CN108564162B - 一种设备故障预警模型记忆矩阵的构造方法及装置 - Google Patents

一种设备故障预警模型记忆矩阵的构造方法及装置 Download PDF

Info

Publication number
CN108564162B
CN108564162B CN201810011580.2A CN201810011580A CN108564162B CN 108564162 B CN108564162 B CN 108564162B CN 201810011580 A CN201810011580 A CN 201810011580A CN 108564162 B CN108564162 B CN 108564162B
Authority
CN
China
Prior art keywords
particle
particles
data samples
updated
memory matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810011580.2A
Other languages
English (en)
Other versions
CN108564162A (zh
Inventor
廖宏楷
罗嘉
陈华忠
肖黎
许志斌
欧阳春明
邱天
杨婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Southern Power Grid Power Technology Co Ltd
Original Assignee
Guangdong Electric Power Science Research Institute Energy Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Electric Power Science Research Institute Energy Technology Co Ltd filed Critical Guangdong Electric Power Science Research Institute Energy Technology Co Ltd
Priority to CN201810011580.2A priority Critical patent/CN108564162B/zh
Publication of CN108564162A publication Critical patent/CN108564162A/zh
Application granted granted Critical
Publication of CN108564162B publication Critical patent/CN108564162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种设备故障预警模型记忆矩阵的构造方法及装置，其中方法包括：S1、选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；S2、确定构建记忆矩阵的指标及其对应的目标函数；S3、基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；S4、根据粒子的最优值构建设备故障预警模型记忆矩阵。本发明提供了一种设备故障预警模型记忆矩阵的构造方法及装置，解决了从历史数据中选取合适历史健康数据构建记忆矩阵的技术问题。

