CN116881686A - 一种量子bp神经网络的核管道故障诊断方法 - Google Patents

一种量子bp神经网络的核管道故障诊断方法 Download PDF

Info

Publication number
CN116881686A
CN116881686A CN202310698728.5A CN202310698728A CN116881686A CN 116881686 A CN116881686 A CN 116881686A CN 202310698728 A CN202310698728 A CN 202310698728A CN 116881686 A CN116881686 A CN 116881686A
Authority
CN
China
Prior art keywords
quantum
value
neural network
probability
data
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.)
Pending
Application number
CN202310698728.5A
Other languages
English (en)
Inventor
唐樟春
潘阳红
岳涧洲
韩杰
刘春洋
李子谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Dianke Zhixun Technology Development Co ltd
University of Electronic Science and Technology of China
Original Assignee
Chengdu Dianke Zhixun Technology Development Co ltd
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Dianke Zhixun Technology Development Co ltd, University of Electronic Science and Technology of China filed Critical Chengdu Dianke Zhixun Technology Development Co ltd
Priority to CN202310698728.5A priority Critical patent/CN116881686A/zh
Publication of CN116881686A publication Critical patent/CN116881686A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种量子BP神经网络的核管道故障诊断方法，包括以下步骤：首先，对原始振动数据进行傅里叶变换，提取时域和频域特征，并按比例划分为训练集和测试集；其次，构建BP神经网络模型，并设计其变分量子线路，然后，量子遗传算法对量子BP神经网络模型进行优化，并将优化结果当做量子BP神经网络量子线路的初始参数；最后，采用训练集对优化后的量子BP神经网络模型进行训练，然后采用测试集测试模型的准确率。本发明采用量子遗传算法优化的量子BP神经网络，可以更快更准确地诊断出核管道的故障状态。

