CN109447305B - 一种基于量子加权长短时记忆神经网络的趋势预测方法 - Google Patents
一种基于量子加权长短时记忆神经网络的趋势预测方法 Download PDFInfo
- Publication number
- CN109447305B CN109447305B CN201810655698.9A CN201810655698A CN109447305B CN 109447305 B CN109447305 B CN 109447305B CN 201810655698 A CN201810655698 A CN 201810655698A CN 109447305 B CN109447305 B CN 109447305B
- Authority
- CN
- China
- Prior art keywords
- qubit
- phase
- weight
- quantum
- wavelet packet
- 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
- 230000015654 memory Effects 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000002096 quantum dot Substances 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 64
- 230000010363 phase shift Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 69
- 230000006870 function Effects 0.000 claims description 26
- 230000015556 catabolic process Effects 0.000 claims description 24
- 238000006731 degradation reaction Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 210000004027 cell Anatomy 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 241000287196 Asthenes Species 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000001343 mnemonic effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004324 sodium propionate Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于量子加权长短时记忆神经网络的趋势预测方法,包括:实时采集振动样本数据;构建小波包能量熵集;对小波包能量熵集归一化处理;构建QWLSTMNN模型;归一化的小波包能量熵集输入QWLSTMNN模型中训练和预测;计算各时间点的小波包能量熵误差集;将小波包能量熵误差集输入QWLSTMNN模型中训练和预测;将预测的归一化的小波包能量熵误差集反归一化处理,得到最终预测结果。本发明构建了QWLSTMNN网络,引入量子位表示网络权值和活性值并将输入层权值扩展到隐层以获取额外的梯度信息,同时利用隐层权值的反馈信息以获取输入序列的全部记忆,改善了网络泛化能力;采用量子梯度下降算法修正量子相移门以实现权值量子位、活性值量子位的快速更新,提高了网络的收敛速度。
Description
技术领域
本发明涉及神经网络系统技术领域,尤其涉及一种基于量子加权长短时记忆神经网络的趋势预测方法。
背景技术
旋转机械(如:发动机、汽轮机等)作为在石化、电力、冶金、煤炭、核能等行业中有着广泛应用的关键设备,常常因出现各种不同形式的故障而影响其正常运转,严重时甚至会引发机毁人亡的重大事故。将先进的故障诊断技术应用到旋转机械上,可起到确保设备安全运行、节约维修费用以及防止环境污染等关键作用,具有巨大的经济效益。
通常,机械设备检修方式可分为发生事故停机检修、定期停机检修、视情维修(也称为预测维修)三种。其中,视情维修由于具有后勤保障规模小、经济可承受性好、高效率以及可避免重大灾难性事故等显著优势而具有良好的发展前景。
视情维修要求系统自身具有对设备故障进行预测并对其健康状态进行管理的能力,以实现“经济可承受性”的目标,由此产生了故障预测与健康管理(prognostic andhealth management,PHM)的理念,而实现基于视情维修的PHM技术的关键在于故障预测。
在大多数的工业PHM系统中,建立复杂部件或系统的数学或物理模型十分困难甚至无法实现,或识别模型的参数较为复杂,因此,部件或系统设计、仿真、运行和维护等各个阶段的测试、传感器历史数据就成为掌握系统性能下降的主要手段。由此,基于测试或传感器数据的数据驱动(data-driven)预测方法逐渐获得重视并取得快速发展,成为PHM领域的重要研究热点。