Description

一种设备故障预警模型记忆矩阵的构造方法及装置
技术领域
本发明涉及热工技术和人工智能交叉领域，尤其涉及一种设备故障预警模型记忆矩阵的构造方法及装置。
背景技术
为了提高电站设备运行的可靠性，降低设备的维护成本，同时延长检修周期，发电企业不仅希望在设备出现故障时提供故障的检测与隔离，还要求在设备发生故障前就能实现对其预警。这样，就有足够的时间采取措施来防止故障的发生，避免不必要的损失，从而提高发电企业的经济效益和社会效益。
利用多状态估计技术通过正常运行参数之间的相似性可实现对设备运行状态的估计。多状态估计技术将正常运行状态下的历史健康数据存储在记忆矩阵中，并从记忆矩阵中学习设备状态的各个监测参数之间的关系，从而估计系统运行的健康状况。
虽然电站历史数据库存储了大量的运行数据，但是大部分样本都集中在某些特定的工况下，因此，如何从历史数据中选取合适历史健康数据构建记忆矩阵，是构建状态估计模型亟需解决的技术问题。
发明内容
本发明提供了一种设备故障预警模型记忆矩阵的构造方法及装置，解决了从历史数据中选取合适历史健康数据构建记忆矩阵的技术问题。
本发明提供了一种设备故障预警模型记忆矩阵的构造方法，包括：
S1、选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；
S2、确定构建记忆矩阵的指标及其对应的目标函数；
S3、基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；
S4、根据粒子的最优值构建设备故障预警模型记忆矩阵。
作为优选，步骤S1具体包括：
S101、选取数据库中的n个数据样本作为粒子；
S102、随机选取粒子中s个数据样本赋值为1，未选取的数据样本赋值为0；
S103、基于数据库共生成m个粒子。
作为优选，目标函数为：
Figure BDA0001540497660000021
其中，γ1和γ2为权值系数，dmax为数据库中数据样本之间的最大欧氏距离，dij为记忆矩阵中每两个数据样本之间的欧氏距离，L2(x)为数据样本中心化偏差。
作为优选，步骤S3具体包括：
S301、通过预置速度更新公式、预置位置更新公式和预置赋值更新公式对粒子进行速度更新、位置更新和赋值更新，确定更新后的粒子的速度、位置以及对应的二进制序列；
S302、判断更新后的粒子对应的二进制序列中数据样本为1的总个数是否等于s，若是，则执行步骤S303，若否，则对更新后的粒子进行再编码处理后执行步骤S303；
S303、计算更新后的粒子的适应度值，并判断更新后的粒子的适应度值是否大于粒子历史最优值，若是，则将更新后的粒子作为粒子历史最优值，并执行步骤S304，若否，则直接执行步骤S304；
S304、判断更新后的粒子的适应度值是否大于粒子全局最优值，若是，则将更新后的粒子作为粒子全局最优值，并执行步骤S305，若否，则直接执行步骤S305；
S306、判断迭代次数是否等于预置最大迭代次数，若是则执行步骤S4，若否，则进行迭代更新返回执行步骤S301。
作为优选，步骤S302中对更新后的粒子进行再编码处理具体包括：
判断更新后的粒子对应的二进制序列中数据样本为1的总个数大于s或小于s；
若大于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s1，依次计算更新后的粒子对应的二进制序列中第i个为1的数据样本变为0后的二进制序列对应的目标函数，其中i＝1,2,3…s1，并依次计算改变后的目标函数与改变前的目标函数的增量，根据增量的升序排序将更新后的粒子中对应的由1变为0的数据样本进行升序排序，并重新赋值前s个数据样本为1，其余数据样本0；
若小于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s2，依次计算更新后的粒子对应的二进制序列中第j个为0的数据样本变为1后的二进制序列对应的目标函数，其中j＝1,2,3…n-s2，并依次计算改变后的目标函数与改变前的目标函数的增量，根据增量的降序排序将更新后的粒子中对应的由0变为1的数据样本进行降序排序，并重新赋值前s-s2个数据样本为1，并结合原本数据样本为1的s个数据样本构成粒子。
作为优选，预置速度更新公式为：
Figure BDA0001540497660000031
其中，pb是一个粒子的最优值，pg是整个群体的全局最优值；
预置位置更新公式为：
xi＝xi+vi；
预置赋值更新公式为：
Figure BDA0001540497660000032
其中，sig(·)为sigmoid函数，定义为
Figure BDA0001540497660000033
