[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

说明书

本发明公开了一种基于量子卷积神经网络的核阀门异常状态识别方法，包括：对振动数据进行傅里叶变换，提取时频域特征并将其转化为量子态；构建具有量子模拟电路层、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的量子卷积神经网络模型；多次迭代训练模型并优化模型中的量子门参数，使输出结果尽可能达到目标输出，实现机器学习的多分类任务。本发明能从更多方面提取了量子特征，能够更准确的识别出阀门的异常状态。

技术领域

本发明涉及将量子卷积神经网络用于核阀门异常状态识别及在经典计算机上仿真实现该方法，研究内容属于机器学习和量子计算技术领域。

背景技术

核动力装置结构复杂，系统众多，是一个复杂的非线性系统，一旦发生重大事故，将对装置、人员、环境产生恶劣影响，因此对异常状态识别技术提出了较高的要求。为保障其安全可靠的运行，研究出能够对核动力装置的异常状态进行精确识别的系统就显得十分必要。

由于核动力装置自身结构相当复杂和所处环境的特殊，同时传统的异常状态识别技术已经进入知识获取困难、识别效率低的“瓶颈”，已经无法满足复杂核阀门异常状态识别的需求。因此针对核动力装置典型设备复杂的异常状态，研究综合异常状态识别技术，提供一种基于量子计算，能够充分挖掘量子计算潜力，高效提取时频域数据特征的量子卷积神经网络模型，处理机器学习任务是亟待解决的技术问题。

发明内容

针对上述问题，本发明提出了一种依赖量子行为的并行特性处理振动信号数据的方法，，本方法能够高效、准确的提取出在振动信号大数据中的有效特征数据，判断出核阀门的异常状态。

本发明的技术方案为一种基于量子卷积神经网络的核阀门异常状态识别方法，该方法包括：

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，然后建立数据集，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，具体步骤如下：

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，公式分别如下所示；

x_Max＝max(x(i))

x_P-P＝max(x(i))-min(x(i))

其中x(i)表示为时域信号经过采样离散化的信号，N为采样点数；

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，公式分别如下所示；

其中，p_i为振动信号x(i)的频谱，i＝1,2,…,M，M为谱线总线，f_i为第i条谱线的频率值；