基于量子加权长短时记忆神经网络的状态退化趋势预测

摘要：

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.

关键词：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

所属期刊栏目：39

分类号：TH165.3;TH17

资助基金：机械传动国家重点实验室开放基金SKLMT-KFKT-2017 18;中国博士后科学基金第60批面上项目2016M602685;国家自然科学基金青年科学基金51305283

在线出版日期：2019-05-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：217-225