目前,基于数据驱动的预测方法有随机系数模型,趋势估计和人工智能等方法。特别是基于人工智能的预测方法如支持向量机(Support Vector Machine,SVM),模糊逻辑(fuzzy logic,FL)模型,人工神经网络(Artificial Neural Network,ANN)等,由于其在生成合适模型方面的灵活性,受到了广泛的关注与欢迎。然而,这些预测方法由于各自的缺陷很难得到理想的预测结果。比如支持向量机核函数及其参数很多情况是人为选定,带有许多不确定性;模糊逻辑具有与SVM类似的问题;基于人工神经网络的预测方法中,诸如BP神经网络(Back-Propagation Neural Network,BPNN),循环神经网络(Recurrent NeuralNetwork,RNN)等经典神经网络,存在学习收敛速度慢、训练困难、网络的学习和记忆具有不稳定性等问题,而Elman神经网络(Elman Neural Network,Elman-NN)和长短时记忆神经网络(Long Short Term Memory Neural Network,LSTMNN)等RNN的变体,由于它们自身理论和结构上的缺陷,仍然难以做出准确预测。
量子计算作为一种极富前景的非线性模型,被认为是改进神经计算的有效途径之一。量子神经网络利用了量子计算的一些优势特别是其并行计算特性,比经典神经网络具有更强的并行处理能力,并且在数据处理方面具有前所未有的潜在优势。因此,可以通过量子计算与新型神经网络相结合的方式来构建新型量子神经网络,然后将该新型量子神经网络应用于旋转机械预测领域来解决现有预测方法面临的预测精度和计算速度等问题,从而突破PHM技术关键难题。
发明内容
本发明所要解决的技术问题是提供一种预测精度高且网络收敛速度快的基于量子加权长短时记忆神经网络的趋势预测方法。
为解决上述技术问题,本发明的技术方案是:一种基于量子加权长短时记忆神经网络的趋势预测方法,包括以下步骤:
S1:实时采集旋转机械的振动样本数据,作为训练样本和测试样本;
S2:为所有采集的旋转机械振动样本数据构建小波包能量熵;
S3:对所述小波包能量熵集进行归一化处理,得到归一化的小波包能量熵集;
S4:构建量子加权长短时记忆神经网络模型;
S5:将步骤S3中得到的归一化的小波包能量熵集输入所述量子加权长短时记忆神经网络模型进行训练和预测,得到预测的归一化的小波包能量熵集;
S6:计算各时间点实际的小波包能量熵和预测的小波包能量熵的误差,构建小波包能量熵误差集;
S7:将所述小波包能量熵误差集归一化处理后,输入所述量子加权长短时记忆神经网络模型进行训练和预测,得到预测的归一化的小波包能量熵误差集;
S8:将预测的归一化的小波包能量熵误差集进行反归一化处理,得到最终预测结果;
其中,步骤S4中构建量子加权长短时记忆神经网络,包括以下步骤:
其中,Wy表示输出层权值矩阵;
S42:构建量子相移门:
其中,|φ′0>表示经过变换后观测到的最新状态;
S43:构建量子加权神经元模型,量子位|φi>、分别表示权值和活性值,其中聚合算子记为∑,F是活化函数,f表示激励函数,激励采用sigmoid函数或双曲正切函数,神经元输入为输出为y;权向量|φ>=[|φ1>,|φ2>,…,|φm>]T,其中,权值量子位|φi>=[cosθi,sinθi]T,其中,θi为|φi>的相位;活性值量子位其中,ξ为的相位;
则,量子加权神经元的输入输出关系可表述为:
其中,i=1,2,…,m,j=1,2,…,n;表示量子权向量;|φij>=[cosθij,sinθij]T和分别是用于求解权值矩阵W的权值量子位和活性值量子位;θij和ξj分别是|φij>和的相位;则,权值矩阵W可表示为:
由式(10)和式(11)可知,W中的任意一个元素wji均可由θij和ξj来表示,因此,通过更新权值量子位相位θij和活性值量子位相位ξj来更新权值量子位|φij>和活性值量子位来实现整个权值矩阵的更新;
S44:构建量子加权长短时记忆神经网络结构,量子加权长短时记忆神经网络结构简称为QWLSTMNN;
首先,根据式(5)和式(10)可以推导出QWLSTMNN的输出门如下:
其中,(θwf)ij和(ξwf)j分别是用于求解权值矩阵Wf的权值量子位相位和活性值量子位相位,(θuf)kj和(ξuf)j分别是用于求解权值矩阵Uf的权值量子位相位和活性值量子位相位;
其中,(θwc)ij和(ξwc)j分别是用于求解权值矩阵Wc的权值量子位相位和活性值量子位相位,(θuc)kj和(ξuc)j分别是用于求解权值矩阵Uc的权值量子位相位和活性值量子位相位;
其中,(θwo)ij和(ξwo)j分别为用于求解权值矩阵Wo的权值量子位相位和活性值量子位相位,(θuo)kj和(ξuo)j分别为用于求解权值矩阵Uo的权值量子位相位和活性值量子位相位;
其中,(θwy)kl和(ξwy)l分别为用于求解权值矩阵Wy的权值量子位相位和活性值量子位相位;
S45:通过修正量子相移门的相位来更新权值量子位和活性值量子位:
记第s步训练的权值量子位为|φ(s)>;s=1,2,…,Nmax-1为训练步数,Nmax表示最大训练步数;θ(s)为|φ(s)>的相位;Δθ(s)为θ(s)的增量,为第s步训练的活性值量子位;ξ(s)表示的相位;Δξ(s)表示ξ(s)的增量;一位相移门表示如下:
更新后的权值量子位和活性值量子位表示如下:
记QWLSTMNN的逼近误差函数为:
根据量子梯度下降法,相位增量Δθ(s)和Δξ(s)由以下两式分别得出:
