[发明专利]一种基于量子卷积神经网络的核阀门异常状态识别方法

权利要求书

1.一种量子卷积神经网络的核阀门异常状态识别方法，该方法包含如下步骤：

步骤1：获取核阀门振动信号和其对应的正常和故障的状态种类，其中故障状态包括阀杆泄漏、阀座泄漏、执行机构选配过大、关闭力矩过高引起的密封面损坏、密封面外泄露，建立数据集，将其划分为训练集和测试集；

步骤2：对数据集中的振动信号进行傅里叶变换，然后提取时频域信号中的特征数据并将其转化为量子态；

步骤3：构建量子卷积神经网络模型，输入为步骤2.4得到的目标量子态，然后输出为核阀门的状态种类：正常、阀杆泄漏、阀座泄漏、执行机构选配过大、关闭力矩过高引起的密封面损坏、密封面外泄露，其中包括量子模拟电路层、卷积神经网络层、量子比特观测层、全连接层、量子网络优化更新层；所述量子模拟电路层用于构建模拟量子电路，并根据输入数据的结构特点对制备的量子比特施加多个受控量子门操作，改变量子比特的量子态，对输入数据进行量子角度编码和量子幅值编码，以实现其特征提取；所述卷积神经网络层包括多个卷积层和池化层，用于提取量子态特征；所述量子比特观测层用于对经过所述量子模拟电路层处理后的量子比特施加测量操作以获得期望值；所述全连接层用于将量子比特观测层得到的期望值映射到神经元进行多分类输出，作为机器学习任务的输出结果；所述量子网络优化更新层用于分析所述量子卷积神经网络模型的输出结果与输入数据对应的目标输出的误差，并根据误差分析结果利用优化算法更新所述量子卷积神经网络模型中受控量子门的参数；

步骤4：利用步骤2得到的训练集量子态数据和步骤3得到的量子卷积神经网络进行迭代训练，直至满足机器学习任务所设置的阈值条件后终止训练，获得训练后的量子卷积神经网络模型；

步骤5：利用步骤2得到的测试集量子态数据验证训练后的量子卷积神经网络模型，验证完成后用于实时核阀门异常状态识别；

步骤2具体过程为：

步骤2.1：对于时域信号的特征数据，提取其峰值x_max，峰峰值x_P-P、均值x_MV、有效值x_RMS、方根幅值x_SRA、平均幅值x_MA和标准差SD；

步骤2.2：对于频域信号的特征数据，提取其均方频率MSF、均值频率F₁和标准偏差频率F₂；

步骤2.3：将以上的时频域特征数据转化为量子态。

2.根据权利要求1所述的一种量子卷积神经网络的核阀门异常状态识别方法，其特征在于，所述量子模拟电路层具体为：

模拟电路层用于构建模拟量子电路，并根据输入数据的结构特点对制备的量子比特施加多个受控量子门操作，改变量子比特的量子态，实现对输入数据的特征提取；

量子模拟电路层由多个量子门构成，利用量子门对连接的量子比特进行操作，改变量子比特的量子态，实现量子态特征的提取，其中，量子门包含可调参数θ，改变可调参数θ能够改变对应量子门对量子比特所施加的操作，带有可调参数的量子门包括R_x(θ)旋转量子门和R_z(θ)旋转量子门，其公式分别如下所示：

其中，i为复数单位；

这样得到每一个被编码的初始量子比特量子态为R_z(θ_i^z)R_x(θ_i^x)|0；然后，对这些量子比特进行量子幅值编码，量子幅值编码的公式如下所示：

3.根据权利要求1所述的一种量子卷积神经网络的核阀门异常状态识别方法，其特征在于，所述量子比特观测层利用Tensorflow Quantum提供的PQC函数构建一个观测层，对一个或多个量子比特施加Y方向测量操作以获得期望值。

4.根据权利要求1所述的一种量子卷积神经网络的核阀门异常状态识别方法，其特征在于，所述全连接层只有一层输出层，用于对量子比特观测层得到的结果进行分类。

5.根据权利要求1所述的一种量子卷积神经网络的核阀门异常状态识别方法，其特征在于，步骤2.3中转化为量子态，转化公式如下所示；

其中x_i表示第i个特征数据。