[发明专利]一种基于量子计算的故障诊断深度学习方法

说明书

本发明公开了一种基于量子计算的故障诊断深度学习方法，其目的是为了解决系统出现故障不能快速解决的问题。量子计算和人工智能将能够学习破译问题并以人类可能注意不到的速度解决系统故障。与传统的训练方法相比，结合量子计算与深度学习方法在计算工作量和诊断性能方面具有较高的计算效率。

技术领域

本发明涉及量子计算和深度学习领域，尤其是一种基于量子计算的故障诊断深度学习方法。

背景技术

在当今计算机科学中，机器学习和量子计算是两个非常火热的研究领域。在机器学习方面，以人工神经网络为代表的方法在视觉、语音、自然语言理解、游戏等应用领域中取得很大的性能提升，大大推动了人工智能的发展，也让人们对未来通用智能有了更大的想象空间。在量子计算方面，硬件实现的一个个突破性进展让人们看到大规模通用量子计算机的脚步越来越近，而未来量子计算机对信息处理可能的颠覆性改变也让人们对此充满憧憬和持续探索的兴趣。量子计算在速度和操作方法方面提供的量子优势有利于复杂过程系统中的故障监控，在这些系统中需要快速和精确的故障检测。将量子计算增强学习技术与经典机器学习算法相结合以克服量子计算的局限性变得十分必要，是一种非常不错的监控方法。

发明内容

针对上述克服量子计算的局限性等技术不足问题，本发明提供了一种基于量子计算的故障诊断深度学习方法技术领域，区分复杂工业化工过程系统中的故障状态和正常运行状态得到了极大提高。

本发明采用的技术方案是：

基于量子计算的深度学习模型采用两步策略，即量子生成训练，然后是使用类别标签的有监督的判别训练。第一步使用两个DBN子网络从历史过程数据中提取特征。通过量子生成训练过程，为正常状态以及每个故障状态提取不同级别的特征。第二步使用从DBN网络获得的组合近似向量。它被传递到预测原始输入数据向量状态的本地分类子网络。基于局部分类深度神经网络的架构产生两种可能状态的概率，正常和故障。

一种基于量子计算的故障诊断深度学习方法，用于复杂过程系统的故障检测和诊断，使用基于RBM的深层架构提取正常和故障过程操作的多层特征。

使用量子计算的深度学习模型中用量子辅助训练算法训练基于RBM的网络，利用特征提取和深度学习技术来检测复杂过程系统中的故障，以促进正常和故障过程状态之间的正确区分。

一种基于量子计算的故障诊断深度学习方法，其包括量子生成训练，使用两个DBN子网络从历史数据中提取特征。通过量子生成训练过程，为正常状态以及每个故障状态提取不同层次的特征。

使用从DBN网络获得的组合近似向量。然后传递到预测原始输入数据向量状态的本地分类子网络。两个DBN子网络通过量子生成训练过程提取正常和故障过程状态的底层特征。

每个DBN子网络由两个RBM组成，它们相互堆叠并依次训练。RBM必须被扩展以处理连续值的输入。在第一个RBM层之后，DBN的第二个RBM层从过程数据中提取更高层次的特征。从第一个RBM层得到的二进制输出向量作为第二个RBM层的输入。

判别训练由预训练的DBN子网络产生的数据作为输入传递给全连接网络，这些DBN子网络分别产生正常状态和错误状态，最后通过soft-max进行预测。

附图说明

图1是一种基于量子计算的故障诊断深度学习方法的重复子网络中使用的深度信念网络架构

图2是一种基于量子计算的故障诊断深度学习方法的量子生成训练图

具体实施方式