[发明专利]一种旋转机械健康状态预测方法

摘要

本发明公开了一种旋转机械健康状态的预测方法，该方法包括如下步骤：步骤一、采集并存储旋转机械的振动数据；步骤二、对采集的数据进行降噪重构；步骤三、提取指定时段的旋转机械振动数据，构建用来建立和测试预测模型的多维训练样本以及预测模型的输入；步骤四、建立基于受控Hadamard门的量子过程神经网络预测模型，采用改进的LM算法训练预测模型，测试并且存储预测模型；步骤五、使用预测模型预测旋转机械的振动趋势，并且用于旋转机械健康状态监控。本发明的方法能够提高旋转机械的使用效率，降低维护成本，实现计划维护和视情维修，消除噪声干扰，使模型具有更高的预测精度，从而避免安全隐患的发生。

主权项

一种旋转机械健康状态预测方法，其特征在于：该方法包含以下步骤：步骤一、通过安装在旋转机械垂直方向上的位移传感器采集旋转机械的振动数据，并且通过数据链将数据传输到监控中心进行预处理并且存储；步骤二、利用步骤一所采集的信号进行奇异值分解降噪重构；步骤三、从旋转机械性能监控中心数据库提取步骤二指定时段的旋转机械的历史振动数据，构成一维的振动时间序列，在此基础上构建用于建立和测试预测模型的多维训练样本集、测试样本集及用于预测模型输入的样本集；步骤四、建立基于受控Hadamard门的量子过程神经网络的预测模型，采用步骤三的训练样本集对模型进行训练，采用步骤三的预测样本对预测模型进行测试，对预测模型参数进行调整，得到合适的网络参数，存储预测模型；其具体方法如下：建立旋转机械振动数据的受控hadamard门的量子过程神经网络预测模型，其模型由三层组成，输入层、隐层和输出层；隐层第个量子过程神经元由1型控制，第由0型控制；模型采用多维离散输入，利用Hadamard门和旋转门的纠缠和干涉特性，是实现对数据的并行处理和对网络参数的多维调整，加快了网络的计算速度以及增强了输入数据的关联性；输入步骤三训练好的旋转机械振动数据得到振动趋势的预测值，其由下式产生：其中，为隐层连接权值，为隐层输出；根据改进LM训练算法使用训练样本对预测模型进行训练，并使用测试样本对预测模型的预测效果进行测试；如果测试效果满足要求，则进行下一个步骤，否则，重复进行步骤四直到获得满意的预测效果，存储最终得到的预测模型；步骤五、输入步骤二采用旋转机械振动数据构成模型的输入样本，使用预测模型对旋转机械未来一段时间内的振动趋势进行预测，分析其健康状态，振动趋势是否有突变等。