[发明专利]基于量子注意力循环编码解码神经网络的退化预测方法

权利要求书

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；

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。

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，和为由时间序列重构的两个向量，下标i和j为不同的向量序号；

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l_ij为：

计算和的相似度L_ij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，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z_t为：

式中，

σ(·)为激活函数；

F(·)为变量坐标求和函数；

W_j^z为更新门权值矩阵；

为更新门活性值矩阵；

为更新门z_t中元素的权重量子旋转矩阵；

为更新门z_t中元素的活性值量子旋转矩阵；

δ_j为的旋转角；

μ_j为的旋转角；

t时刻，编码器量子门限循环单元的重置门r_t为：

式中，r_t^j∈r_t＝[r_t¹,r_t²,…,r_t^m]；

W_j^r为重置门权值矩阵；

为重置门活性值矩阵；

为重置门r_t中元素r_t^j的权重量子旋转矩阵；

为重置门r_t中元素的活性值权重矩阵；

γ_j为的旋转角；

ψ_j为的旋转角；

根据重置门r_t和隐层状态h_t-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；

ξ_j为的旋转角；

ε_j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z_t和候选集t时刻的隐层状态h_t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z_t相同；

因此，t时刻，输入序列x_t与编码器量子门限循环单元隐层状态h_t之间的函数关系为：

h_t＝f(h_t-1,x_t)

将编码器注意力机制引入到编码器中，的相关系数为：

式中，Γ_e为编码器调节系数向量，且Γ_e的所有元素的值为1；

W_e和U_e均为编码器中的注意力参数矩阵，且W_e∈R^2m×2m，U_e∈R^2m×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x_t的权重系数为：

式中，exp(·)表示指数函数；

因此，将输入序列x_t更新为

更新后的输入序列与编码器中编码器量子门限循环单元的隐层状态的功能关系表示为：

同理，将解码器注意力机制引入到解码器中，根据t时刻编码器的隐层状态和t-1时间的解码器的隐层状态的相关系数为：

式中，Φ_d为解码器调节系数向量，且Φ_d中所有元素的值为1；

W_d和U_d均为解码器中的注意力参数矩阵，且W_d∈R^2m×2m，U_d∈R^2m×1；

将相关系数归一化得到的权重系数为：

因此，解码器中的上下文向量c_t为

更新的上下文向量c_t-1与解码器量子门限循环单元中的隐层状态之间的功能关系为：

另外，在解码器量子门限循环单元中增加一个输出层，计算量子注意力循环编码解码神经网络的输出向量y_t为：

式中，

W_j^o为输出向量y_t中元素的权重矩阵；

υ_j为W_j^o的旋转角。