[發明專利]一種基于深度量子學習的健康評估方法

有效

• 申請號: 201810832051.9
• 申請日: 2018-07-26
• 公開（公告）號: CN109063308B
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 洪晟;印家偉;段小川
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種基于深度量子學習的健康評估方法，其特征在于：該方法具體步驟如下：

步驟一：構建初始深度量子神經網絡模型；

步驟二：定期采集軸承振動信號，對振動信號提取特征參數；

步驟三：將數據分為訓練集和驗證集，利用訓練集數據訓練深度量子神經網絡模型，通過驗證集數據對該模型進行性能評估；

將收集的信號進行預處理，將處理好的特征參數分為訓練數集和檢驗數集；

步驟四：調整深度量子神經網絡模型參數，通過不斷訓練模型，選取性能評估最優的模型；

步驟五：利用模型進行軸承的健康評估；

在步驟一中所述的“深度量子神經網絡”，其內容是：深度量子神經網絡是一種嶄新的技術理論，是量子計算理論和深度神經網絡結合的產物；深度量子神經網絡具有兩者的優點，是在量子計算機及量子器件的基礎上構造神經網絡，充分利用量子計算超高速、超并行、指數級容量的特點，來改進神經網絡的結構和性能；

在步驟一中所述的“構建初始深度量子神經網絡模型”，其作法如下：

根據量子深度神經網絡的體系結構，能構建初始深度量子神經網絡模型為：

式中，C為輸出層單元；N為隱藏層層數

深度量子神經元的輸出由以下公式獲得：

這里

是一個sigmoid函數；

第k隱藏層的輸出h^k如下得：

式中：D_k為第k層的單位數；D₀為輸入層單位數；ω^k是突觸權重；定義轉移位置的傳遞函數；n₁是水平隱藏單位的數量；

在步驟二中所述的“提取特征參數”，其內容是：振動信號進行特征提取常用的有量綱指標包括均方根植和峰值，無量綱指標高擴波形因子、峰值因子、脈沖因子、裕度因子和峭度指標；其中，峭度指標是反映振動信號分布特性的數值統計量；在軸承無故障運轉時，振動信號的幅值分布接近正態分布，隨著故障的出現和發展，信號幅值的分布偏離正態分布，峭度指標對沖擊脈沖類故障比較敏感，峭度指標絕對值越大，故障越嚴重；

在步驟二中所述的“定期采集軸承振動信號，對振動信號提取特征參數”，其作法如下：

將定期收集到的振動信號提取特征參數峭度指標，其公式如下：

式中，x(k)為信號序列，其中k＝1,2,3…K；K為所用信號序列數據點的個數；x_m為信號均值，x_std為信號標準差，其中x_m和x_std的計算公式如下：

在步驟三中所述的“預處理”，其內容是：數據預處理在構建網絡模型時是很重要的，往往能夠決定訓練結果；對于不同的數據集，預處理的方法會有或多或少的特殊性和局限性；當前最為普遍被廣泛使用的預處理方法主要有：零均值、歸一化；

零均值是將每一維原始數據減去每一維數據的平均值，將結果代替原始數據；而歸一化就是將原始數據歸一到相同尺度其中一種就是先將原始數據進行零均值，再將每一維的數據除以每一維數據的標準差；

在步驟三中所述的“將數據分為訓練集和驗證集，利用訓練集數據訓練深度量子神經網絡模型，通過驗證集數據對該模型進行性能評估”，其作法如下：

首先計算每一個維度上數據的均值，之后在每一個維度上都減去該均值；下一步便是在數據的每一維度上除以該維度上數據的標準差；然后隨機選取的90％的樣本數據集用于訓練，其余10％的樣本數據集用于預測模型的測試；

在步驟四中所述的“調整深度量子神經網絡模型參數”，其內容是：突觸權重ω^k和轉移位置是需要學習的參數；當網絡的輸出與期望輸出不等時，存在誤差函數，誤差通過反向傳播來調整突觸權重實現對深度量子神經網絡的訓練，以達到最優輸出；

在步驟四中所述的“調整深度量子神經網絡模型參數，通過不斷訓練模型，選取性能評估最優的預測模型”，其作法如下：

結合訓練數據，將步驟一構建的初始深度量子神經網絡進行訓練；權重更新能使用下式進行隨機梯度下降求解：

式中，η為學習率，C是代價函數，這一函數的選擇與學習的類型以及激活函數相關；

經過比較當前網絡輸出值與我們想要的目標值，根據兩者的差異情況來更新每一層的權重矩陣；

在步驟五中所述的“利用模型進行軸承的健康評估”，其內容是：為了較好的描述設備狀態的健康程度，定義歸一化參數hi作為最終描述設備健康狀態的指標，其中hi值越接近于1表示樣本數據對應的設備越處于健康狀態，hi值越接近0表示數據樣本對應的設備越處于性能較差的狀態；hi由下式求得：

式中c為尺度參數，有正常狀態下的峭度指標和正常基準hi值確定。