[發明專利]一種基于量子支持向量機的故障診斷方法及系統

在審

• 申請號: 202210564984.0
• 申請日: 2022-05-23
• 公開（公告）號: CN115099263A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 李媛媛;宋麗媛;方志軍;曹樂;孫祺淳
• 申請（專利權）人: 上海工程技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海唯智贏專利代理事務所(普通合伙) 31293
• 代理人: 劉朵朵

本發明公開了一種基于量子支持向量機的故障診斷方法及系統，屬于故障診斷技術領域。該故障診斷方法包括：獲取數據并進行特征提取，確定訓練數據集和測試數據集；依據訓練數據集和分類標簽的個數，構建若干個LS?SVM線性方程組；針對所述若干個線性方程組使用HHL算法求解，獲得QSVM分類器；然后利用所述訓練好的QSVM模型對測試數據集進行測試，得到測試結果。本發明將HHL算法與LS?SVM算法相結合，相比經典LS?SVM，QSVM在理論上可以實現指數級的運算加速，更加適合大數據背景下的故障診斷問題。同時其可以完成多分類的故障診斷任務，具有更高的工程應用價值。

技術領域

本發明涉及故障診斷技術領域，特別涉及一種基于量子支持向量機的故障診斷方法及系統。

背景技術

隨著科學技術的不斷發展，現代的工業體系日益往集成化、精密化和智能化的方向發展，這些特性讓不同的機械設備有機的結合成為了一個整體，同時也賦予了現代工業體系更加高效的生產效率。但隨著運行時間的增加，設備老化、損壞的情況總是不可避免的會發生，工業生產線上的任何一個設備的任何一個零件出現故障，都有可能將故障所造成的影響擴大到整個工業系統，輕則給企業和工廠帶來嚴重的經濟損失，嚴重的情況下甚至會出現重大的安全事故。在機械設備的眾多零件中，滾動軸承一直都是必不可少的關鍵零件之一，據有關資料表明，在旋轉機械中，滾動軸承所造成的故障分別約占30％。因此，對滾動軸承進行狀態監測與故障診斷是十分有必要的。

近年來，隨著機器學習理論的不斷完善，有越來越多的學者將這些經典的人工智能算法應用于滾動軸承的故障診斷當中，也取得了不錯的研究成果。但同時傳統的機器學習算法在處理高維且海量的數據時所展現的計算能力逐漸到達瓶頸。因此，尋找一些在處理大數據時更有效率的算法將會是滾動軸承故障診斷的后續發展方向。

SVM是傳統機器學習中最為經典的算法之一，其算法基本原理是通過一個超平面，從而將兩類不同的數據完全劃分開來。不同于神經網絡等黑箱算法，SVM有完備的理論證明，同時也擁有優異的泛化性能，近年來也有很多學者將其應用在滾動軸承的故障診斷上，也取得了不錯的成果。標準SVM的求解過程中并不涉及線性方程組的求解，但其衍生算法偏最小二乘法支持向量機中包含此計算。在小規模線性方程組的求解上，LS-SVM模型的建立速度較快，但隨著方程組規模的擴大，甚至會出現無法求解的情況。

量子計算是量子技術的重要分支之一，同時也是最有發展前景的技術，在可預見的將來可以付諸于實踐。相比傳統計算方式，量子計算在特定問題的求解上甚至能實現指數級的加速，其理論一經提出，就吸引了眾多學者的密切關注。超強的計算能力讓量子計算成為最有可能突破現有計算瓶頸的計算方式之一，因此，利用量子計算解決大數據背景下的滾動軸承故障診斷問題將會是未來的發展方向之一。

發明內容

為了解決上述問題，本發明將HHL算法與LS-SVM算法相結合，提出一種基于量子支持向量機的故障診斷方法及系統。可以實現指數級的運算加速，更加適合大數據背景下的故障診斷問題。

為了實現上述目的，本發明提供了一種基于量子支持向量機的故障診斷方法，包括以下步驟：

(1)、獲取數據并進行特征提取，確定訓練數據集和測試數據集；

(2)、依據所述訓練數據集和分類標簽的個數，構建若干個LS-SVM線性方程組，得到若干個QSVM分類器；

(3)、針對所述若干個線性方程組使用HHL算法求解，獲取訓練好的QSVM模型；

(4)、利用所述訓練好的QSVM模型對所述測試數據集進行測試，得到故障診斷結果。

進一步的，所述特征提取為時域、頻域和/或時頻域。

進一步的，所述分類標簽為N個時，構建N*(N-1)/2個所述LS-SVM線性方程組，得到N*(N-1)/2個所述QSVM分類器用于故障診斷。