本发明提供了一种设备故障预警模型记忆矩阵的构造装置，包括：
粒子生成模块，用于选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；
目标函数构建模块，用于确定构建记忆矩阵的指标及其对应的目标函数；
最优值确定模块，用于基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；
记忆矩阵构建模块，用于根据粒子的最优值构建设备故障预警模型记忆矩阵。
作为优选，粒子生成模块具体包括：
粒子选取子模块，用于选取数据库中的n个数据样本作为粒子；
粒子赋值子模块，用于随机选取粒子中s个数据样本赋值为1，未选取的数据样本赋值为0；
粒子生成子模块，用于基于数据库共生成m个粒子。
作为优选，目标函数为：
Figure BDA0001540497660000041
其中，γ1和γ2为权值系数，dmax为数据库中数据样本之间的最大欧氏距离，dij为记忆矩阵中每两个数据样本之间的欧氏距离，L2(x)为数据样本中心化偏差。
作为优选，最优值确定模块具体包括：
粒子更新子模块，用于通过预置速度更新公式、预置位置更新公式和预置赋值更新公式对粒子进行速度更新、位置更新和赋值更新，确定更新后的粒子的速度、位置以及对应的二进制序列；
第一判断子模块，用于判断更新后的粒子对应的二进制序列中数据样本为1的总个数是否等于s，若是，则跳转至第二判断子模块，若否，则对更新后的粒子进行再编码处理后跳转至第二判断子模块；
第二判断子模块，用于计算更新后的粒子的适应度值，并判断更新后的粒子的适应度值是否大于粒子历史最优值，若是，则将更新后的粒子作为粒子历史最优值，并跳转至第三判断子模块，若否，则直接跳转至第三判断子模块；
第三判断子模块，用于判断更新后的粒子的适应度值是否大于粒子全局最优值，若是，则将更新后的粒子作为粒子全局最优值，并跳转至迭代子模块，若否，则直接跳转至迭代子模块；
迭代子模块，用于判断迭代次数是否等于预置最大迭代次数，若是，则跳转至记忆矩阵构建模块，若否，则跳转至粒子更新子模块。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供了一种设备故障预警模型记忆矩阵的构造方法，包括：S1、选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；S2、确定构建记忆矩阵的指标及其对应的目标函数；S3、基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；S4、根据粒子的最优值构建设备故障预警模型记忆矩阵。
本发明通过确定构建记忆矩阵的指标及其对应的目标函数，利用离散粒子群算法获得满足对应的目标函数的粒子最优值，从而构建设备故障预警模型记忆矩阵，覆盖最大工况，精度更高，解决了从历史数据中选取合适历史健康数据构建记忆矩阵的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种设备故障预警模型记忆矩阵的构造方法的一个实施例的流程示意图；
图2为本发明提供的一种设备故障预警模型记忆矩阵的构造装置的一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种设备故障预警模型记忆矩阵的构造方法及装置，解决了从历史数据中选取合适历史健康数据构建记忆矩阵的技术问题。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供了一种设备故障预警模型记忆矩阵的构造方法的一个实施例，包括：
1011、选取数据库中的n个数据样本作为粒子；
1012、随机选取粒子中s个数据样本赋值为1，未选取的数据样本赋值为0；
1013、基于数据库共生成m个粒子；
102、确定构建记忆矩阵的指标及其对应的目标函数；
目标函数为：
Figure BDA0001540497660000061
其中，γ1和γ2为权值系数，dmax为数据库中数据样本之间的最大欧氏距离，dij为记忆矩阵中每两个数据样本之间的欧氏距离，L2(x)为数据样本中心化偏差。
1031、通过预置速度更新公式、预置位置更新公式和预置赋值更新公式对粒子进行速度更新、位置更新和赋值更新，确定更新后的粒子的速度、位置以及对应的二进制序列；
预置速度更新公式为：
Figure BDA0001540497660000062
其中，pb是一个粒子的最优值，pg是整个群体的全局最优值；
预置位置更新公式为：
xi＝xi+vi；
预置赋值更新公式为：