Description

一种量子BP神经网络的核管道故障诊断方法
技术领域
本发明涉及核管道的故障诊断方法，特别是涉及一种基于量子遗传算法优化量子BP神经网络的核管道故障诊断方法。
背景技术
量子BP神经网络将量子计算理论与BP神经网络相结合，利用量子特性，在核管道的故障诊断方面具有良好的表现，但Cerezo等人在在论文“Cost Function DependentBarren Plateaus in Shallow Parametrized Quantum Circuits”中指出，当量子BP神经网络使用的量子比特数量过多或者量子线路的结构满足一定的复杂性时，会出现“贫瘠高原”的现象，这种现象类似经典神经网络在训练时容易陷入局部最优化而不能获得全局最优解。
经典遗传算法在进行编码、解码时步骤繁多，在遗传操作中存在大量参数需要去调整，这些参数对优化算法的性能存在很大影响，一般只能靠先验经验来确定。而量子遗传算法结合了量子计算理论与遗传算法，采用了一种新的染色体编码方法和种群更新策略，相对于经典遗传算法，量子遗传算法在效率和精度方面都有着明显优势。
发明内容
针对上述问题，提出了一种基于量子遗传算法优化量子BP神经网络的核管道故障诊断方法，有效避免了量子BP神经网络的“贫瘠高原”的现象，可以更快更准确地诊断出核管道的故障状态。
该发明技术方案为一种量子BP神经网络的核管道故障诊断方法，该方法包括：
步骤1：获取核阀门振动信号和其对应的正常和故障的状态种类，其中故障状态包括共振、汽蚀、支持刚度不足，然后建立原始数据集；
步骤2：对原始数据集中的振动信号进行傅里叶变换，然后提取时域和频域信号中的特征数据，构成量子生成对抗网络的训练集，具体步骤如下：
步骤2.1：对于时域信号的特征数据，提取其峰值xmax、峰峰值xP-P、均值xMV、有效值xRMS、方根幅值xSRA、平均幅值xMA和标准差SD；
步骤2.2：对于频域信号的特征数据，提取其均方频率MSF、均值频率F1和标准偏差频率F2；
步骤2.3：将以上时域和频域特征数据集：峰值xmax、峰峰值xP-P、均值xMV、有效值xRMS、方根幅值xSRA、平均幅值xMA、标准差SD、频率MSF、均值频率F1和标准偏差频率F2，按0.8：0.2的比例，划分为训练集和测试集，训练集将用于训练和构建模型，验证集将用于在训练过程中验证模型效果；
步骤3：构建量子BP神经网络，并设计其变分量子线路；
所述量子BP神经网络由输入到输出依次包括：量子输入层、量子隐藏层、量子输出层；每层都包括n个通道，相邻层的通道之间为全连接；
所述量子输入层各通道的输入数据依次经过H门，参数化的Rx门和Rz门处理，其表达式如下所示：
所述H门为作用于单量子比特的旋转门，目的是让输入数据变为混合量子态；所述Rx门和Rz门为作用于单量子比特的旋转门，目的是实现量子比特在空间中的旋转；θ、i为自定义参数，用于调整量子旋转角度；
所述量子隐藏层处理方法为：每个输入的量子数据首先依次经过参数化的Rx门、Ry门和Rz门处理，其表达式如下所示：
接着采用连接方式为全连接型的受控非门进行数据处理；
所述全连接型的受控非门处理方式为，将第一通道的数据采用受控非门作用到第二通道的数据上去，作为第二通道的输出；然后将第二通道的数据采用受控非门作用到第三通道的数据上去，作为第三通道的输出；接着将第三通道的数据采用受控非门作用到第四通道上去，作为第四通道的输出；最后将第四通道上的数据采用受控非门作用到第一通道的数据上去，作为第一通道的输出；
所述量子输出层各通道对收到的数据进行累加计算，然后采用量子测量将经过量子计算和变换的量子态映射到经典输出空间中，以产生最终的预测结果或决策，最后采用损失函数对预测的偏差值进行计算；
步骤4：量子遗传算法对量子BP神经网络模型进行优化，并将优化结果当做量子BP神经网络量子线路的初始参数；
步骤4.1：设置种群规模、最大迭代次数以及发生灾变的阈值；
步骤4.2：测量种群个体，并采用步骤3.1的方法对种群进行量子态编码，n个量子比特表示2n个染色体状态，n个量子比特采用概率幅编码qi的表达式如下所示：
式中，i表示为第i个种群；aij、βij表示控制量子比特状态的两个参数，并且满足关系式|aij|2+|βij|2＝1，j＝1,2,,n；
步骤4.3：计算每个个体的适应度，选出最优个体，将其作为种群进化的目标；
步骤4.4：判断是否满足停止条件，若满足，则输出最优结果；若不满足，则进行下述的进化操作；
步骤4.5：采用量子旋转门对每个量子染色体的量子位进行量子旋转操作，其具体操作如下所示；
式中，θ表示为量子旋转门的旋转角度，ai、βi表示控制量子比特状态的参数，i表示为第i次迭代；
接下来，通过比较当前个体xi的适应度值f(xi)和当前最优个体b的适应度值f(b)来确定量子旋转门的旋转角度θ，如果f(xi)＜f(b)，则调整染色体个体中的量子比特，使概率幅s(aiβi)向着有利于xi出现的方向进化；如果f(xi)＞f(b)，则调整染色体个体中的量子比特，使概率幅s(aiβi)向着有利于b出现的方向进化，；
步骤4.6：判断种群是否达到量子灾变的条件，若达到，则跳转到步骤4.7；若未达到，则返回步骤4.2进行执行；
步骤4.7：执行量子灾变，并返回步骤4.2进行执行；
步骤5：将步骤2.3得到的训练集输入到优化后的量子BP神经网络模型，对模型进行迭代训练，直至满足机器学习任务所设置的阈值条件后终止训练，获得训练后的量子BP神经网络模型；
步骤6：利用步骤2.3得到的测试集输入到训练好的模型中，测试优化后的量子BP神经网络模型的准确率。
进一步的，步骤4.5中概率幅s(aiβi)的调整方法具体为：
当xi等于b时，不调整概率幅s(aiβi)；
如果xi＝0、b＝1、f(xi)＜f(b)，当aiβi大于0时，则概率幅s(aiβi)的值加1；当aiβi小于0时，则概率幅s(aiβi)的值减1；当ai等于0时，则概率幅s(aiβi)的值不变；当βi等于0时，则概率幅s(aiβi)的值加1或减1；
如果xi＝0、b＝1、f(xi)＞f(b)，当aiβi大于0时，则概率幅s(aiβi)的值减1；当aiβi小于0时，则概率幅s(aiβi)的值加1；当ai等于0时，则概率幅s(aiβi)的值不变；当βi等于0时，则概率幅s(aiβi)的值加1或减1；
如果xi＝1、b＝0、f(xi)＜f(b)，当aiβi大于0时，则概率幅s(aiβi)的值减1；当aiβi小于0时，则概率幅s(aiβi)的值加1；当ai等于0时，则概率幅s(aiβi)的值不变；当βi等于0时，则概率幅s(aiβi)的值加1或减1；
如果xi＝1、b＝0、f(xi)＞f(b)，当aiβi大于0时，则概率幅s(aiβi)的值加1；当aiβi小于0时，则概率幅s(aiβi)的值减1；当ai等于0时，则概率幅s(aiβi)的值不变；当βi等于0时，则概率幅s(aiβi)的值加1或减1。
与现有技术相比，本发明具有如下的有益效果：
本发明采用量子遗传算法对量子BP神经网络的初始化参数进行了优化，量子遗传算法结合了量子计算理论与遗传算法，采用了一种新的染色体编码方法和种群更新策略，相对于经典遗传算法，量子遗传在效率和精度方面都有着明显优势。因此，采用量子遗传算法优化的量子BP神经网络可以更快更准确地诊断出核管道的故障状态。
附图说明
图1是本发明实施提供的量子BP神经网络的模型结构。
图2是本发明实施提供的一种量子态编码的量子线路图。
图3是本发明实施提供的一种量子隐藏层的量子线路图。
图4是本发明实施提供的一种量子遗传算法的训练流程图。
图5是本发明实施提供的一种量子遗传算法优化量子BP神经网络的故障诊断流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于量子生成对抗网络的核管道故障信号生成方法，参照图5所示，包括如下步骤：
步骤1：获取核阀门振动信号和其对应的正常和故障的状态种类，其中故障状态包括共振、汽蚀、支持刚度不足，然后建立原始数据集。
步骤2：对原始数据集中的振动信号进行傅里叶变换，然后提取时域和频域信号中的特征数据，构成量子生成对抗网络的训练集，具体步骤如下：
步骤2.1：对于时域信号的特征数据，提取其峰值xmax，峰峰值xP-P、均值xMV、有效值xRMS、方根幅值xSRA、平均幅值xMA和标准差SD，公式分别如下所示。
xMax＝max(x(i))
xP-P＝max(x(i))-min(x(i))
式中，x(i)为时域信号经过采样离散化的信号，N为采样点数。
步骤2.2：对于频域信号的特征数据，提取其均方频率MSF、均值频率F1和标准偏差频率F2，公式分别如下所示。
式中，pi为振动信号x(i)的频谱，i＝1,2,,M，M为谱线总线，fi为第i条谱线的频率值。
步骤2.3：将以上时域和频域特征数据集(峰值xmax、峰峰值xP-P、均值xMV、有效值xRMS、方根幅值xSRA、平均幅值xMA、标准差SD、频率MSF、均值频率F1和标准偏差频率F2)按0.8：0.2的比例，划分为训练集和测试集，训练集将用于训练和构建模型，验证集将用于在训练过程中验证模型效果。
步骤3：参照图1所示构建量子BP神经网络模型，并设计其变分量子线路，，具体步骤如下：
步骤3.1：将经典数据集进行量子态编码，将其编码为量子态数据集，量子态编码的变分量子线路如图2所示。图中，|q0>，|q1>,|q2>,|q3>均为初始态0，首先经过H门变成的叠加态，然后通过量子旋转门Rx和Rz进行量子旋转编码。
步骤3.2：设计量子BP神经网络模型中隐藏层的变分量子线路，如图3所示。图中，(i＝0,1,2；j＝0,1,2,3)是量子BP神经网络模型中待优化的可调参数。
步骤3.3：采用量子测量将经过量子计算和变换的量子态映射到经典输出空间中，以产生最终的预测结果，并采用损失函数对预测的偏差值进行计算；
步骤4：量子遗传算法对量子BP神经网络模型进行优化，并将优化结果当做量子BP神经网络量子线路的初始参数，量子遗传算法的训练流程图如图4所示，优化的具体步骤如下：
步骤4.1：设置种群规模、最大迭代次数以及发生灾变的阈值。
步骤4.2：测量种群个体，并对种群进行量子态编码，n个量子比特可以表示2n个染色体状态，n个量子比特采用概率幅编码其表达式如下所示。
式中，i表示为第i个种群；aij与βij满足关系式|aij|2+|βij|2＝1，j＝1,2,,n。
步骤4.3：计算每个个体的适应度，选出最优个体，将其作为种群进化的目标。
步骤4.4：判断是否满足停止条件，若满足，则输出最优结果；若不满足，则进行下述的进化操作。
步骤4.5：采用量子旋转门对每个量子染色体的量子位进行量子旋转操作，其具体操作如下所示。
式中，θ表示为量子旋转门的旋转角度；i表示为第i次迭代。
接下来，通过比较当前个体xi的适应度值f(xi)和当前最优个体b的适应度值f(b)来确定量子旋转门的旋转角度θ。如果f(xi)＜f(b)，则调整染色体个体中的量子比特，使概率幅s(aiβi)向着有利于xi出现的方向进化；如果f(xi)＞f(b)，则调整染色体个体中的量子比特，使概率幅s(aiβi)向着有利于b出现的方向进化。因此，量子旋转门的旋转角度θ的调整策略如表1所示。
表1
步骤4.6：判断种群是否达到量子灾变的条件，若达到，则跳转到步骤4.7；若未达到，则返回步骤4.2进行执行。
步骤4.7：执行量子灾变，并返回步骤4.2进行执行。
步骤5：将步骤2.3得到的训练集输入到优化后的量子BP神经网络模型，对模型进行迭代训练，直至满足机器学习任务所设置的阈值条件后终止训练，获得训练后的量子卷积神经网络模型。
步骤6：利用步骤2.3得到的测试集输入到训练好的模型中，测试优化后的量子BP神经网络模型的准确率。
本发明实施例提供了一种基于量子生成对抗网络的核管道故障信号生成方法，本发明采用量子生成器和经典判别器的组合，因此，无需将经典数据集转化为量子态，仅需要对量子生成器生成的数据进行量子测量，这样可以避免转换过程带来的计算资源消耗，从而提高计算效率。并且发明只需要设计量子生成器的量子线路，有效降低了量子线路的复杂度。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (2)

1.一种量子BP神经网络的核管道故障诊断方法，该方法包括：
步骤1：获取核阀门振动信号和其对应的正常和故障的状态种类，其中故障状态包括共振、汽蚀、支持刚度不足，然后建立原始数据集；
步骤2：对原始数据集中的振动信号进行傅里叶变换，然后提取时域和频域信号中的特征数据，构成量子生成对抗网络的训练集，具体步骤如下：
步骤2.1：对于时域信号的特征数据，提取其峰值xmax、峰峰值xP-P、均值xMV、有效值xRMS、方根幅值xSRA、平均幅值xMA和标准差SD；
步骤2.2：对于频域信号的特征数据，提取其均方频率MSF、均值频率F1和标准偏差频率F2；
步骤2.3：将以上时域和频域特征数据集：峰值xmax、峰峰值xP-P、均值xMV、有效值xRMS、方根幅值xSRA、平均幅值xMA、标准差SD、频率MSF、均值频率F1和标准偏差频率F2，按0.8：0.2的比例，划分为训练集和测试集，训练集将用于训练和构建模型，验证集将用于在训练过程中验证模型效果；
步骤3：构建量子BP神经网络，并设计其变分量子线路；
所述量子BP神经网络由输入到输出依次包括：量子输入层、量子隐藏层、量子输出层；每层都包括n个通道，相邻层的通道之间为全连接；
所述量子输入层各通道的输入数据依次经过H门，参数化的Rx门和Rz门处理，其表达式如下所示：
所述H门为作用于单量子比特的旋转门，目的是让输入数据变为混合量子态；所述Rx门和Rz门为作用于单量子比特的旋转门，目的是实现量子比特在空间中的旋转；θ、i为自定义参数，用于调整量子旋转角度；
所述量子隐藏层处理方法为：每个输入的量子数据首先依次经过参数化的Rx门、Ry门和Rz门处理，其表达式如下所示：
接着采用连接方式为全连接型的受控非门进行数据处理；
所述全连接型的受控非门处理方式为，将第一通道的数据采用受控非门作用到第二通道的数据上去，作为第二通道的输出；然后将第二通道的数据采用受控非门作用到第三通道的数据上去，作为第三通道的输出；接着将第三通道的数据采用受控非门作用到第四通道上去，作为第四通道的输出；最后将第四通道上的数据采用受控非门作用到第一通道的数据上去，作为第一通道的输出；
所述量子输出层各通道对收到的数据进行累加计算，然后采用量子测量将经过量子计算和变换的量子态映射到经典输出空间中，以产生最终的预测结果或决策，最后采用损失函数对预测的偏差值进行计算；
步骤4：量子遗传算法对量子BP神经网络模型进行优化，并将优化结果当做量子BP神经网络量子线路的初始参数；
步骤4.1：设置种群规模、最大迭代次数以及发生灾变的阈值；
步骤4.2：测量种群个体，并采用步骤3.1的方法对种群进行量子态编码，n个量子比特表示2n个染色体状态，n个量子比特采用概率幅编码qi的表达式如下所示：
式中，i表示为第i个种群；aij、βij表示控制量子比特状态的两个参数，并且满足关系式|aij|2+|βij|2＝1，j＝1,2,…,n；
步骤4.3：计算每个个体的适应度，选出最优个体，将其作为种群进化的目标；
步骤4.4：判断是否满足停止条件，若满足，则输出最优结果；若不满足，则进行下述的进化操作；
步骤4.5：采用量子旋转门对每个量子染色体的量子位进行量子旋转操作，其具体操作如下所示；
式中，θ表示为量子旋转门的旋转角度，ai、βi表示控制量子比特状态的参数，i表示为第i次迭代；
接下来，通过比较当前个体xi的适应度值f(xi)和当前最优个体b的适应度值f(b)来确定量子旋转门的旋转角度θ，如果f(xi)＜f(b)，则调整染色体个体中的量子比特，使概率幅s(aiβi)向着有利于xi出现的方向进化；如果f(xi)＞f(b)，则调整染色体个体中的量子比特，使概率幅s(aiβi)向着有利于b出现的方向进化，；
步骤4.6：判断种群是否达到量子灾变的条件，若达到，则跳转到步骤4.7；若未达到，则返回步骤4.2进行执行；
步骤4.7：执行量子灾变，并返回步骤4.2进行执行；
步骤5：将步骤2.3得到的训练集输入到优化后的量子BP神经网络模型，对模型进行迭代训练，直至满足机器学习任务所设置的阈值条件后终止训练，获得训练后的量子BP神经网络模型；
步骤6：利用步骤2.3得到的测试集输入到训练好的模型中，测试优化后的量子BP神经网络模型的准确率。
2.如权利要求1所述的一种量子BP神经网络的核管道故障诊断方法，其特征在于，所述步骤4.5中概率幅s(aiβi)的调整方法具体为：
当xi等于b时，不调整概率幅s(aiβi)；
如果xi＝0、b＝1、f(xi)＜f(b)，当aiβi大于0时，则概率幅s(aiβi)的值加1；当aiβi小于0时，则概率幅s(aiβi)的值减1；当ai等于0时，则概率幅s(aiβi)的值不变；当βi等于0时，则概率幅s(aiβi)的值加1或减1；
如果xi＝0、b＝1、f(xi)＞f(b)，当aiβi大于0时，则概率幅s(aiβi)的值减1；当aiβi小于0时，则概率幅s(aiβi)的值加1；当ai等于0时，则概率幅s(aiβi)的值不变；当βi等于0时，则概率幅s(aiβi)的值加1或减1；
如果xi＝1、b＝0、f(xi)＜f(b)，当aiβi大于0时，则概率幅s(aiβi)的值减1；当aiβi小于0时，则概率幅s(aiβi)的值加1；当ai等于0时，则概率幅s(aiβi)的值不变；当βi等于0时，则概率幅s(aiβi)的值加1或减1；
如果xi＝1、b＝0、f(xi)＞f(b)，当aiβi大于0时，则概率幅s(aiβi)的值加1；当aiβi小于0时，则概率幅s(aiβi)的值减1；当ai等于0时，则概率幅s(aiβi)的值不变；当βi等于0时，则概率幅s(aiβi)的值加1或减1。
CN202310698728.5A 2023-06-13 2023-06-13 一种量子bp神经网络的核管道故障诊断方法 Pending CN116881686A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310698728.5A CN116881686A (zh) 2023-06-13 2023-06-13 一种量子bp神经网络的核管道故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310698728.5A CN116881686A (zh) 2023-06-13 2023-06-13 一种量子bp神经网络的核管道故障诊断方法

