基于量子加权长短时记忆神经网络的状态退化趋势预测

作者：李锋; 陈勇; 向往^*; 王家序; 汤宝平

来源：仪器仪表学报, 2018, 39(07): 217-225.

DOI：10.19650/j.cnki.cjsi.J1803377

• 量子加权长短时记忆神经网络
• 量子计算
• 小波包能量熵误差
• 趋势预测
• 旋转机械

提出基于量子加权长短时记忆神经网络(QWLSTMNN)的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到隐层以获取额外的梯度信息;利用隐层权值量子位的反馈信息以获取输入序列的全部记忆,改善了原长短时记忆神经网络(LSTMNN)的非线性逼近能力和泛化性能,使所提出的状态退化趋势预测方法具有较高的预测精度;另外,采用新型的基于量子相移门和量子梯度下降法的学习算法以实现QWLSTMNN的网络量子参数(即权值量子位和活性值量子位)的快速更新,提高了网络收敛速度,使所提出的预测方法具有较高的计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。

• 单位
  重庆大学; 四川大学; 机械传动国家重点实验室