Figure BDA0001540497660000063
其中，sig(·)为sigmoid函数，定义为
Figure BDA0001540497660000064
1032、判断更新后的粒子对应的二进制序列中数据样本为1的总个数是否等于s，若是，则执行步骤1033，若否，则对更新后的粒子进行再编码处理后执行步骤1033；
对更新后的粒子进行再编码处理具体包括：
10321、判断更新后的粒子对应的二进制序列中数据样本为1的总个数大于s或小于s，若大于s，则执行步骤10322，若小于s，则执行步骤10323；
10322、若大于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s1，依次计算更新后的粒子对应的二进制序列中第i个为1的数据样本变为0后的二进制序列对应的目标函数，其中i＝1,2,3…s1，并依次计算改变后的目标函数与改变前的目标函数的增量，根据增量的升序排序将更新后的粒子中对应的由1变为0的数据样本进行升序排序，并重新赋值前s个数据样本为1，其余数据样本0；
需要说明的是，假设更新后的粒子对应的二进制序列为1101101，对应的目标函数为f(x)，而s＝2，s1＝5，首先将1101101变为0101101，并计算目标函数f(x1)，再将1101101变为1001101，并计算目标函数f(x2)，以此类推，最终得到目标函数f(x1)，f(x2)，f(x3)，f(x4)，f(x5)，根据f(x1)，f(x2)，f(x3)，f(x4)，f(x5)与目标函数f(x)的差值，按增量的升序排序，若排序为f(x3)，f(x4)，f(x1)，f(x2)，f(x5)，则选择f(x3)和f(x4)对应的第3和4个为数据样本赋值为1，其余数据样本赋值为0，最终得到更新后的粒子对应的二进制序列为0001101。
10323、若小于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s2，依次计算更新后的粒子对应的二进制序列中第j个为0的数据样本变为1后的二进制序列对应的目标函数，其中j＝1,2,3…n-s2，并依次计算改变后的目标函数与改变前的目标函数的增量，根据增量的降序排序将更新后的粒子中对应的由0变为1的数据样本进行降序排序，并重新赋值前s-s2个数据样本为1，并结合原本数据样本为1的s2个数据样本构成粒子；
需要说明的是，假设更新后的粒子对应的二进制序列为1001001，对应的目标函数为f(x)，而s＝5，s2＝3，n＝7，首先将1001001变为1101001，并计算目标函数f(x1)，再将1001001变为1011001，并计算目标函数f(x2)，以此类推，最终得到目标函数f(x1)，f(x2)，f(x3)，f(x4)，根据f(x1)，f(x2)，f(x3)，f(x4)与目标函数f(x)的差值，按增量的降序排序，若排序为f(x2)，f(x4)，f(x1)，f(x3)，则选择f(x2)和f(x4)对应的第2和4个为0的数据样本赋值为1，与原本数据样本为1的3个数据样本构成更新后的粒子，其对应的二进制序列为1011011。
1033、计算更新后的粒子的适应度值，并判断更新后的粒子的适应度值是否大于粒子历史最优值，若是，则将更新后的粒子作为粒子历史最优值，并执行步骤304，若否，则直接执行步骤1034；
1034、判断更新后的粒子的适应度值是否大于粒子全局最优值，若是，则将更新后的粒子作为粒子全局最优值，并执行步骤1035，若否，则直接执行步骤1035；
1035、判断迭代次数是否等于预置最大迭代次数，若是则执行步104，若否，则进行迭代更新返回执行步骤1031。
104、根据粒子的最优值构建设备故障预警模型记忆矩阵。
以上是对本发明提供的一种设备故障预警模型记忆矩阵的构造方法的一个实施例进行说明，以下将对本发明提供的一种设备故障预警模型记忆矩阵的构造装置的一个实施例进行说明。
请参阅图2，本发明提供了一种设备故障预警模型记忆矩阵的构造装置的一个实施例，包括：
粒子生成模块201，用于选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；
粒子生成模块201具体包括：
粒子选取子模块2011，用于选取数据库中的n个数据样本作为粒子；
粒子赋值子模块2012，用于随机选取粒子中s个数据样本赋值为1，未选取的数据样本赋值为0；
粒子生成子模块2013，用于基于数据库共生成m个粒子。
目标函数构建模块202，用于确定构建记忆矩阵的指标及其对应的目标函数；
目标函数为：
Figure BDA0001540497660000081
其中，γ1和γ2为权值系数，dmax为数据库中数据样本之间的最大欧氏距离，dij为记忆矩阵中每两个数据样本之间的欧氏距离，L2(x)为数据样本中心化偏差。
最优值确定模块203，用于基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；
最优值确定模块203具体包括：
粒子更新子模块2031，用于通过预置速度更新公式、预置位置更新公式和预置赋值更新公式对粒子进行速度更新、位置更新和赋值更新，确定更新后的粒子的速度、位置以及对应的二进制序列；
第一判断子模块2032，用于判断更新后的粒子对应的二进制序列中数据样本为1的总个数是否等于s，若是，则跳转至第二判断子模块2033，若否，则对更新后的粒子进行再编码处理后跳转至第二判断子模块2033；
第二判断子模块2033，用于计算更新后的粒子的适应度值，并判断更新后的粒子的适应度值是否大于粒子历史最优值，若是，则将更新后的粒子作为粒子历史最优值，并跳转至第三判断子模块2034，若否，则直接跳转至第三判断子模块2034；
第三判断子模块2034，用于判断更新后的粒子的适应度值是否大于粒子全局最优值，若是，则将更新后的粒子作为粒子全局最优值，并跳转至迭代子模块2035，若否，则直接跳转至迭代子模块2035；
迭代子模块2035，用于判断迭代次数是否等于预置最大迭代次数，若是，则跳转至记忆矩阵构建模块204，若否，则跳转至粒子更新子模块2031。
记忆矩阵构建模块204，用于根据粒子的最优值构建设备故障预警模型记忆矩阵。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种设备故障预警模型记忆矩阵的构造方法，其特征在于，包括：
S1、选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；
S2、确定构建记忆矩阵的指标及其对应的目标函数；
S3、基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；
S4、根据粒子的最优值构建设备故障预警模型记忆矩阵；
其中，所述目标函数为：
Figure FDA0002518600680000011
其中，γ1和γ2为权值系数，dmax为数据库中数据样本之间的最大欧氏距离，dij为记忆矩阵中每两个数据样本之间的欧氏距离，L2(x)为数据样本中心化偏差，s为要选取的样本数，i为样本中的第i个样本，j为样本中的第j个样本。
2.根据权利要求1所述的设备故障预警模型记忆矩阵的构造方法，其特征在于，步骤S1具体包括：
S101、选取数据库中的n个数据样本作为粒子；
S102、随机选取粒子中s个数据样本赋值为1，未选取的数据样本赋值为0；
S103、基于数据库共生成m个粒子。
3.根据权利要求2所述的设备故障预警模型记忆矩阵的构造方法，其特征在于，步骤S3具体包括：
S301、通过预置速度更新公式、预置位置更新公式和预置赋值更新公式对粒子进行速度更新、位置更新和赋值更新，确定更新后的粒子的速度、位置以及对应的二进制序列；
S302、判断更新后的粒子对应的二进制序列中数据样本为1的总个数是否等于s，若是，则执行步骤S303，若否，则对更新后的粒子进行再编码处理后执行步骤S303；
S303、计算更新后的粒子的适应度值，并判断更新后的粒子的适应度值是否大于粒子历史最优值，若是，则将更新后的粒子作为粒子历史最优值，并执行步骤S304，若否，则直接执行步骤S304；
S304、判断更新后的粒子的适应度值是否大于粒子全局最优值，若是，则将更新后的粒子作为粒子全局最优值，并执行步骤S305，若否，则直接执行步骤S305；
S306、判断迭代次数是否等于预置最大迭代次数，若是则执行步骤S4，若否，则进行迭代更新返回执行步骤S301。
4.根据权利要求3所述的设备故障预警模型记忆矩阵的构造方法，其特征在于，步骤S302中对更新后的粒子进行再编码处理具体包括：
判断更新后的粒子对应的二进制序列中数据样本为1的总个数大于s或小于s；
若大于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s1，依次计算更新后的粒子对应的二进制序列中第i个为1的数据样本变为0后的二进制序列对应的目标函数，其中i＝1,2,3…s1，并依次计算改变后的目标函数与改变前的目标函数的增量，根据增量的升序排序将更新后的粒子中对应的由1变为0的数据样本进行升序排序，并重新赋值前s个数据样本为1，其余数据样本0；
