10.13465/j.cnki.jvs.2019.01.018
基于量子加权门限重复单元神经网络的性态退化趋势预测
提出基于量子加权门限重复单元神经网络(Quantum Weight Gated Recurrent Unit Neural Network, QWGRUNN)的旋转机械性态退化趋势预测方法.采用小波降噪-排列熵法构建性态退化指标集,将该指标集输入QWGRUNN完成旋转机械性态退化趋势预测.QWGRUNN在门限重复单元(Gated Recurrent Unit,GRU)基础上引入量子位来表示网络权值和活性值并构造量子相移门以实现权值量子位和活性值量子位的更新,改善了网络泛化能力,进而提高了所提出的性态退化趋势预测方法的预测精度;采用与自身结构相适应的动态学习参数,改善了网络收敛速度,进而提高了所提出的预测方法的计算效率.滚动轴承性态退化趋势预测实例验证了该方法的有效性.
量子加权门限重复单元神经网络、量子计算、排列熵、趋势预测、旋转机械
38
TP393.1;TH17(计算技术、计算机技术)
中国博士后科学基金第60批面上资助项目2016M602685;机械传动国家重点实验室开放基金SKLMT-KFKT-201718;四川大学泸州市人民政府战略合作项目2018CDLZ-30
2019-05-31(万方平台首次上网日期,不代表论文的发表时间)
共8页
123-129,158