[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

说明书

本发明公开了提供的基于量子注意力循环编码解码神经网络(QAREDNN)的退化预测方法，将QAREDNN用于其中，引入量子注意力机制同时对编码器和解码器进行重构使QAREDNN能够充分挖掘和重视重要信息，同时抑制冗余信息的干扰，进而获得更好的非线性逼近能力；采用量子神经元构建活性值和权值由量子旋转矩阵代替的量子门限循环单元(QGRU)取代编码器和解码器中传统的循环单元能够提高QAREDNN的泛化能力和响应速度；在QAREDNN的训练过程中，引入LM算法实现量子旋转矩阵的旋转角和注意力参数快速更新。由于QAREDNN在非线性逼近能力、泛化能力以及响应和训练速度等方面的优点，基于量子注意力循环编码解码神经网络的退化预测方法能够获得较高的预测精度和计算效率。

技术领域

本发明属于机械状态监测技术领域，具体涉及基于量子注意力循环编码解码神经网络的退化预测方法。

背景技术

旋转机械广泛应用于燃气轮机、航空发动机和风力机等各种关键的设备中。其状态直接决定着设备能否长期安全可靠地运行。在整个服役过程中，旋转机械部件将经理一系列不同的状态退化阶段，旋转机械部件将经历一系列不同的状态退化阶段，对旋转机械部件状态退化趋势预测方法的研究有助于避免关键设备故障带来的灾难性事故，降低设备的维修成本，提高设备的效率。随着传感器技术和信号处理技术在系统状态监测中的发展，可以获得大量有价值的系统和部件状态的监测数据。因此，基于数据驱动的退化趋势预测方法逐渐受到重视，并取得了较快的发展。数据驱动方法一般采用先进的传感器技术采集与系统状态相关的特征参数，然后通过适当的算法对采集到的特征参数进行分析，以预测目标系统的状态退化程度。进而，为机械设备系统及其相应部件的维护提供决策信息。

近年来，大量的与机器学习相关的数据驱动算法被应用于旋转机械退化趋势的预测中。如：遗传支持向量机(Genetic algorithm support vector regression,GA-SVR),改进共生生物搜索极限学习机器(Ameliorated symbiotic organisms search extremelearning machine，ASOS-ELM)和人工神经网络循环编码-解码器(Artificial neuralnetwork，ANN)，对于GA-SVR而言，由于难以准确地设置核函数，使得预测结果往往不确定。对于ASOS-ELM而言，它容易发生过拟合，进而导致其泛化性能下降。对于ANN而言，它们大多是模仿初级生物神经反射来处理信息，从而不能识别输入信息的主、次关系，因此必须按顺序无区分地处理信息。一旦输入序列非常长，就需要大量的时间步骤积累信息，以关联长时间序列信息的相互依赖特征。序列越长，有效捕获长序列信息的相互依赖特征的可能性就越小。因此神经网络的非线性逼近能力和泛化能力不理想，预测精度也不高。

发明内容

针对现有技术中的上述不足，本发明提供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解决了背景技术中的上述问题。

为了达到上述发明目的，本发明采用的技术方案为：基于量子注意力循环编码解码神经网络的退化预测方法，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旋转机械的测试样本进行退化状态趋势的预测。