若小于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s2，依次计算更新后的粒子对应的二进制序列中第j个为0的数据样本变为1后的二进制序列对应的目标函数，其中j＝1,2,3…n-s2，并依次计算改变后的目标函数与改变前的目标函数的增量，根据增量的降序排序将更新后的粒子中对应的由0变为1的数据样本进行降序排序，并重新赋值前s-s2个数据样本为1，并结合原本数据样本为1的s2个数据样本构成粒子。
5.根据权利要求3所述的设备故障预警模型记忆矩阵的构造方法，其特征在于，预置速度更新公式为：
Figure FDA0002518600680000021
其中，pb是一个粒子的最优值，pg是整个群体的全局最优值，
Figure FDA0002518600680000022
为第i个粒子第k+1次迭代时的预置速度，w为惯性因子，
Figure FDA0002518600680000023
为第i个粒子第k次迭代时的预置速度，c1和c2均为加速常数，rand为区间[0,1]上的随机数，
Figure FDA0002518600680000024
为第i个粒子第k次迭代时的预置赋值；
预置位置更新公式为：
xi＝xi+vi；
其中，xi为预置赋值，vi为当前预置速度；
预置赋值更新公式为：
Figure FDA0002518600680000031
其中，sig(·)为sigmoid函数，定义为
Figure FDA0002518600680000032
xij k为
Figure FDA0002518600680000033
中的第j个元素，vij为vi中的第j个元素。
6.一种设备故障预警模型记忆矩阵的构造装置，其特征在于，包括：
粒子生成模块，用于选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；
目标函数构建模块，用于确定构建记忆矩阵的指标及其对应的目标函数；
最优值确定模块，用于基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；
记忆矩阵构建模块，用于根据粒子的最优值构建设备故障预警模型记忆矩阵；
其中，所述目标函数为：
Figure FDA0002518600680000034
其中，γ1和γ2为权值系数，dmax为数据库中数据样本之间的最大欧氏距离，dij为记忆矩阵中每两个数据样本之间的欧氏距离，L2(x)为数据样本中心化偏差，s为要选取的样本数，i为样本中的第i个样本，j为样本中的第j个样本。
7.根据权利要求6所述的设备故障预警模型记忆矩阵的构造装置，其特征在于，粒子生成模块具体包括：
粒子选取子模块，用于选取数据库中的n个数据样本作为粒子；
粒子赋值子模块，用于随机选取粒子中s个数据样本赋值为1，未选取的数据样本赋值为0；
粒子生成子模块，用于基于数据库共生成m个粒子。
8.根据权利要求6所述的设备故障预警模型记忆矩阵的构造装置，其特征在于，最优值确定模块具体包括：
粒子更新子模块，用于通过预置速度更新公式、预置位置更新公式和预置赋值更新公式对粒子进行速度更新、位置更新和赋值更新，确定更新后的粒子的速度、位置以及对应的二进制序列；
第一判断子模块，用于判断更新后的粒子对应的二进制序列中数据样本为1的总个数是否等于s，若是，则跳转至第二判断子模块，若否，则对更新后的粒子进行再编码处理后跳转至第二判断子模块；
第二判断子模块，用于计算更新后的粒子的适应度值，并判断更新后的粒子的适应度值是否大于粒子历史最优值，若是，则将更新后的粒子作为粒子历史最优值，并跳转至第三判断子模块，若否，则直接跳转至第三判断子模块；
第三判断子模块，用于判断更新后的粒子的适应度值是否大于粒子全局最优值，若是，则将更新后的粒子作为粒子全局最优值，并跳转至迭代子模块，若否，则直接跳转至迭代子模块；
迭代子模块，用于判断迭代次数是否等于预置最大迭代次数，若是，则跳转至记忆矩阵构建模块，若否，则跳转至粒子更新子模块。
CN201810011580.2A 2018-01-05 2018-01-05 一种设备故障预警模型记忆矩阵的构造方法及装置 Active CN108564162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810011580.2A CN108564162B (zh) 2018-01-05 2018-01-05 一种设备故障预警模型记忆矩阵的构造方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810011580.2A CN108564162B (zh) 2018-01-05 2018-01-05 一种设备故障预警模型记忆矩阵的构造方法及装置

