[发明专利]一种基于深度量子学习的健康评估方法

说明书

本发明提供一种基于深度量子学习的健康评估方法，步骤如下：一：构建初始深度量子神经网络模型；二：定期采集轴承振动信号，对振动信号提取特征参数；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；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；五：利用模型进行轴承的健康评估；通过以上步骤，训练得到的深度量子神将网络实现对轴承的健康评估，通过对轴承的健康评估预防及减少设备故障的发生，以最小的维修费用，确保设备的安全运行并获得最大的设备可用率及经济效益。

技术领域：

本发明提出一种基于深度量子学习的健康评估方法，属于健康评估领域。

背景技术：

据相关数据统计由轴承引起的问题占整个机械故障的40％以上，因此有关轴承的研究得到了工业界和学术界的普遍关注。轴承是典型的旋转机械设备，它的运行状态对其使用效率、维修维护成本、设备故障造成的经济损失及人身安全起着至关重要的作用。同时，轴承也是在机械、航空航天以及一些军事工业部门中应用最广泛的机械零件，也是机械设备中比较容易受到损害的零部件之一。

轴承的性能衰退是影响轴承正常使用的主要因素，对轴承的健康状态的掌握对于旋转机械维修保障活动的实施极为关键。轴承的健康评估研究涉及信号采集及处理、模型的选择、参数优化和模型的训练算法选择等，其研究领域的发展直接影响着结果的有效性、稳定性和可行性。

评估有两种含义:评估机器设备实时运行状态，和研究可能产生故障时的条件。有必要通过对诸多故障征兆信息的信号处理、分析提取特征参数、计算输入/输出系统物流和能量的协调性及其有害能量的转化、研究输出物质特性的变化异常、计算分析装备系统状态和工况参数之间的非线性关系，来探测分析产生故障的原因，特别是故障萌芽时的条件和特征。

机械设备在使用过程中可以分为四个状态:正常、轻微退化、严重退化和故障(失效)。传统的健康评估方法在数据采集、评估的准确性方面仍有较大的欠缺，故需提出新的方法对轴承进行健康评估。

发明内容：

本发明针对现阶段对轴承健康评估方法的不足，提出了一种基于深度量子学习的健康评估方法，本发明以深度量子神经网络为例。目的是通过改进的健康评估算法，提高评估的准确性。从而提高装备安全和功能可利用度，减少过剩检测和维修。

本发明提出一种基于深度量子学习的健康评估方法，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；

通过以上步骤，训练得到的深度量子神将网络可以实现对轴承的健康评估，通过对轴承的健康评估可以预防及减少设备故障的发生，以最小的维修费用，确保设备的安全运行并获得最大的设备可用率及经济效益。

其中，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，是在量子计算机或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。

其中，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：