CN109063308B - 一种基于深度量子学习的健康评估方法 - Google Patents
一种基于深度量子学习的健康评估方法 Download PDFInfo
- Publication number
- CN109063308B CN109063308B CN201810832051.9A CN201810832051A CN109063308B CN 109063308 B CN109063308 B CN 109063308B CN 201810832051 A CN201810832051 A CN 201810832051A CN 109063308 B CN109063308 B CN 109063308B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- training
- model
- quantum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
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。
Description
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：
根据量子深度神经网络的体系结构，可以构建初始深度量子神经网络模型为：
式中，C为输出层单元；N为隐藏层层数
深度量子神经元的输出可由以下公式获得：
这里
是一个sigmoid函数；
第k隐藏层的输出hk如下可得：
式中：Dk为第k层的单位数；D0为输入层单位数；ωk是突触权重；
定义转移位置的传递函数；n1是水平隐藏单位的数量。
其中，在步骤二中所述的“提取特征参数”，其内容是：振动信号进行特征提取常用的有量纲指标包括均方根植和峰值，无量纲指标高扩波形因子、峰值因子、脉冲因子、裕度因子、峭度指标等；本发明以峭度指标为例，峭度指标是反映振动信号分布特性的数值统计量；在轴承无故障运转时，振动信号的幅值分布接近正态分布，随着故障的出现和发展，信号幅值的分布偏离正态分布，峭度指标对冲击脉冲类故障比较敏感，峭度指标绝对值越大，故障越严重。
其中，在步骤二中所述的“定期采集轴承振动信号，对振动信号提取特征参数”，其作法如下：
将定期收集到的振动信号提取特征参数峭度指标，其公式如下：
式中，x(k)为信号序列，其中k＝1,2,3ΛK；K为所用信号序列数据点的个数；xm为信号均值，xstd为信号标准差，其中xm和xstd的计算公式如下：
其中，在步骤三中所述的“预处理”，其内容是：数据预处理在构建网络模型时是很重要的，往往能够决定训练结果；对于不同的数据集，预处理的方法会有或多或少的特殊性和局限性；当前最为普遍被广泛使用的预处理方法主要有：零均值、归一化；
零均值是将每一维原始数据减去每一维数据的平均值，将结果代替原始数据；而归一化就是将原始数据归一到相同尺度其中一种就是先将原始数据进行零均值，再将每一维的数据除以每一维数据的标准差。
其中，在步骤三中所述的“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”，其作法如下：
首先计算每一个维度上数据的均值(使用全体数据计算)，之后在每一个维度上都减去该均值；下一步便是在数据的每一维度上除以该维度上数据的标准差；然后随机选取的90％的样本数据集用于训练，其余10％的样本数据集用于预测模型的测试。
其中，在步骤四中所述的“调整深度量子神经网络模型参数”，其内容是：突触权重ωk和转移位置
是需要学习的参数；当网络的输出与期望输出不等时，存在误差函数，误差通过反向传播来调整突触权重实现对深度量子神经网络的训练，以达到最优输出。
其中，在步骤四中所述的“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预测模型”，其作法如下：
结合训练数据，将步骤一构建的初始深度量子神经网络进行训练；权重更新可以使用下式进行随机梯度下降求解：
式中，η为学习率，C是代价函数，这一函数的选择与学习的类型(例如监督学习、无监督学习、增强学习)以及激活函数相关；
经过比较当前网络输出值与我们想要的目标值，根据两者的差异情况来更新每一层的权重矩阵(比如，如果网络的输出值高了，就调整权重让它输出低一些，不断调整，直到能够输出目标值)。
其中，在步骤五中所述的“利用模型进行轴承的健康评估”，其内容是：为了较好的描述设备状态的健康程度，可以定义归一化参数hi作为最终描述设备健康状态的指标，其中hi值越接近于1表示样本数据对应的设备越处于健康状态，hi值越接近0表示数据样本对应的设备越处于性能较差的状态；hi可由下式求得：
式中c为尺度参数，有正常状态下的峭度指标和正常基准hi值确定。
本发明一种基于深度量子学习的健康评估方法，其具有以下的有点和积极效果：
(1)解决了传统人工神经网络不能处理随着时间变化而产生的累积效应问题，克服了传统人工神经网络在存在信息缺损及噪声数据时的不足，结果更加准确。
(2)深度量子神将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，克服了学习海量信息时速度过慢的问题。
附图说明：
图1本发明所述健康评估方法流程图。
图2深度量子神经网络的体系结构。
图3轴承健康评估示意图。
具体实施方式：
下面结合附图，对本发明的技术方案做进一步的说明。
见图1，本发明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；
是量子计算理论和深度神经网络结合的产物。深度量子神将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。主要包括：输入层、输出层和隐藏层。根据量子深度神经网络的体系结构见图2，构建初始深度量子神经网络：
式中，C为输出层单元；N为隐藏层层数
深度量子神经元的输出可由以下公式获得：
这里
是一个sigmoid函数。
第k隐藏层的输出hk如下可得：
式中：Dk为第k层的单位数；D0为输入层单位数；ωk是突触权重；
定义转移位置的传递函数；n1是水平隐藏单位的数量；
步骤二：定期采集轴承振动信号，对振动信号提取特征参数；
本发明选用Rexnord ZA-2115轴承，四个轴承安装在一根轴上；转速稳定在2000rpm，并从径向对轴和轴承施加2730kg的径向载荷，轴承被强制润滑；利用加速度振动传感器采集振动信号，采样频率设定为20kHz，每次采样持续1s，每次采样采集20480个数据点；实验进行3次，获取12组数据；
将收集到的数据通过下式提取特征参数峭度指标
式中，x(k)为信号序列，其中k＝1,2,3ΛK；K为所用信号序列数据点的个数；xm为信号均值，xstd为信号标准差，其中xm和xstd的计算公式如下：
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；
将步骤二得到数据，随机选取的90％的样本数据集用于训练，其余10％的样本数据集用于预测模型的测试；将经过预处理的峭度指标作为输入层，将评估数据作为输出层。
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；
结合训练数据，将步骤一建立的初始深度量子神经网络进行训练。权重更新可以使用下式进行随机梯度下降求解：
式中，η为学习率，C是代价函数，这一函数的选择与学习的类型(例如监督学习、无监督学习、增强学习)以及激活函数相关。