Publications (2)

Publication Number Publication Date
CN108564162A CN108564162A (zh) 2018-09-21
CN108564162B true CN108564162B (zh) 2020-08-14

Family

ID=63530204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810011580.2A Active CN108564162B (zh) 2018-01-05 2018-01-05 一种设备故障预警模型记忆矩阵的构造方法及装置

Country Status (1)

Country Link
CN (1) CN108564162B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN106599580A (zh) * 2016-12-14 2017-04-26 中国人民解放军国防科学技术大学 基于可重构度的卫星在轨健康状态评估方法及评估系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN106599580A (zh) * 2016-12-14 2017-04-26 中国人民解放军国防科学技术大学 基于可重构度的卫星在轨健康状态评估方法及评估系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Preparation of comprehensive data from huge data sets for predictive soft sensors;Hiromasa Kaneko 等;《Chemometrics and Intelligent Laboratory Systems》;20160304;第75-81页 *
基于MSET的电站风机故障预警技术研究;杨婷婷 等;《热能动力工程》;20170930;第32卷(第9期);第63-68页 *
样本优选BP神经网络在脱硫效率预测中的应用;孙栓柱 等;《自动化仪表》;20150331;第36卷(第3期);第68-72页 *

Also Published As

Publication number Publication date
CN108564162A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
Umar et al. Hybrid multiobjective genetic algorithms for integrated dynamic scheduling and routing of jobs and automated-guided vehicle (AGV) in flexible manufacturing systems (FMS) environment
He et al. Joint decision-making of parallel machine scheduling restricted in job-machine release time and preventive maintenance with remaining useful life constraints
Sun et al. Passenger flow prediction of subway transfer stations based on nonparametric regression model
Fang et al. Ssml: Self-supervised meta-learner for en route travel time estimation at baidu maps
CN111950810B (zh) 一种基于自演化预训练的多变量时间序列预测方法和设备
US20230205150A1 (en) Predictive Modeling and Control for Water Resource Infrastructure
CN115098330A (zh) 基于云边协同模式的设备异常检测系统及方法
CN112257745B (zh) 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置
CN108022024A (zh) 一种基于故障率的地面电子设备维修备件需求预测方法
CN105468850A (zh) 基于多残差回归预测算法的电子产品退化趋势预测方法
CN109344967B (zh) 一种基于人工神经网络的智能电表生命周期预测方法
Vahedian et al. Predicting urban dispersal events: A two-stage framework through deep survival analysis on mobility data
CN114066262A (zh) 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质
CN115688420A (zh) 基于城轨iscs的电扶梯质量评价方法、系统、设备及介质
Kim et al. Comparing schedule generation schemes in resource-constrained project scheduling using elitist genetic algorithm
CN106503794A (zh) 一种风机齿轮箱剩余寿命预测方法
CN114048362A (zh) 基于区块链的电力数据异常检测方法、装置和系统
CN114004008B (zh) 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法
CN108564162B (zh) 一种设备故障预警模型记忆矩阵的构造方法及装置
US11494654B2 (en) Method for machine failure prediction using memory depth values
CN117408405A (zh) 一种基于交通算网的边缘算力解构及智能调度方法
CN111428356A (zh) 一种新研发退化设备的维护方法及系统
CN111210361B (zh) 基于可靠性预测和粒子群优化的电力通信网路由规划方法
CN112200366B (zh) 负荷预测方法、装置、电子设备及可读存储介质
WO2021229626A1 (ja) 学習装置、学習方法および学習プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200114

Address after: 510000 room 501-503, annex building, Huaye building, No.1-3, Chumo new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant after: Guangdong Electric Power Research Institute of energy technology limited liability company

Address before: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8

Applicant before: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD.

Applicant before: Guangdong Electric Power Research Institute of energy technology limited liability company

GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 501-503, annex building, Huaye building, No.1-3 Chuimao new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province 510000

Patentee after: China Southern Power Grid Power Technology Co.,Ltd.

Address before: Room 501-503, annex building, Huaye building, No.1-3 Chuimao new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province 510000

Patentee before: GUANGDONG ELECTRIC POWER SCIENCE RESEARCH INSTITUTE ENERGY TECHNOLOGY Co.,Ltd.