令(θwi)ij(s)、(θwf)ij(s)、(θwo)ij(s)、(θwg)ij(s)、(θwy)kl(s)、(θui)kj(s)、(θuf)kj(s)、(θuo)kj(s)、(θug)kj(s)分别表示执行第s步训练时用于求解权值矩阵Wi、Wf、Wo、Wg、Wy、Ui、Uf、Uo、Ug的权值量子位相位,将这些权值量子位相位分别作为自变量代入公式(25)可求得对应的相位增量Δ(θwi)ij(s)、Δ(θwf)ij(s)、Δ(θwo)ij(s)、Δ(θwg)ij(s)、Δ(θwy)kl(s)、Δ(θui)kj(s)、Δ(θuf)kj(s)、Δ(θuo)kj(s)、Δ(θug)kj(s);同理,令(ξwi)j(s)、(ξwf)j(s)、(ξwo)j(s)、(ξwg)j(s)、(ξwy)l(s)、(ξui)j(s)、(ξuf)j(s)、(ξuo)j(s)、(ξug)j(s)分别表示执行第s步训练时用于求解权值矩阵Wi、Wf、Wo、Wg、Wy、Ui、Uf、Uo、Ug的活性值量子位相位,分别将这些活性值量子位相位作为自变量代入公式(26)可求出对应的相位增量Δ(ξwi)j(s)、Δ(ξwf)j(s)、Δ(ξwo)j(s)、Δ(ξwg)j(s)、Δ(ξwy)l(s)、Δ(ξui)j(s)、Δ(ξuf)j(s)、Δ(ξuo)j(s)、Δ(ξug)j(s);
将求得的相位增量分别带入式(20)和式(21),即可实现所有权值量子位和活性值量子位的更新。
作为优选的技术方案,在步骤S5和S7中,归一化的小波包能量熵集或小波包能量熵误差集输入所述量子加权长短时记忆神经网络模型进行训练和预测的步骤包括:
QWLSTMNN训练过程如下:(1)在第一步训练中初始化各相位,即将[0,2π]内的值随机赋给和(2)将样本集Xtrain输入QWLSTMNN得到输出(3)利用量子梯度下降算法来更新以得到下一个训练周期的初始相位;(4)重复步骤(2)和步骤(3),直到与之间的误差小于设定的阈值,或者达到最大训练步数;
QWLSTMNN训练完成后,采用多步向前预测法进行状态退化趋势预测:将训练集后m个样本{xb-m+1,xb-m+2,…,xb}作为QWLSTMNN的初始输入,得到b+1时刻的输出完成第一步预测;然后由组成QWLSTMNN的输入来计算下一时刻的输出完成第二步预测;以此类推,向QWLSTMNN输入可得到b+N时刻的输出完成第N步预测。
作为优选的技术方案,步骤S6中,计算各时间点的实际的小波包能量熵和预测的小波包能量熵的误差,采用如下公式:
作为优选的技术方案,在步骤S6之前,将预测的归一化的小波包能量熵集进行反归一化处理得到预测的小波包能量熵集。
作为优选的技术方案,所述监测对象是旋转机械,所述原始运行数据是所述旋转机械的原始振动数据。
由于采用了上述技术方案,本发明的有益效果是:本发明构建了量子加权长短是记忆神经网络QWLSTMNN,引入量子位表示网络权值和活性值并将输入层权值扩展到隐层以获取额外的梯度信息,同时利用隐层权值的反馈信息以获取输入序列的全部记忆,改善了网络泛化能力;另外,采用新型的量子梯度下降算法修正量子相移门以实现权值量子位、活性值量子位的快速更新,提高了网络的收敛速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中长短时神经网络LSTMNN的拓扑图;
图2是本发明实施例中的量子加权神经元的拓扑图;
图3是本发明实施例的工作流程图;
图4是本发明实施例中1号轴承运行7天的小波包能量熵曲线图;
图5是本发明实施例中1号轴承运行7天的小波包能量熵误差曲线图;
图6是本发明实施例通过QWLSTMNN网络预测的小波包能量熵曲线图;
图7是本发明实施例中四种神经网络的逼近误差曲线的示意图;
图8是本发明实施例中反向传播神经网络(Back Propagation Neural Network,简称BPNN)预测的小波包能量熵与实际的小波包能量熵误差对比示意图;
图9是本发明实施例中循环神经网络(Recurrent Neural Network,简称RNN)预测的小波包能量熵与实际的小波包能量熵误差对比示意图;
图10是本发明实施例中门限循环单元神经网络(Gated Recurrent Unit NeuralNetworks,简称GRUNN)预测的小波包能量熵与实际的小波包能量熵误差对比示意图;
图11是本发明实施例中最小二乘支持向量机(Least Squares Support VectorMachines,简称LS-SVM)预测的小波包能量熵与实际的小波包能量熵误差对比示意图;
图12是本发明实施例中五种性态退化趋势预测方法消耗时间对比结果示意图。
具体实施方式
如图1至图3共同所示,一种基于量子加权长短时记忆神经网络的趋势预测方法,包括以下步骤:
S1:实时采集旋转机械的振动样本数据,作为训练样本和测试样本。
S2:为所有采集的旋转机械振动样本数据构建小波包能量熵;
S3:对小波包能量熵集进行归一化处理,得到归一化的小波包能量熵集。
S4:构建量子加权长短时记忆神经网络模型,具体包括:
其中,Wy表示输出层权值矩阵;
S42:构建量子相移门:
其中,|φ′0>表示经过变换后观测到的最新状态;
S43:构建量子加权神经元模型,量子位|φi>、分别表示权值和活性值,其中聚合算子记为∑,F是活化函数,f表示激励函数,激励采用sigmoid函数或双曲正切函数,神经元输入为输出为y;权向量|φ>=[|φ1>,|φ2>,…,|φm>]T,其中,权值量子位|φi>=[cosθi,sinθi]T,其中,θi为|φi>的相位;活性值量子位其中,ξ为的相位;
则,量子加权神经元的输入输出关系可表述为:
其中,i=1,2,…,m,j=1,2,…,n;表示量子权向量;|φij>=[cosθij,sinθij]T和分别是用于求解权值矩阵W的权值量子位和活性值量子位;θij和ξj分别是|φij>和的相位;则,权值矩阵W可表示为:
由式(10)和式(11)可知,W中的任意一个元素wji均可由θij和ξj来表示,因此,通过更新权值量子位相位θij和活性值量子位相位ξj来更新权值量子位|φij>和活性值量子位来实现整个权值矩阵的更新;
S44:构建量子加权长短时记忆神经网络结构,量子加权长短时记忆神经网络结构简称为QWLSTMNN;
