CN111859773A - 基于正则化粒子滤波的电动闸阀故障确定方法及系统 - Google Patents

基于正则化粒子滤波的电动闸阀故障确定方法及系统 Download PDF

Info

Publication number
CN111859773A
CN111859773A CN202010776989.0A CN202010776989A CN111859773A CN 111859773 A CN111859773 A CN 111859773A CN 202010776989 A CN202010776989 A CN 202010776989A CN 111859773 A CN111859773 A CN 111859773A
Authority
CN
China
Prior art keywords
particle
optimal
current
whale
determining
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.)
Granted
Application number
CN202010776989.0A
Other languages
English (en)
Other versions
CN111859773B (zh
Inventor
王航
徐仁义
彭敏俊
夏庚磊
夏虹
刘永阔
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202010776989.0A priority Critical patent/CN111859773B/zh
Publication of CN111859773A publication Critical patent/CN111859773A/zh
Application granted granted Critical
Publication of CN111859773B publication Critical patent/CN111859773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于正则化粒子滤波的电动闸阀故障确定方法及系统，包括：将当前时刻的数据集作为初始粒子集，采用重要性采样方法从初始粒子集中选取预设粒子数目作为当前粒子集；确定当前粒子集中每个粒子的权值，确定有效粒子数；判断有效粒子数是否大于预设门限值，若是确定当前时刻第一状态估计的滤波值，确定下一时刻第一电动闸阀故障值；若否获取最优正则粒子数和最优核带宽，对当前粒子集进行重采样，确定第二状态估计的滤波值，确定下一时刻第二电动闸阀故障值；判断当前时刻是否小于预设时刻，若是将当前时刻更新为下一时刻，重新获取电动闸阀当前时刻的数据集；若否结束。通过本发明的上述方法能提高电动闸阀故障预测的精度。

