明书

本发明涉及一种基于量子加权门限重复单元神经网络的趋势预测方法，包括以下步骤：构建门限重复单元模型、具有权值量子位和活性值量子位的加权神经元模型以及量子加权门限重复单元神经网络结构；实时采集原始性态退化振动数据；通过小波变换对数据进行降噪处理；从降噪后的信号中提取排列熵信息构成性态退化指标集；QWGRUNN网络的训练和预测；得出最终预测结果。本发明引入量子位表示网络权值和活性值，构造量子相移门权值矩阵并通过门参数的修正实现权值量子位和活性值量子位的更新，改善了网络泛化能力，进而提高了对监控对象运行趋势预测的精度；采用与自身结构相适应的动态学习参数，改善了网络收敛速度，提高了计算效率。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于量子加权门限重复单元神经网络的趋势预测方法。

背景技术

旋转机械(如：发动机、汽轮机等)作为在石化、电力、冶金、煤炭、核能等行业中有着广泛应用的关键设备，常常由于出现各种不同形式的故障而影响其正常运转，严重时甚至会引发机毁人亡的事故，造成重大经济损失。将先进的故障诊断技术应用于旋转机械的维护，可起到确保设备安全运行、节约维修费用以及防止环境污染等重要作用，具有巨大的经济效益。

通常，机械设备检修方式大致可分为发生事故停机检修、定期停机检修、视情维修(也称为预测维修)三种。其中，视情维修由于具有后勤保障规模小、经济可承受性好、高效率以及可避免重大灾难性事故等显著优势而具有良好的发展前景。

视情维修要求系统自身具有对设备故障进行预测并对其健康状态进行管理的能力，以实现“经济可承受性”的目标，由此产生了故障预测与健康管理(prognostic andhealth management,PHM)的理念，而实现基于视情维修的PHM技术的关键在于故障预测。

在大多数的工业PHM系统应用中，建立复杂部件或系统的数学或物理模型十分困难甚至无法实现，或识别模型的参数较为复杂，因此，部件或系统设计、仿真、运行和维护等各个阶段的测试、传感器历史数据就成为掌握系统性能下降的主要手段。由此，基于测试或传感器数据的数据驱动(data-driven)预测方法逐渐获得重视并取得快速发展，成为PHM领域的重要研究热点。

目前，基于数据驱动的预测方法有随机系数模型，趋势估计和人工智能等方法。特别是基于人工智能的预测方法如自回归(Autoregressive,AR)模型，支持向量机(SupportVector Machine,SVM)，人工神经网络(Artificial Neural Network,ANN)等，由于其在生成合适模型方面的灵活性，是当前预测领域中最通用的预测方法。然而，这些预测方法由于各自的缺陷很难得到理想的预测结果。如AR模型容错性较差；基于最小二乘支持向量机核函数及其参数很多情况是人为选定，带有许多不确定性；基于人工神经网络的预测方法中，诸如BP神经网络(Back-Propagation Neural Network,BPNN)，循环神经网络(RecurrentNeural Network,RNN)等经典神经网络，存在学习收敛速度慢、训练困难、网络的学习和记忆具有不稳定性等问题。最近提出的门限重复单元神经网络(Gated Recurrent UnitNeural Network,GRUNN)，虽克服了RNN梯度消失的缺点，但也存在着训练过程困难，泛化能力不足等问题。

量子计算作为一种极富前景的非线性模型,被认为是改进神经计算的有效途径之一。量子神经网络利用了量子计算的一些优势特别是量子计算的并行计算特性，比经典神经网络具有更强的并行处理能力，并能处理更大的数据集，在数据处理方面具有前所未有的潜在优势。因此，可以通过量子计算与新型神经网络相结合的方式来构建新型量子神经网络，然后将该新型量子神经网络应用于旋转机械预测领域来解决现有预测方法面临的预测精度、计算速度及鲁棒性等问题，从而突破PHM技术关键难题。

发明内容

本发明所要解决的技术问题是提供一种预测精度和计算效率高的基于量子加权门限重复单元神经网络的趋势预测方法。