首先,根据式(5)和式(10)可以推导出QWLSTMNN的输出门如下:
其中,(θwf)ij和(ξwf)j分别是用于求解权值矩阵Wf的权值量子位相位和活性值量子位相位,(θuf)kj和(ξuf)j分别是用于求解权值矩阵Uf的权值量子位相位和活性值量子位相位;
其中,(θwc)ij和(ξwc)j分别是用于求解权值矩阵Wc的权值量子位相位和活性值量子位相位,(θuc)kj和(ξuc)j分别是用于求解权值矩阵Uc的权值量子位相位和活性值量子位相位;
其中,(θwo)ij和(ξwo)j分别为用于求解权值矩阵Wo的权值量子位相位和活性值量子位相位,(θuo)kj和(ξuo)j分别为用于求解权值矩阵Uo的权值量子位相位和活性值量子位相位;
其中,(θwy)kl和(ξwy)l分别为用于求解权值矩阵Wy的权值量子位相位和活性值量子位相位;
S45:通过修正量子相移门的相位来更新权值量子位和活性值量子位:
记第s步训练的权值量子位为|φ(s)>;s=1,2,…,Nmax-1为训练步数,Nmax表示最大训练步数;θ(s)为|φ(s)>的相位;Δθ(s)为θ(s)的增量,为第s步训练的活性值量子位;ξ(s)表示的相位;Δξ(s)表示ξ(s)的增量;一位相移门表示如下:
更新后的权值量子位和活性值量子位表示如下:
记QWLSTMNN的逼近误差函数为:
根据量子梯度下降法,相位增量Δθ(s)和Δξ(s)由以下两式分别得出:
令(θwi)ij(s)、(θwf)ij(s)、(θwo)ij(s)、(θwg)ij(s)、(θwy)kl(s)、(θui)kj(s)、(θuf)kj(s)、(θuo)kj(s)、(θug)kj(s)分别表示执行第s步训练时用于求解权值矩阵Wi、Wf、Wo、Wg、Wy、Ui、Uf、Uo、Ug的权值量子位相位,分别将这些权值量子位相位作为自变量代入公式(25)可求得对应的相位增量Δ(θwi)ij(s)、Δ(θwf)ij(s)、Δ(θwo)ij(s)、Δ(θwg)ij(s)、Δ(θwy)kl(s)、Δ(θui)kj(s)、Δ(θuf)kj(s)、Δ(θuo)kj(s)、Δ(θug)kj(s);同理,令(ξwi)j(s)、(ξwf)j(s)、(ξwo)j(s)、(ξwg)j(s)、(ξwy)l(s)、(ξui)j(s)、(ξuf)j(s)、(ξuo)j(s)、(ξug)j(s)分别表示执行第s步训练时用于求解权值矩阵Wi、Wf、Wo、Wg、Wy、Ui、Uf、Uo、Ug的活性值量子位相位,分别将这些活性值量子位相位作为自变量代入公式(26)可求出对应的相位增量Δ(ξwi)j(s)、Δ(ξwf)j(s)、Δ(ξwo)j(s)、Δ(ξwg)j(s)、Δ(ξwy)l(s)、Δ(ξui)j(s)、Δ(ξuf)j(s)、Δ(ξuo)j(s)、Δ(ξug)j(s);
将求得的相位增量分别带入式(20)和式(21),即可实现所有权值量子位和活性值量子位的更新。
S5:将步骤S3中得到的归一化的小波包能量熵集输入量子加权长短时记忆神经网络模型进行训练和预测,得到预测的归一化的小波包能量熵集。
S6:计算各时间点实际的小波包能量熵和预测的小波包能量熵的误差,构建小波包能量熵误差集:首先,将预测的归一化的小波包能量熵集进行反归一化处理得到预测的小波包能量熵集
计算各时间点的实际的小波包能量熵和预测的小波包能量熵的误差,采用如下公式:
S7:将小波包能量熵误差集归一化处理后,输入量子加权长短时记忆神经网络模型进行训练和预测,得到预测的归一化的小波包能量熵误差集;
S8:将预测的归一化的小波包能量熵误差集进行反归一化处理,得到最终预测结果;
其中,步骤S5和S7中,将归一化的小波包能量熵集或小波包能量熵误差集输入QWLSTMNN网络模型中进行训练和预测,具体包括以下步骤:
QWLSTMNN训练过程如下:(1)在第一步训练中初始化各相位,即将[0,2π]内的值随机赋给和(2)将样本集Xtrain输入QWLSTMNN得到输出(3)利用量子梯度下降算法来更新以得到下一个训练周期的初始相位;(4)重复步骤(2)和步骤(3),直到与之间的误差小于设定的阈值,或者达到最大训练步数;
QWLSTMNN训练完成后,采用多步向前预测法进行状态退化趋势预测:将训练集后m个样本{xb-m+1,xb-m+2,…,xb}作为QWLSTMNN的初始输入,得到b+1时刻的输出完成第一步预测;然后由组成QWLSTMNN的输入来计算下一时刻的输出完成第二步预测;以此类推,向QWLSTMNN输入可得到b+N时刻的输出完成第N步预测。
本发明实施例优选的监测对象是旋转机械,原始运行数据是旋转机械的原始振动数据。
下面以本发明应用于旋转机械中的实施例,通过对旋转机械的性能退化趋势预测来说明本发明的优越性。
本实施例使用Cincinnati大学实测的滚动轴承状态退化数据对本发明中所提出的方法进行验证。轴承实验台的转轴上安装四个航空用轴承,这些航空轴承为Rexnord公司制造的ZA-2115双列滚子轴承,交流电机通过带传动以2000r/min的恒定转速带动转轴旋转,实验过程中轴承被施加6000lbs的径向载荷。采样频率为20kHz,采样长度为20480个点,每隔10min采集一次轴承的振动数据,轴承持续运行直到出现故障。在该实验中,1号轴承持续运转到第7天时因出现外圈故障而失效,本发明采用1号轴承状态退化数据来验证所提方法的有效性。
取1号轴承连续运行七天(共计984段)的轴承状态退化的振动信号数据来构造的小波包能量熵曲线图,由图4可知,从第531点开始出现明显下降,表明该轴承处于退化初始阶段,从679点开始出现明显不规则曲线,表明轴承出现了较大外圈故障,在670点以后不规则曲线密集程度明显增多,表明该轴承已出现严重故障,濒临失效。
