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。