The invention discloses a degradation prediction method based on qardennn, in which qardennn is used, and the quantum attention mechanism is introduced to reconstruct the encoder and decoder at the same time, so that qardennn can fully mine and pay attention to important information, and at the same time, suppress the interference of redundant information, so as to obtain better nonlinear approximation ability; quantity is adopted In the training process of qardnn, LM algorithm is introduced to update the rotation angle and attention parameters of quantum rotation matrix. Due to the advantages of qardednn in nonlinear approximation, generalization, response and training speed, the degradation prediction method based on quantum attention cycle codec neural network can obtain high prediction accuracy and calculation efficiency.
【技术实现步骤摘要】
基于量子注意力循环编码解码神经网络的退化预测方法
本专利技术属于机械状态监测
,具体涉及基于量子注意力循环编码解码神经网络的退化预测方法。
技术介绍
旋转机械广泛应用于燃气轮机、航空发动机和风力机等各种关键的设备中。其状态直接决定着设备能否长期安全可靠地运行。在整个服役过程中,旋转机械部件将经理一系列不同的状态退化阶段,旋转机械部件将经历一系列不同的状态退化阶段,对旋转机械部件状态退化趋势预测方法的研究有助于避免关键设备故障带来的灾难性事故,降低设备的维修成本,提高设备的效率。随着传感器技术和信号处理技术在系统状态监测中的发展,可以获得大量有价值的系统和部件状态的监测数据。因此,基于数据驱动的退化趋势预测方法逐渐受到重视,并取得了较快的发展。数据驱动方法一般采用先进的传感器技术采集与系统状态相关的特征参数,然后通过适当的算法对采集到的特征参数进行分析,以预测目标系统的状态退化程度。进而,为机械设备系统及其相应部件的维护提供决策信息。近年来,大量的与机器学习相关的数据驱动算法被应用于旋转机械退化趋势的预测中。如:遗传支持向量机(Geneticalgorithmsupportvectorregression,GA-SVR),改进共生生物搜索极限学习机器(Amelioratedsymbioticorganismssearchextremelearningmachine,ASOS-ELM)和人工神经网络循环编码-解码器(Artificialneuralnetwork,ANN),对于GA-SVR而言,由于难以准确 ...
【技术保护点】
1.基于量子注意力循环编码解码神经网络的退化预测方法,其特征在于,包括以下步骤:/nS1、采集旋转机械运行的原始振动数据;/nS2、根据原始振动数据构造模糊熵;/nS3、对模糊熵进行滑动平均降噪处理,并将处理后的降噪模糊熵作为旋转机械退化状态特征;/nS4、将旋转机械退化状态特征输入到量子注意力循环编码解码神经网络中,并对其进行训练;/nS5、通过训练好的量子注意力循环编码解码神经网络对测试样本进行退化预测。/n
【技术特征摘要】
1.基于量子注意力循环编码解码神经网络的退化预测方法,其特征在于,包括以下步骤:
S1、采集旋转机械运行的原始振动数据;
S2、根据原始振动数据构造模糊熵;
S3、对模糊熵进行滑动平均降噪处理,并将处理后的降噪模糊熵作为旋转机械退化状态特征;
S4、将旋转机械退化状态特征输入到量子注意力循环编码解码神经网络中,并对其进行训练;
S5、通过训练好的量子注意力循环编码解码神经网络对测试样本进行退化预测。
2.根据权利要求1所述的基于量子注意力循环编码解码神经网络的退化预测方法,其特征在于,所述步骤S2中的构造模糊熵的方法具体为:
设时间序列重构向量和
式中,M为时间序列的维数;
n为向量和向量的维数,且i,j∈1,…,M-n;
计算和的距离lij为:
计算和的相似度Lij为:
式中,exp(·)表示指数函数;
Δ指数函数边界的梯度;
r是指数函数边界的宽度;
定义一个函数O(Δ,r)为:
同理,构造(n+1)维的向量和得到函数O′(Δ,r)。
计算原始振动数据的模糊熵FE为:
3.根据权利要求1所述的基于量子注意力循环编码解码神经网络的退化预测方法,其特征在于,所述步骤S4中的量子注意力循环编码解码神经网络包括相互连接编码器和解码器;
所述编码器包括依次连接的编码器注意力机制和编码器量子门限循环单元,所述编码器量子门限循环单元作为编码器的循环单元;
所述解码器包括依次连接的解码器注意力机制和解码器量子门限循环单元,所述解码器量子门限循环单元作为解码器的循环单元;
所述编码器量子门限循环单元的输出端与解码器注意力机制的输入端连接。
4.根据权利要求3所述的基于量子注意力循环编码解码神经网络的退化预测方法,其特征在于,构造编码器量子门限循环单元和解码器量子循环单元的过程具体为:
设t时刻编码器量子循环单元的输入序列其量子态为t时刻隐层状态其量子态为
式中,为在Bloch球面坐标中在xy平面的投影与x轴的夹角;
为在Bloch球面坐标中与z轴的夹角;
为在Bloch球面坐标中在xy平面的投影与x轴的夹角;
为在Bloch球面坐标中与z轴的夹角;
t时刻,编码器量子门限循环单元的更新门zt为:
式中,
σ(·)为激活函数;
F(·)为变量坐标求和函数;
Wjz为更新门权值矩阵;
为更新门活性值矩阵;
为更新门zt中元素的权重量子旋转矩阵;
为更新门zt中元素的活性值量子旋转矩阵;
δj为的旋转角;
μj为的旋转角;
t时刻,编码器量子门限循环单元的重置门rt为:
式中,
Wjr为重置门权值矩阵;
为重置门活性值矩阵;
为重置门rt中元素rtj的权重量子旋转矩阵;
为重置门rt中元素rtj的活性值权重矩阵;
γj为的旋转角;
ψj为的旋转角;
根据重置门rt和隐层状态ht-1,t时刻,编码器量子门限循环单元的候选集为:
式中,
tanh(·)为激活函数;
为候选集权值矩阵;
为候选集活性值矩阵;
为候选集中元素的权重量子旋转矩阵;
为候选集中元素的活性值量子旋转矩阵;
ξj为的旋转角;
εj为的旋转角;
为在Bloch球面坐标中在xy平面的投影与x轴的夹角;
为在Bloch球面坐标中与z轴的夹角;
⊙为元向乘法运算符;
根据更新门zt和候选集t时刻的隐层状态ht为:
式中,Λ为常数矩阵,且其所有元素的值为1,其维数与更新门zt相同;
因此,t时刻,输入序列xt与编码器量子门限循环单元隐层状态ht之间的函数关系为:
ht=f(ht-1,xt)
将编码器注意力机制引入到编码器中,的相关系数为:
式中,Γe为编码器调节系数向量,且Γe的所有元素的值为1;
We和Ue均为编码器中的注意力参数矩阵,且We∈R2m×2m,Ue∈R2m×1;
为t-1时刻编码器中的编码器量子门限循环单元的隐层状态和候选集的连接;
将相关系数归一化得到输入序列xt的权重系数为:
式中,exp(·)表示指数函数;
因此...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。