首先通过QWLSTMNN来完成对各时间点的小波包能量熵的预测。
QWLSTMNN的参数设置如下:输入维数m=30,隐层维数p=8,输出维数n=1,预测样本数N=200,学习率α=0.05,动态收敛因子r=0.3,最大训练步数Nmax=2000,均方误差阈值Emse=0.01。令将每组小波包能量熵输入QWLSTMNN,根据步骤S5,得到预测的小波包能量熵。再根据步骤S6和式(27)可计算出小波包能量熵误差{E280,E281,…E984},如图5所示。
根据步骤S7,将计算得出的小波包能量熵误差输入QWLSTMNN来完成小波包能量熵误差的预测。QWLSTMNN的参数设置如下:输入维数m=30,隐层维数p=8,输出维数n=1,预测样本数N=200,学习率α=0.05,动态收敛因子r=0.3,最大训练步数Nmax=2000,均方误差阈值Emse=0.01。图6中第503到782个采样点处于初始退化阶段,是状态退化趋势观测中最重要的时间序列数据。因此,取第503点782点(共计280个样本点)的小波包能量熵误差用于训练和测试QLSTMNN。将前80个点作为训练样本,后200个点作为测试样本分别输入QWLSTMNN来完成训练和预测,网络的参数设置保持不变,预测结果如图6所示。
由图6可知,被预测的在[583,782]区间内的小波包能量熵误差与图5对应的小波包能量熵误差非常接近,即由QWLSTMNN预测的小波包能量熵误差拟合的曲线与实际小波包能量熵误差的动态趋势(即实际性能退化趋势)基本一致,这就说明基于QWLSTMNN的趋势预测方法是有效的,可以将该方法用于旋转机械的状态退化趋势预测。
下面,我们通过三组比较来验证所提出的基于量子加权门限循环单元神经网络(QWGRUNN)的旋转机械性能退化趋势预测方法的优越性。
首先,将BPNN、RNN、LSTMNN、与QWLSTMNN进行收敛特性对比,各神经网络参数设置保持不变,对比结果如图7所示。随着迭代步数的增加,四种神经网络的逼近误差均不断下降且的QWLSTMNN逼近误差下降得最快,达到最大训练步数Nmax=2000时,QWLSTMNN的逼近误差比其它三种网络的逼近误差更小,这表明QWLSTMNN具有更快的收敛速度和更好的泛化能力。
然后,本发明实施例与基于BPNN、RNN、LSTMNN、LS-SVM的其他四种预测方法进行预测精度对比。后四种方法的训练次数及预测方式(即输入输出方式)同本发明QWLSTMNN保持一致并且BPNN、RNN、LSTMNN这三种神经网络参数设置与QWLSTMNN相同,LS-SVM选择RBF核函数,且通过留一交叉验证法自动设置核参数和正则化参数。采用这些方法得到的双列滚子轴承的状态退化趋势预测结果如图8至图11所示。
为进一步定量评价预测结果的准确性,采用均方根误差(RMSE)作为预测误差评价指标,即:
在QWLSTMNN、BPNN、RNN、LSTMNN、LS-SVM参数设置保持不变的条件下,用这五种预测方法反复进行100次预测,取最小均方根误差emin、最大均方根误差emax、平均均方根误差作为这100次预测的预测误差评价指标,其对比结果如表1所示。
表1 5种状态退化趋势预测方法的预测误差对比
表1表明:QWLSTMNN的平均预测误差较小,且预测误差的波动范围也较小,说明该量子神经网络具有良好的泛化能力与预测稳定性,将其用于典型旋转机械—双列滚子轴承的状态退化趋势预测,相比于BPNN、RNN、LSTMNN、LS-SVM可以取得更高的预测精度。
最后,再用BPNN、RNN、LSTMNN、LS-SVM进行状态退化趋势预测所耗用的计算时间与QWLSTMNN所耗用的计算时间进行对比,如图12所示。QWLSTMNN消耗的时间为3.610575s,BPNN消耗的时间为5.608638s,RNN消耗的时间为4.895042s,LSTMNN消耗的时间为6.584945s,LS-SVM消耗的时间为0.753513s,QWLSTMNN的消耗的时间仅比LS-SVM长(但仍处于同一数量级)。结果表明:将QWLSTMNN用于典型旋转机械—双列滚子轴承的状态退化趋势预测,比BPNN、RNN、LSTMNN、LS-SVM具有更高的计算效率。
在此基础上,本发明提出了基于QWLSTMNN的旋转机械状态退化趋势预测方法。首先利用旋转机械运行过程中的原始振动数据来构建小波包能量熵误差特征集以表征其性能退化信息;然后将构建的特征集输入QWLSTMNN以完成性能退化趋势预测。滚动轴承性能退化趋势预测实例验证了该方法的有效性。
以上显示和描述了本发明的基本原理、主要特征及本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于量子加权长短时记忆神经网络的趋势预测方法,其特征在于,包括以下步骤:
S1:实时采集旋转机械的振动样本数据,作为训练样本和测试样本;
S2:为所有采集的旋转机械振动样本数据构建小波包能量熵;
S3:对所述小波包能量熵进行归一化处理,得到归一化的小波包能量熵集;
S4:构建量子加权长短时记忆神经网络模型;
S5:将步骤S3中得到的归一化的小波包能量熵集输入所述量子加权长短时记忆神经网络模型进行训练和预测,得到预测的归一化的小波包能量熵集;
S6:计算各时间点实际的小波包能量熵和预测的小波包能量熵的误差,构建小波包能量熵误差集;
S7:将所述小波包能量熵误差集归一化处理后,输入所述量子加权长短时记忆神经网络模型进行训练和预测,得到预测的归一化的小波包能量熵误差集;
S8:将预测的归一化的小波包能量熵误差集进行反归一化处理,得到最终预测结果;
其中,步骤S4中构建量子加权长短时记忆神经网络,包括以下步骤:
