量子计算与神经计算的结合是当前人工神经网络理论发展的一个前沿课题,由此而产生的量子神经计算范式具有很高的理论价值和应用潜力。本文在量子计算原理的基础上,论述了量子神经计算出现的原因及特征,在理论方面,重点研究了多层激励函数的量子神经网络、基于通用量子门组的量子神经网络、模糊量子神经网络以及多宇宙量子神经网络等几种量子神经网络模型与方法及其在旋转机械故障诊断中的应用,在实践方面,针对某钢铁企业中的旋转机械开发了具有实用价值的大型旋转机械在线状态监测与智能故障诊断网络化系统。本课题来源于国家科技攻关计划项目《设备故障网络化智能诊断系统》(编号:2001BA201A0610,由多项横向课题做支撑,具体工作内容如下:①论述了本课题研究的目的和意义,对旋转机械振动故障的特点、在线监测和故障诊断技术的研究现状和方法以及神经网络论和模糊集理论的发展及其在设备故障诊断中的应用进行了全面的综述。②对相关的量子理论和量子计算原理进行了系统介绍,论述了量子神经计算出现的原因,综述了当前国际上对于量子神经计算的研究现状及水平。从理论上分析了量子计算与神经计算的对应概念、神经计算的量子推广方法以及量子神经计算所具有的性能,并介绍了量子神经计算模型的几种可能形式。③在设备状态预测方面,研究了基于量子神经网络的时间序列预测。1)针对生产实践中设备运行的非平稳性,基于动态预测思想,将多层激励函数的量子神经网络应用于旋转机械的非平稳时间序列预测,避免了传统神经网络和时序分析复杂的数据预处理、模型识别等过程。相比于传统的时间序列分析方法,多层激励函数的量子神经网络能对旋转机械非平稳时间序列进行更准确的预测。2)将通用量子门组作为神经网络的激活函数,通过将Qubit、相移门、U CN扩展到复数域,构造了基于通用量子门组的量子神经元和量子神经网络。研究了基于通用量子门组量子神经网络的大型旋转机械振动状态预测,与传统的BP神经网络的预测结果对比表明,基于通用量子门组的量子神经网络训练速度快、精度高、适用于时间序列预测,性能优于BP网络。④在故障诊断方面,研究了模糊量子神经网络、多宇宙模糊量子神经网络模型和方法及其在旋转机械故障诊断中的应用。1)针对旋转机械故障分类边界的模糊性和故障模式之间存在交叉数据的诊断不确定问题,提出了模糊集理论和多层激励函数的量子神经网络“浅层次”结合的模糊量子神经网络诊断模型,理论和实践证明:该方法有效地提高了故障诊断的精度和可靠度,为旋转机械故障诊断提供了有效方法。2)把多层激励函数的思想应用到隶属度函数中,将隶属函数的概念推广为量子隶属度,提出了一种量子神经模糊推理系统诊断模型以及基于模糊c-均值聚类算法和聚类效果评价准则的确定量子间隔数的方法。实例仿真分析表明,相比于普通神经模糊推理系统和BP网络,本文的量子神经模糊推理系统具有收敛速度快、诊断精度高等特点。3)根据量子理论中多宇宙的观点,提出了一种旋转机械故障诊断的多宇宙模糊量子神经网络模型,该模型将模糊c-均值聚类算法和聚类效果评价准则引入多宇宙量子神经网络的坍缩规则之中,实现了多故障发生时多宇宙的同时坍缩,有效实现了单一故障和多故障的诊断,具有适应性和抗干扰能力强、网络的扩展性能好、学习收敛速度快和消除灾变性失忆的潜力。4)针对旋转机械故障的层次性、相关性、不确定性以及故障征兆的多样性、模糊性、多义性等特点,提出了一种基于量子神经网络的多征兆综合诊断网络模型和具体实施方法,该模型根据旋转机械故障征兆的特点,融合了模糊量子神经网络、多宇宙量子神经网络和基于规则的反向分层推理策略,将旋转机械故障的诊断分为粗诊、细诊、精诊三级诊断的有机结合,通过故障实例诊断分析,效果良好,具有较高的理论价值和实际意义。⑤在故障诊断的实践方面,根据课题要求,开发了基于C/S+B/S混合结构体系的大型旋转机械在线状态监测与故障诊断网络化系统,将现场在线监测诊断、远程监测诊断以及远程诊断中心有机结合起来。提出了网络化系统的通信和网络安全解决方案。针对旋转机械的振动特点,系统提供了功能比较完善的信号分析方法和故障种类比较齐全的自动诊断和人机交互诊断功能,为企业设备的高效、安全、经济运行提供了有力支持。