[发明专利]一种基于深度量子学习的健康评估方法

权利要求书

1.一种基于深度量子学习的健康评估方法，其特征在于：该方法具体步骤如下：

步骤一：构建初始深度量子神经网络模型；

步骤二：定期采集轴承振动信号，对振动信号提取特征参数；

步骤三：将数据分为训练集和验证集，利用训练集数据训练深度量子神经网络模型，通过验证集数据对该模型进行性能评估；

将收集的信号进行预处理，将处理好的特征参数分为训练数集和检验数集；

步骤四：调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的模型；

步骤五：利用模型进行轴承的健康评估；

在步骤一中所述的“深度量子神经网络”，其内容是：深度量子神经网络是一种崭新的技术理论，是量子计算理论和深度神经网络结合的产物；深度量子神经网络具有两者的优点，是在量子计算机及量子器件的基础上构造神经网络，充分利用量子计算超高速、超并行、指数级容量的特点，来改进神经网络的结构和性能；

在步骤一中所述的“构建初始深度量子神经网络模型”，其作法如下：

根据量子深度神经网络的体系结构，能构建初始深度量子神经网络模型为：

式中，C为输出层单元；N为隐藏层层数

深度量子神经元的输出由以下公式获得：

这里

是一个sigmoid函数；

第k隐藏层的输出h^k如下得：

式中：D_k为第k层的单位数；D₀为输入层单位数；ω^k是突触权重；定义转移位置的传递函数；n₁是水平隐藏单位的数量；

在步骤二中所述的“提取特征参数”，其内容是：振动信号进行特征提取常用的有量纲指标包括均方根植和峰值，无量纲指标高扩波形因子、峰值因子、脉冲因子、裕度因子和峭度指标；其中，峭度指标是反映振动信号分布特性的数值统计量；在轴承无故障运转时，振动信号的幅值分布接近正态分布，随着故障的出现和发展，信号幅值的分布偏离正态分布，峭度指标对冲击脉冲类故障比较敏感，峭度指标绝对值越大，故障越严重；

在步骤二中所述的“定期采集轴承振动信号，对振动信号提取特征参数”，其作法如下：

将定期收集到的振动信号提取特征参数峭度指标，其公式如下：

式中，x(k)为信号序列，其中k＝1,2,3…K；K为所用信号序列数据点的个数；x_m为信号均值，x_std为信号标准差，其中x_m和x_std的计算公式如下：

在步骤三中所述的“预处理”，其内容是：数据预处理在构建网络模型时是很重要的，往往能够决定训练结果；对于不同的数据集，预处理的方法会有或多或少的特殊性和局限性；当前最为普遍被广泛使用的预处理方法主要有：零均值、归一化；

零均值是将每一维原始数据减去每一维数据的平均值，将结果代替原始数据；而归一化就是将原始数据归一到相同尺度其中一种就是先将原始数据进行零均值，再将每一维的数据除以每一维数据的标准差；

在步骤三中所述的“将数据分为训练集和验证集，利用训练集数据训练深度量子神经网络模型，通过验证集数据对该模型进行性能评估”，其作法如下：

首先计算每一个维度上数据的均值，之后在每一个维度上都减去该均值；下一步便是在数据的每一维度上除以该维度上数据的标准差；然后随机选取的90％的样本数据集用于训练，其余10％的样本数据集用于预测模型的测试；

在步骤四中所述的“调整深度量子神经网络模型参数”，其内容是：突触权重ω^k和转移位置是需要学习的参数；当网络的输出与期望输出不等时，存在误差函数，误差通过反向传播来调整突触权重实现对深度量子神经网络的训练，以达到最优输出；

在步骤四中所述的“调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的预测模型”，其作法如下：

结合训练数据，将步骤一构建的初始深度量子神经网络进行训练；权重更新能使用下式进行随机梯度下降求解：

式中，η为学习率，C是代价函数，这一函数的选择与学习的类型以及激活函数相关；

经过比较当前网络输出值与我们想要的目标值，根据两者的差异情况来更新每一层的权重矩阵；

在步骤五中所述的“利用模型进行轴承的健康评估”，其内容是：为了较好的描述设备状态的健康程度，定义归一化参数hi作为最终描述设备健康状态的指标，其中hi值越接近于1表示样本数据对应的设备越处于健康状态，hi值越接近0表示数据样本对应的设备越处于性能较差的状态；hi由下式求得：

式中c为尺度参数，有正常状态下的峭度指标和正常基准hi值确定。