其中,Wy表示输出层权值矩阵;
S42:构建量子相移门:
其中,|φ′0>表示经过变换后观测到的最新状态;
S43:构建量子加权神经元模型,量子位|φi>、分别表示权值和活性值,其中聚合算子记为∑,F是活化函数,f表示激励函数,激励采用sigmoid函数或双曲正切函数,神经元输入为输出为y;权向量|φ>=[|φ1>,|φ2>,…,|φm>]T,其中,权值量子位|φi>=[cosθi,sinθi]T,其中,θi为|φi>的相位;活性值量子位其中,ξ为的相位;
则,量子加权神经元的输入输出关系可表述为:
其中,i=1,2,…,m,j=1,2,…,n;表示量子权向量;|φij>=[cosθij,sinθij]T和分别是用于求解权值矩阵W的权值量子位和活性值量子位;θij和ξj分别是|φij>和的相位;则权值矩阵W可表示为:
由式(10)和式(11)可知,W中的任意一个元素wji均可由θij和ξj来表示,因此,通过更新权值量子位相位θij和活性值量子位相位ξj来更新权值量子位|φij>和活性值量子位来实现整个权值矩阵的更新;
S44:构建量子加权长短时记忆神经网络结构,量子加权长短时记忆神经网络结构简称为QWLSTMNN;
首先,根据式(5)和式(10)可以推导出QWLSTMNN的输出门如下:
其中,(θwf)ij和(ξwf)j分别是用于求解权值矩阵Wf的权值量子位相位和活性值量子位相位,(θuf)kj和(ξuf)j分别是用于求解权值矩阵Uf的权值量子位相位和活性值量子位相位;
其中,(θwc)ij和(ξwc)j分别是用于求解权值矩阵Wc的权值量子位相位和活性值量子位相位,(θuc)kj和(ξuc)j分别是用于求解权值矩阵Uc的权值量子位相位和活性值量子位相位;
其中,(θwo)ij和(ξwo)j分别为用于求解权值矩阵Wo的权值量子位相位和活性值量子位相位,(θuo)kj和(ξuo)j分别为用于求解权值矩阵Uo的权值量子位相位和活性值量子位相位;
其中,(θwy)kl和(ξwy)l分别为用于求解权值矩阵Wy的权值量子位相位和活性值量子位相位;
S45:通过修正量子相移门的相位来更新权值量子位和活性值量子位:
记第s步训练时的权值量子位为|φ(s)>;s=1,2,…,Nmax-1为训练步数,Nmax表示最大训练步数;θ(s)为|φ(s)>的相位;Δθ(s)为θ(s)的增量,为第s步训练的活性值量子位;ξ(s)表示的相位;Δξ(s)表示ξ(s)的增量;一位相移门表示如下:
更新后的权值量子位和活性值量子位表示如下:
记QWLSTMNN的逼近误差函数为:
根据量子梯度下降法,相位增量Δθ(s)和Δξ(s)由以下两式分别得出:
令(θwi)ij(s)、(θwf)ij(s)、(θwo)ij(s)、(θwg)ij(s)、(θwy)kl(s)、(θui)kj(s)、(θuf)kj(s)、(θuo)kj(s)、(θug)kj(s)分别表示执行第s步训练时用于求解权值矩阵Wi、Wf、Wo、Wg、Wy、Ui、Uf、Uo、Ug的权值量子位相位,分别将这些权值量子位相位作为自变量代入公式(25)可求得对应的相位增量Δ(θwi)ij(s)、Δ(θwf)ij(s)、Δ(θwo)ij(s)、Δ(θwg)ij(s)、Δ(θwy)kl(s)、Δ(θui)kj(s)、Δ(θuf)kj(s)、Δ(θuo)kj(s)、Δ(θug)kj(s);同理,令(ξwi)j(s)、(ξwf)j(s)、(ξwo)j(s)、(ξwg)j(s)、(ξwy)l(s)、(ξui)j(s)、(ξuf)j(s)、(ξuo)j(s)、(ξug)j(s)分别表示执行第s步训练时用于求解权值矩阵Wi、Wf、Wo、Wg、Wy、Ui、Uf、Uo、Ug的活性值量子位相位,分别将这些活性值量子位相位作为自变量代入公式(26)可求出对应的相位增量Δ(ξwi)j(s)、Δ(ξwf)j(s)、Δ(ξwo)j(s)、Δ(ξwg)j(s)、Δ(ξwy)l(s)、Δ(ξui)j(s)、Δ(ξuf)j(s)、Δ(ξuo)j(s)、Δ(ξug)j(s);
将求得的相位增量分别带入式(20)和式(21),即可实现所有权值量子位和活性值量子位的更新。
2.如权利要求1所述的一种基于量子加权长短时记忆神经网络的趋势预测方法,其特征在于:在步骤S5和S7中,归一化的小波包能量熵集或小波包能量熵误差集输入所述量子加权长短时记忆神经网络模型进行训练和预测的步骤包括:
QWLSTMNN训练过程如下:(1)在第一步训练中初始化各相位,即将[0,2π]内的值随机赋给和(2)将样本集Xtrain输入QWLSTMNN得到输出(3)利用量子梯度下降算法来更新以得到下一个训练周期的初始相位;(4)重复步骤(2)和步骤(3),直到与之间的误差小于设定的阈值,或者达到最大训练步数;
4.如权利要求1所述的一种基于量子加权长短时记忆神经网络的趋势预测方法,其特征在于:在步骤S6之前,将预测的归一化的小波包能量熵集进行反归一化处理得到预测的小波包能量熵集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810655698.9A CN109447305B (zh) | 2018-06-23 | 2018-06-23 | 一种基于量子加权长短时记忆神经网络的趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810655698.9A CN109447305B (zh) | 2018-06-23 | 2018-06-23 | 一种基于量子加权长短时记忆神经网络的趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447305A CN109447305A (zh) | 2019-03-08 |