经过比较当前网络输出值与我们想要的目标值，根据两者的差异情况来更新每一层的权重矩阵(比如，如果网络的输出值高了，就调整权重让它输出低一些，不断调整，直到能够输出目标值)。
步骤五：利用模型进行轴承的健康评估；
训练完成以后，可以利用深度量子神经网络进行轴承健康评估，将计算出的hi值如图3与假定的评估规则表表1进行比较实现对轴承的健康评估，通过评估结果确定轴承的状态从而制定合适的维修策略；表1如下所示：
表1
Claims (1)
1.一种基于深度量子学习的健康评估方法，其特征在于：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；
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，是在量子计算机及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；
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：
根据量子深度神经网络的体系结构，能构建初始深度量子神经网络模型为：
式中，C为输出层单元；N为隐藏层层数
深度量子神经元的输出由以下公式获得：
这里
是一个sigmoid函数；
第k隐藏层的输出hk如下得：
式中：Dk为第k层的单位数；D0为输入层单位数；ωk是突触权重；
定义转移位置的传递函数；n1是水平隐藏单位的数量；
在步骤二中所述的“提取特征参数”，其内容是：振动信号进行特征提取常用的有量纲指标包括均方根植和峰值，无量纲指标高扩波形因子、峰值因子、脉冲因子、裕度因子和峭度指标；其中，峭度指标是反映振动信号分布特性的数值统计量；在轴承无故障运转时，振动信号的幅值分布接近正态分布，随着故障的出现和发展，信号幅值的分布偏离正态分布，峭度指标对冲击脉冲类故障比较敏感，峭度指标绝对值越大，故障越严重；
在步骤二中所述的“定期采集轴承振动信号，对振动信号提取特征参数”，其作法如下：
将定期收集到的振动信号提取特征参数峭度指标，其公式如下：
式中，x(k)为信号序列，其中k＝1,2,3…K；K为所用信号序列数据点的个数；xm为信号均值，xstd为信号标准差，其中xm和xstd的计算公式如下：
在步骤三中所述的“预处理”，其内容是：数据预处理在构建网络模型时是很重要的，往往能够决定训练结果；对于不同的数据集，预处理的方法会有或多或少的特殊性和局限性；当前最为普遍被广泛使用的预处理方法主要有：零均值、归一化；
零均值是将每一维原始数据减去每一维数据的平均值，将结果代替原始数据；而归一化就是将原始数据归一到相同尺度其中一种就是先将原始数据进行零均值，再将每一维的数据除以每一维数据的标准差；
在步骤三中所述的“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”，其作法如下：
首先计算每一个维度上数据的均值，之后在每一个维度上都减去该均值；下一步便是在数据的每一维度上除以该维度上数据的标准差；然后随机选取的90％的样本数据集用于训练，其余10％的样本数据集用于预测模型的测试；
在步骤四中所述的“调整深度量子神经网络模型参数”，其内容是：突触权重ωk和转移位置
是需要学习的参数；当网络的输出与期望输出不等时，存在误差函数，误差通过反向传播来调整突触权重实现对深度量子神经网络的训练，以达到最优输出；
在步骤四中所述的“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预测模型”，其作法如下：
结合训练数据，将步骤一构建的初始深度量子神经网络进行训练；权重更新能使用下式进行随机梯度下降求解：
式中，η为学习率，C是代价函数，这一函数的选择与学习的类型以及激活函数相关；
经过比较当前网络输出值与我们想要的目标值，根据两者的差异情况来更新每一层的权重矩阵；
在步骤五中所述的“利用模型进行轴承的健康评估”，其内容是：为了较好的描述设备状态的健康程度，定义归一化参数hi作为最终描述设备健康状态的指标，其中hi值越接近于1表示样本数据对应的设备越处于健康状态，hi值越接近0表示数据样本对应的设备越处于性能较差的状态；hi由下式求得：
式中c为尺度参数，有正常状态下的峭度指标和正常基准hi值确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810832051.9A CN109063308B (zh) | 2018-07-26 | 2018-07-26 | 一种基于深度量子学习的健康评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810832051.9A CN109063308B (zh) | 2018-07-26 | 2018-07-26 | 一种基于深度量子学习的健康评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109063308A CN109063308A (zh) | 2018-12-21 |
| CN109063308B true CN109063308B (zh) | 2021-03-09 |
Family
ID=64835593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810832051.9A Active CN109063308B (zh) | 2018-07-26 | 2018-07-26 | 一种基于深度量子学习的健康评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063308B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871995B (zh) * | 2019-02-02 | 2021-03-26 | 浙江工业大学 | Spark框架下分布式深度学习的量子优化调参方法 |
| CN109978191A (zh) * | 2019-03-29 | 2019-07-05 | 上海电气集团股份有限公司 | 工业装备系统的系统状态的评估方法以及评估装置 |
| CN111783930B (zh) * | 2019-04-03 | 2024-03-12 | 南京大学 | 一种基于路径状态的神经网络测试充分性评估方法 |
| CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
| CN110597874B (zh) * | 2019-08-26 | 2022-05-27 | 数字广东网络建设有限公司 | 数据分析模型的创建方法、装置、计算机设备和存储介质 |
| CN110794683A (zh) * | 2019-11-27 | 2020-02-14 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 |
| CN111695209B (zh) * | 2020-05-13 | 2022-11-15 | 东南大学 | 元深度学习驱动的旋转机械小样本健康评估方法 |
| CN111814403B (zh) * | 2020-07-16 | 2023-07-28 | 国网山东省电力公司电力科学研究院 | 一种配电主设备分布式状态传感器可靠性评估方法 |
| CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
| CN112348158B (zh) * | 2020-11-04 | 2024-02-13 | 重庆大学 | 基于多参数深度分布学习的工业设备状态评估方法 |
| CN113221441B (zh) * | 2020-12-24 | 2022-12-02 | 山东鲁能软件技术有限公司 | 一种电厂设备健康评估的方法及装置 |
| CN113505639B (zh) * | 2021-05-28 | 2024-03-22 | 北京化工大学 | 一种基于TPE-XGBoost的旋转机械多参数健康状态评估方法 |
| CN117009876B (zh) * | 2023-10-07 | 2024-01-09 | 长春光华学院 | 基于人工智能的运动状态量评估方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831325B (zh) * | 2012-09-04 | 2016-03-30 | 北京航空航天大学 | 一种基于高斯过程回归的轴承故障预测方法 |
| US10410116B2 (en) * | 2014-03-11 | 2019-09-10 | SparkCognition, Inc. | System and method for calculating remaining useful time of objects |
| CN104392143B (zh) * | 2014-12-09 | 2017-05-17 | 北京四方继保自动化股份有限公司 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
| CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
| CN108303630A (zh) * | 2018-02-08 | 2018-07-20 | 国电南瑞科技股份有限公司 | 一种基于小波包分析的交直流充电设备功率器件故障诊断方法 |
-
2018
- 2018-07-26 CN CN201810832051.9A patent/CN109063308B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| A Method for Predicting Ultimate Bearing Capacity of Bolts Based on PSO-RBF Neural Network;Xiaoyun Sun等;《IEEE Xplore》;20161020;第12-15页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109063308A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063308B (zh) | 一种基于深度量子学习的健康评估方法 | |
| Mao et al. | Online detection for bearing incipient fault based on deep transfer learning | |
| Haidong et al. | Enhanced deep gated recurrent unit and complex wavelet packet energy moment entropy for early fault prognosis of bearing | |
| CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
| Trizoglou et al. | Fault detection by an ensemble framework of Extreme Gradient Boosting (XGBoost) in the operation of offshore wind turbines | |
| CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
| Zhang et al. | A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions | |
| CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
| Kankar et al. | Rolling element bearing fault diagnosis using wavelet transform | |
| Kankar et al. | Fault diagnosis of ball bearings using machine learning methods | |
| CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
| Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
| CN107003663A (zh) | 具有活动部分的装置的监视 | |
| Wang et al. | An evolving neuro-fuzzy technique for system state forecasting | |
| CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| Peng et al. | An audio-based intelligent fault diagnosis method for belt conveyor rollers in sand carrier | |
| CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
| Yao et al. | Improving rolling bearing fault diagnosis by DS evidence theory based fusion model | |
| Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
| Addeh et al. | Control chart patterns detection using COA based trained MLP neural network and shape features | |
| CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
| CN114117682B (zh) | 齿轮箱的故障识别方法、装置、设备及存储介质 | |
| CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
| Yang et al. | Early change detection in dynamical bearing degradation process based on hierarchical graph model and adaptive inputs weighting fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |