基于双隐层量子线路循环单元神经网络的状态退化趋势预测

针对现有人工智能预测方法在旋转机械状态退化趋势预测中存在预测精度较差、计算效率较低等缺点,提出基于双隐层量子线路循环单元神经网络(Double hidden layer quantum circuit recurrent unit neural network,DHL-QCRUNN)的旋转机械状态退化趋势预测方法。首先采用量纲一化排列熵误差构建状态退化特征集,然后将该特征集输入DHL-QCRUNN以完成旋转机械状态退化趋势预测。在所提出的DHL-QCRUNN中,设计双隐层结构以提高网络的非线性映射能力;并引入量子相移门和多位受控非门以实现信息的传递;通过双隐层的量子反馈机制获得输入序列的整体记忆;最后采用输出层激发态的概率幅表示输出,通过以上方法改善了网络的非线性逼近能力和泛化性能,使所提出的旋转机械状态退化趋势预测方法具有较高的预测精度。此外,通过量子Levenberg-Marqudt(LM)算法更新DHL-QCRUNN的网络参数,提高该网络的收敛速度,使所提出的状态退化趋势预测方法具有较高计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。提出了基于DHL-QCRUNN的旋转机械状态退化趋势预测新方法,该方法具有较高的预测精度和较高的计算效率。     

强化学习长短时记忆神经网络用于状态预测

提出基于强化学习三态组合长短时记忆神经网络(reinforcement learning 3-states combined long and short time memory neural network, 简称RL-3S-LSTMNN)的旋转机械状态退化趋势预测新方法。笔者提出的RL-3S-LSTMNN中,采用最小二乘线性回归方法构造单调趋势识别器,将旋转机械整体的状态退化趋势分为平稳、下降、上升３种单调的趋势单元,并通过强化学习为每一种单调趋势单元选择一种隐层层数和隐层节点数与之相适应的长短时记忆神经网络,提高了RL-3S-LSTMNN的泛化性能和非线性逼近能力,使所提出的状态退化趋势预测方法具有较高的预测精度。用不同隐层数、隐层节点数和３种单调趋势单元分别表示Q表的动作和状态,并将长短时记忆神经网络(long and short time memory neural network, 简称LSTMNN)输出误差与Q表的更新相关联,避免了决策函数的盲目搜索。结果表明：提高了RL-3S-LSTMNN的收敛速率,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。     

量子基因链编码双向神经网络用于旋转机械剩余使用寿命预测

在经典的循环神经网络中,时间序列的前后关系往往被忽略,通常无法获得长期的整体记忆;同时,其权值的传递和更新主要依靠梯度下降法实现,均导致在旋转机械剩余使用寿命预测中表现出较低的预测精度和较高的计算成本。鉴于此,提出一种量子基因链编码双向神经网络(QGCCBNN)的旋转机械剩余使用寿命预测方法。在QGCCBNN中,设计了量子双向传递机制,建立时间序列的前后关系,根据输出层的反馈对网络的权值参数进行重新调整,从而实现输入信息与网络整体记忆之间更高的一致性,使其具有更好的非线性逼近能力。此外,为了提高全局优化能力和收敛速度,构建量子基因链编码代替梯度下降法传输和更新数据,采用量子比特概率幅实数编码,并通过相位选择矩阵将损失函数最小值对应的余弦和正弦量子比特概率幅和当前时刻的量子比特概率幅进行比较,以实现对网络权值参数方向性并行更新。由于QGCCBNN在非线性逼近能力和收敛速度方面的优势,所提出的QGCCBNN旋转机械剩余使用寿命预测方法可以获得更高的预测精度和计算效率。所提方法对双列滚子轴承的剩余使用寿命的预测值为6.33 h(实际值为7.17 h),预测误差仅为0.84 h,预测相对误差仅为11.72%,该实验结果证明了所提方法的有效性。     

量子神经网络在旋转机组状态趋势预测中的应用

神经网络具有非线性函数逼近能力,常用于非线性趋势预测。为了预测旋转机组故障特征量的非线性发展趋势,提出指数加权量子神经网络。参考传统的BP(backpropagation)神经网络及指数平滑的预测方法,将量子计算与神经网络相结合,选择误差修正学习算法,并在神经网络输入层进行指数加权,构建三层指数加权量子神经网络。该网络具有非线性逼近能力,并且能通过指数加权系数反映近期和远期历史数据对将来预测值的不同贡献程度。在将指数加权量子神经网络应用于大型旋转机组故障特征量的非线性趋势预测时,实验结果表明该网络训练的速度与预测的精度均好于传统的BP神经网络预测。     

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。     

旋转机械的新息加权神经网络工作状态趋势预测研究

在面向旋转机械的神经网络工作状态预测中,存在着对新数据强调不足的缺陷,为了弥补原有的神经网络存在的缺陷,提出一种新的神经网络预测方法,即基于均值函数新息加权的神经网络预测方法.依据时间序列数据的新旧程度对预测值贡献的大小,通过均值函数赋给输入数据不同的权值系数,提高神经网络的预测精度.在旋转机械工作状态预测中取得较为理想的预测效果.     

用于旋转机械状态趋势预测的量子注意力循环编码解码神经网络

提出了基于量子注意力循环编码解码神经网络（QAREDNN）的旋转机械状态趋势预测方法。在QAREDNN中,引入注意力机制以同时重构QAREDNN的编码器和解码器,使QAREDNN能够充分挖掘和重视重要信息,并抑制冗余信息的干扰,从而获得更好的非线性逼近能力;采用量子神经元构建了一种活性值和权值由量子旋转矩阵代替的量子门限循环单元(QGRU),QGRU不仅能够更加精细地遍历解空间,还具有大量的多重吸引子,因此QGRU能代替传统编码器和解码器中的循环单元以提高QAREDNN的泛化能力和响应速度;通过引入Levenberg-Marquardt（LM）法来提高QAREDNN的量子旋转矩阵的旋转角和注意力参数的更新速度。滚动轴承状态趋势预测实例验证了该方法的有效性。     

基于Bi-LSTM和自注意力机制的旋转机械故障诊断方法研究

旋转机械因其特殊的功能要求,通常工作在恶劣的环境中,振动信号易受外界干扰。基于传统信号处理方法的故障诊断技术越来越不能满足故障诊断精度的需要,因此,利用大数据和人工智能技术进行旋转机械故障诊断成为目前的主要研究方向之一。针对以上问题,提出一种基于双向长短时记忆网络（Bi-LSTM）和自注意力机制的旋转机械故障诊断方法。首先,利用转子实验台模拟旋转机械的各种运行状态,采集旋转机械在各种运行状态下的振动信号;然后,将振动信号输入Bi-LSTM网络,自注意力机制将Bi-LSTM各时间步的输出进行加权求和,获得振动信号的深层特征表示;最后,通过全连接层和Softmax层输出旋转机械各种运行状态的预测概率。实验结果表明：本文提出的方法能够有效地实现旋转机械的故障诊断,与其他方法相比,模型的训练稳定性、收敛速度和故障识别准确率均得到提高。     

基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

针对滚动轴承退化趋势预测中的特征选择及模型优化问题,提出了基于相空间重构结合长短期记忆神经网络的滚动轴承退化趋势预测方法.首先,在滚动轴承退化特征灰色关联分析的基础上,对滚动轴承运行状态跟踪能力进行量化评估;然后,为统一描述各个特征对轴承退化状态的表征信息,采用谱聚类方法对滚动轴承运行状态进行了准确划分;最后,以滚动轴...     

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。     

基于变维GRU-BiLSTM神经网络模型的滚动轴承寿命预测

滚动轴承作为最常见的旋转机械零部件,其服役状态下产生的振动信号具有典型的周期性特征,为充分发挥轴承振动信号的这一特征,提出一种融合变维门控循环单元（GRU）和双向长短时记忆单元（BiLSTM）的神经网络模型,并用于轴承寿命预测。该模型先将原始振动信号分成训练集和测试集,然后将轴承振动信号直接输入到变维GRU层中,由变维GRU层捕获原信号的特征并建立特征间的关联性,然后将预处理后的数据输入到BiLSTM层中,由BiLSTM对轴承寿命进行预测。通过使用试验台数据集进行试验,验证了该模型在轴承寿命预测上具有较高的精度,具有一定的工程指导意义。     

旋转机械的遗传算法优化神经网络预测模型

趋势预测是实现旋转机械先进的预知维护的关键技术,神经网络模型预测是实现趋势预测的新途径。当前旋转机械状态预测神经网络对环境的适应性较差、预测精度较低。针对这个问题,提出了一种在线自适应趋势预测方法。利用遗传算法(GA)的并行搜索能力对BP网络结构参数进行动态优化。改进后的预测模型能够根据不同条件对结构参数进行动态优化,取得了较理想的在线预测效果。     

航空发动机振动趋势预测的过程神经网络法

提出一种基于过程神经网络思想的航空发动机振动趋势预测方法.利用过程神经网络具有输出函数对输入函数在时间上的聚合效应和非线性映射能力,预测方法的网络结构选择为9个输入节点,第2层和第3层各有9个隐层节点,1个输出节点,参数外推预测,将选取的振动历史数据分为学习样本和检测样本两组,学习样本用于网络训练,检测样本用于检验预测模型的精度.在相同条件下,与传统人工神经网络进行趋势预测比较,提高了网络训练速度,降低了预测误差.将所提出的预测方法应用到某型航空发动机的振动趋势预测中,预测结果与实际值的误差符合要求.     