CN109447305B true CN109447305B (zh) | 2021-09-07 |
Family
ID=65532683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810655698.9A Active CN109447305B (zh) | 2018-06-23 | 2018-06-23 | 一种基于量子加权长短时记忆神经网络的趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447305B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934156A (zh) * | 2019-03-11 | 2019-06-25 | 重庆科技学院 | 一种基于elman神经网络的用户体验评价方法及系统 |
CN112784472B (zh) * | 2021-01-27 | 2023-03-24 | 电子科技大学 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
CN114878574A (zh) * | 2022-03-31 | 2022-08-09 | 南通东德纺织科技有限公司 | 基于机器视觉的布匹缺陷检测方法、装置及系统 |
CN114897139A (zh) * | 2022-05-09 | 2022-08-12 | 广西大学 | 一种排序稳定简化稀疏量子神经网络的轴承故障诊断方法 |
CN116400430B (zh) * | 2023-03-23 | 2024-06-14 | 本源量子计算科技(合肥)股份有限公司 | 一种气象数据预测方法、装置、存储介质及电子装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407649A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于时间递归神经网络的微震信号到时自动拾取方法 |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN106815639A (zh) * | 2016-12-27 | 2017-06-09 | 东软集团股份有限公司 | 流数据的异常点检测方法及装置 |
CN106897670A (zh) * | 2017-01-19 | 2017-06-27 | 南京邮电大学 | 一种基于计算机视觉的快递暴力分拣识别方法 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180129937A1 (en) * | 2016-11-04 | 2018-05-10 | Salesforce.Com, Inc. | Quasi-recurrent neural network |
-
2018
- 2018-06-23 CN CN201810655698.9A patent/CN109447305B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407649A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于时间递归神经网络的微震信号到时自动拾取方法 |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN106815639A (zh) * | 2016-12-27 | 2017-06-09 | 东软集团股份有限公司 | 流数据的异常点检测方法及装置 |
CN106897670A (zh) * | 2017-01-19 | 2017-06-27 | 南京邮电大学 | 一种基于计算机视觉的快递暴力分拣识别方法 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
Non-Patent Citations (1)
Title |
---|
故障预测与健康管理系统相关标准综述;景博 等;《电子测量与仪器学报》;20141215;第28卷(第12期);第1301-1307页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109447305A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447305B (zh) | 一种基于量子加权长短时记忆神经网络的趋势预测方法 | |
Chen et al. | Anomaly detection and critical SCADA parameters identification for wind turbines based on LSTM-AE neural network | |
Wang et al. | Degradation evaluation of slewing bearing using HMM and improved GRU | |
CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
CN108428023B (zh) | 基于量子加权门限重复单元神经网络的趋势预测方法 | |