Publications (1)

Publication Number Publication Date
CN116881686A true CN116881686A (zh) 2023-10-13

Family

ID=88253771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310698728.5A Pending CN116881686A (zh) 2023-06-13 2023-06-13 一种量子bp神经网络的核管道故障诊断方法

Country Status (1)

Country Link
CN (1) CN116881686A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117713385A (zh) * 2024-02-05 2024-03-15 威海双城电气有限公司 一种基于量子计算和人工智能结合的电力检测系统及方法
CN118014094A (zh) * 2024-04-09 2024-05-10 国开启科量子技术(安徽)有限公司 确定函数分类的量子计算方法、量子线路、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117713385A (zh) * 2024-02-05 2024-03-15 威海双城电气有限公司 一种基于量子计算和人工智能结合的电力检测系统及方法
CN117713385B (zh) * 2024-02-05 2024-05-03 威海双城电气有限公司 一种基于量子计算和人工智能结合的电力检测系统及方法
CN118014094A (zh) * 2024-04-09 2024-05-10 国开启科量子技术(安徽)有限公司 确定函数分类的量子计算方法、量子线路、设备及介质

Similar Documents

Publication Publication Date Title
CN116881686A (zh) 一种量子bp神经网络的核管道故障诊断方法
Zhang et al. An enhanced convolutional neural network for bearing fault diagnosis based on time–frequency image
US20210390416A1 (en) Variable parameter probability for machine-learning model generation and training
US11610131B2 (en) Ensembling of neural network models
Bommidi et al. Hybrid wind speed forecasting using ICEEMDAN and transformer model with novel loss function
Miche et al. OP-ELM: theory, experiments and a toolbox
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN113935460A (zh) 类不平衡数据集下的机械故障智能诊断方法
CN112990426A (zh) 用于自动编码器产生的遗传算法和优化训练器的协作使用
CN112884056A (zh) 基于优化的lstm神经网络的污水水质预测方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN112414715B (zh) 基于混合特征与改进灰度共生算法的轴承故障诊断方法
Saravanakumar et al. Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks
CN113919221A (zh) 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质
CN111310722A (zh) 一种基于改进神经网络的电力设备图像的故障识别方法
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
Basterrech et al. Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction
US20240095535A1 (en) Executing a genetic algorithm on a low-power controller
Sun et al. A compound structure for wind speed forecasting using MKLSSVM with feature selection and parameter optimization
CN108538301A (zh) 一种基于神经网络音频技术的智能数码乐器
CN111859799A (zh) 基于复杂机电系统耦合关系模型评估数据准确性的方法及装置
CN111863153A (zh) 一种基于数据挖掘的废水中悬浮固体总量的预测方法
Alqawasmi et al. Estimation of ARMA model order using artificial neural networks
CN114744618A (zh) 考虑气象特征的深度学习短期风电功率预测方法及系统

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