基于集成软竞争ART的滚动轴承性能退化趋势预测

为了提高滚动轴承性能预测的准确性和稳定性,提出了以软竞争ART-RBF的集成预测模型和置信度CV值相结合的预测方法。将软竞争ART引入RBF神经网络,建立软竞争ART-RBF神经网络预测模型。结合加权平均技术,建立集成软竞争ART-RBF神经网络预测模型。并通过自组织映射(SOM)网络,获取具有丰富故障信息的置信度(CV)值,作为表征滚动轴承性能退化的综合指标。最后,利用滚动轴承加速疲劳试验获取的加速度信号对上述方法进行验证。结果表明,该方法可有效提高滚动轴承退化趋势预测的准确性和稳定性。     

基于MATLAB的BP神经网络在旋流器模拟设计中的应用

利用MATLAB工具箱中的BP神经网络模型建立了旋流器的三层神经网络,提出了旋流器隐层单元数的确定方法,并通过所选择的函数及所构建的网络结构,对网络学习训练得到了14-20-2的预测性能模型,利用所收集的60组样本数据进行训练的结果表明所采用函数和网络结构具有较高精度,由训练得到的权值和阈值对旋流器性能进行预测的结果显示它能满足工程需要.     

基于VMD和DBN的结构健康状态趋势预测

为了能更好地反映结构状态变化趋势,提高限制玻尔兹曼机(RBM)对非线性信号的特征提取能力,该文在深度置信网络(DBN)的预训练阶段引入动量学习率,提出了一种基于VMD-DBN的结构健康状态趋势预测方法。将待处理信号用变分模态分解(VMD)方法进行分解,对分解的分量经希尔伯特变换得到瞬时频率;将瞬时频率作为改进DBN预测模型的输入进行结构健康状态趋势预测。仿真和工程实验表明,VMD方法有效地消除了模态混叠,分解出信号的各个固有分量。改进DBN模型的预测精度优于传统DBN、长短时记忆网络(LSTM)和传统BP神经网络,说明改进DBN模型能够很好地应用于结构健康状态趋势预测。     

多传感器融合和 MHA-LSTM 的电机轴承剩余寿命预测

轴承作为电机的核心部件, 主要起到支撑引导轴、 减小设备摩擦、 连接不同设备等作用, 其剩余寿命预测对系统健康 管理起着十分重要的作用。 针对单一传感器信号通常难以全面描述系统的潜在退化机制, 论文提出一种基于多头注意力机制 和长短时记忆神经网络的电机轴承剩余寿命预测模型。 首先, 基于马氏距离确定轴承性能退化起始点, 将滚动轴承全寿命周 期分为正常阶段与退化阶段; 其次, 使用自编码器自动提取振动信号特征, 并将其与电机电流、 轴承温度融合, 构成多源信息 特征矩阵; 然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征, 提高寿命预测的准确性。 最后, 采 用实验数据进行验证, 结果表明所提出的模型具有更高的准确性。     

基于递归过程神经网络的航空发动机滑油系统状态监测

针对航空发动机滑油系统状态监测问题,提出了递归过程神经网络模型。其隐层和输出层为过程神经元,该网络的输入信号为时变函数或过程,并且含有一个特别的关联层,在建模过程中能储存系统过去更多时刻的状态信息,使得网络结构适于预测时间序列问题。文中给出了相应的学习算法,并且分别利用人工神经网络和递归过程神经网络对航空发动机滑油系统状态进行预测。结果表明,递归过程神经网络预测精度高,优于传统人工神经网络的预测能力。为航空发动机滑油系统状态监测问题提供了一种有效的方法。     

注意力深度迁移联合适配的不同工况下旋转机械故障诊断方法

针对不同工况下旋转机械数据分布存在差异导致故障特征无法精确表征问题,提出注意力深度迁移联合适配的不同工况下旋转机械故障诊断方法。首先,将频域特征以单边谱形式输入深度卷积神经网络,保留原始信号特征的同时减小网络输入维度,有效提升网络训练效率。然后,挖掘两域样本特征形成对应域分布式特征表达,以小型通道注意力机制关注两域形成的特征通道间的内在联系,聚焦两域故障本质特征。进而,以最小均值差异距离为度量,最小化特征通道分布差异,实现故障特征迁移适配。最后,通过全连接层整合适配后的分类信息,实现不同工况下旋转机械故障诊断。通过不同工况下两组旋转机械故障诊断试验,证明了所提方法具有较高的诊断精度和泛化能力。     

基于不确定性测度的再制造曲轴平衡性控制方法

再制造发动机平衡性是影响再制造发动机使用性能的重要因素之一。分析影响再制造发动机曲轴平衡性的关键因素,探究曲轴主轴颈径向跳动、直径、圆柱度及曲轴端面跳动、弯曲度等因素不确定性的内涵;考虑各个因素测量值的离散程度及测量值与理想值的偏差程度,构建因素不确定性定量化测度模型;在以上研究基础上,提出基于改进BP神经网络(BPNN)的发动机曲轴再制造平衡性质量控制方法,其中,网络模型采用梯度下降法对输入层到隐层之间的权值和阈值进行调整,采用支持向量机调整隐层到输出层之间的权值和阈值;通过某企业再制造曲轴的质量数据表明,方法能够有效提高再制造曲轴平衡性合格率,降低曲轴加工废品率,应用实例验证了提出方法的可行性和有效性。