Wang et al. | A deep feature enhanced reinforcement learning method for rolling bearing fault diagnosis | |
Cheng et al. | Autoencoder quasi-recurrent neural networks for remaining useful life prediction of engineering systems | |
Gao et al. | A neural network-based joint prognostic model for data fusion and remaining useful life prediction | |
Yan et al. | A dynamic multi-scale Markov model based methodology for remaining life prediction | |
Alrifaey et al. | A novel deep learning framework based RNN-SAE for fault detection of electrical gas generator | |
Yang et al. | A comparison between extreme learning machine and artificial neural network for remaining useful life prediction | |
Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
Xiang et al. | Quantum weighted gated recurrent unit neural network and its application in performance degradation trend prediction of rotating machinery | |
Zhou et al. | Dual-thread gated recurrent unit for gear remaining useful life prediction | |
Remadna et al. | Leveraging the power of the combination of CNN and bi-directional LSTM networks for aircraft engine RUL estimation | |
CN109766745B (zh) | 强化学习三态组合长短时记忆神经网络系统及训练和预测方法 | |
Wu et al. | Layer-wise relevance propagation for interpreting LSTM-RNN decisions in predictive maintenance | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
Zhuang et al. | Health assessment of rotating equipment with unseen conditions using adversarial domain generalization toward self-supervised regularization learning | |
Chen et al. | Gated adaptive hierarchical attention unit neural networks for the life prediction of servo motors | |
Jia et al. | Characteristics forecasting of hydraulic valve based on grey correlation and ANFIS | |
Chen et al. | Transfer life prediction of gears by cross-domain health indicator construction and multi-hierarchical long-term memory augmented network | |
Liu et al. | Multiple sensors based prognostics with prediction interval optimization via echo state Gaussian process | |
Huang et al. | Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine | |
Chen et al. | Quantum recurrent encoder–decoder neural network for performance trend prediction of rotating machinery |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Feng Inventor after: Xiang Wang Inventor after: Deng Chengjun Inventor before: Li Feng Inventor before: Xiang Wang Inventor before: Deng Chengjun |
|
GR01 | Patent grant | ||
GR01 | Patent grant |