Description

基于正则化粒子滤波的电动闸阀故障确定方法及系统
技术领域
本发明涉及电动闸阀故障预测技术领域，特别是涉及一种基于正则化粒子滤波的电动闸阀故障确定方法及系统。
背景技术
船用核动力装置普遍采用纠正性或预防性维修，年维修量巨大，且大量备件严重占用了其它资源的布置空间。据统计，其维护成本占生命周期总成本的73％，而其中不当维护占总维护成本的1/3以上，这表明不当维护浪费了大量的人力物力资源。据美国电力协会的统计表明，在航空航天等领域实施预测性维护后可降低运行成本20％以上。因此，有必要加速推动预测性维护的应用落地，从而降低设备的故障率，避免意外停机，提高生命力；同时还能减少维修费用，提高经济性。目前，预测性维护的瓶颈问题是如何准确地预知设备的剩余使用寿命，从而基于寿命分布调配相关资源。而故障预测与部件的老化机理、传感与测量、特征参数分析、预测算法等多个前端因素紧密相关，相互之间耦合关系复杂。因此，必须统筹分析并合理优化故障预测模型。
为了解决以上问题，国内外学者进行了大量的故障预测技术研究，在研究方法上大体可以分为3类。第1类是多元统计分析方法，一般根据观测数据将剩余使用寿命(Remaining Useful Life，RUL)预测结果以条件失效概率的形式呈现，这类方法的普遍特点是在不依赖任何物理机理的情况下利用概率论和数理统计等方法拟合观测数据，以形成RUL预测模型。但是，这类方法需要假设寿命分布，往往与实际情况有较大差距。此外，转移概率往往需要依靠大量训练数据来估计。第2类采用机器学习的相关算法进行研究，其本质上属于模式回归分析，随着人工智能和大数据技术的飞速发展，使用机器学习和深度学习从历史数据中学习元件的退化模式而不去建立复杂的物理模型成为可能；但是与其它方法相比，由于具有“黑箱”属性，其计算结果很难被信服；同时由于其完全依赖数据进行建模，而实际过程中退化数据的获取十分困难，因此极大地限制了这类方法在RUL预测中的应用。第3类是结合物理机理建立数学模型来描述其故障过程，并根据模型最终预测其运行状态。虽然存在一些缺点，如模型复杂度过高、对于一些复杂设备难以解析其故障机理等；但是一旦建立物理机理模型，其分析结果是所有方法中准确度最高的。
目前，物理过程模型应用较为广泛的是针对材料的性能劣化和裂纹扩展等方面。Paris-Erdogan(PE)模型是机械结构材料领域应用最广泛的物理模型之一，主要是用来描述裂纹的扩展过程。而后，Melgar等人将该模型应用于飞机结构材料的故障预测领域。在国内，王金等人将PE模型转化为故障预测的经验模型；卢光辉以轴承内圈为研究对象，对该零件的疲劳磨损进行了故障预测。An等建立了一个数学模型来跟踪机器的退化状态，而未知参数则通过PF方法进行优化。为了进一步减小RUL估计和计算负荷的方差，Haque等提出了一种辅助粒子滤波器用来预测绝缘栅双极晶体管的剩余使用寿命。Michael Pecht等基于粒子滤波算法对电路系统故障实施了预测。然而上述现有的故障预测方法精确度低。
发明内容
本发明的目的是提供一种基于正则化粒子滤波的电动闸阀故障确定方法及系统，以提高电动闸阀故障预测的精度。
为实现上述目的，本发明提供了如下方案：
一种基于正则化粒子滤波的电动闸阀故障确定方法，包括：
获取预设粒子数目和预设门限值；所述预设粒子数目和所述预设门限值均是根据训练数据集采用正则化粒子滤波方法确定；
获取电动闸阀当前时刻的数据集；
将所述当前时刻的数据集作为初始粒子集，采用重要性采样方法从所述初始粒子集中选取所述预设粒子数目作为当前粒子集；
根据所述当前粒子集确定所述当前粒子集中每个粒子的权值，得到粒子权值集；所述粒子权值集中包括每个粒子的权值；
根据所述粒子权值集确定有效粒子数；
判断所述有效粒子数是否大于所述预设门限值，得到第一判断结果；
若所述第一判断结果表示所述有效粒子数大于所述预设门限值，根据所述粒子权值集和所述当前粒子集确定当前时刻第一状态估计的滤波值；
根据所述当前时刻第一状态估计的滤波值确定下一时刻第一电动闸阀故障值；
若所述第一判断结果表示所述有效粒子数小于或等于所述预设门限值，获取最优正则粒子数和最优核带宽；所述最优正则粒子数和所述最优核带宽均是根据所述训练数据采用鲸鱼优化算法确定；
根据所述最优正则粒子数、所述粒子权值集和所述最优核带宽，对所述当前粒子集进行重采样，得到正则化粒子集；所述正则化粒子集中包括每个正则化粒子以及正则化粒子对应的权值；
根据所述正则化粒子集确定当前时刻第二状态估计的滤波值；
根据所述当前时刻第二状态估计的滤波值确定下一时刻第二电动闸阀故障值；
判断所述当前时刻是否小于预设时刻，得到第二判断结果；
若所述第二判断结果表示当前时刻小于预设时刻，将所述当前时刻更新为下一时刻，返回步骤“获取电动闸阀当前时刻的数据集”；
若所述第二判断结果表示当前时刻等于或大于预设时刻，结束。
可选的，所述获取电动闸阀当前时刻的数据集，之后还包括：
对所述当前时刻的数据集中的数据进行预处理，得到预处理后前时刻数据集；所述预处理包括数据归一化和数据标准化。
可选的，所述根据所述粒子权值集确定有效粒子数，具体包括：
将所述粒子权值集中每个粒子的权值进行归一化，得到归一化粒子权值集；
根据所述归一化粒子权值集确定有效粒子数。
可选的，所述最优正则粒子数和所述最优核带宽确定过程具体包括：
获取电动闸阀历史数据，作为训练数据集；
将所述训练数据集作为鲸鱼种群；所述鲸鱼种群中包括每个鲸鱼个体的位置；
根据所述鲸鱼种群计算所述鲸鱼种群中每个鲸鱼个体的适应度，得到适应度集；
从所述适应度集中选取适应度最大值或适应度最小值对应的鲸鱼个体作为最优个体，得到最优个体所在位置；
判断所述最优个体所在位置是否满足预设条件，得到第三判断结果；所述预设条件为目标优化函数或预设迭代次数；
若所述第三判断结果表示最优个体所在位置满足预设条件，根据所述最优个体所在位置和所述目标优化函数确定最优正则粒子数和最优核带宽；
若所述第三判断结果表示最优个体所在位置不满足预设条件，获取随机参数和当前迭代次数；
根据所述随机参数和所述当前迭代次数更新鲸鱼个体的位置，并返回步骤“根据所述鲸鱼种群计算所述鲸鱼种群中每个鲸鱼个体的适应度，得到适应度集”。
可选的，所述根据所述随机参数和所述当前迭代次数更新鲸鱼个体的位置，具体包括：
判断所述随机参数是否小于0.5，得到第四判断结果；
若所述第四判断结果表示所述随机参数小于0.5，根据公式X(t+1)＝Dbest·ebl·cos(2πl)+X(t)更新鲸鱼个体位置；
若所述第四判断结果表示所述随机参数大于或等于0.5，根据所述当前迭代次数确定第一算法系数；
判断所述第一算法系数是否小于1，得到第五判断结果；
若所述第五判断结果表示所述第一算法系数小于1，根据公式X(t+1)＝Xbest(t)-A·Dbest更新鲸鱼个体位置；
若所述第五判断结果表示所述第一算法系数大于或等于1，根据公式X(t+1)＝Xrand(t)-A·Drand更新鲸鱼个体位置；
其中，X(t+1)为更新后鲸鱼个体位置，X(t)为更新前鲸鱼个体位置，Dbest＝|Xbest(t)-X(t)|，b为常量系数，l∈[0,1]为随机向量，Xbest(t)为更新前最优个体所在位置，A为第一算法系数，Drand＝|C·Xrand(t)-X(t)|，Xrand(t)为更新前随机鲸鱼个体所在位置，C为第二算法系数。
一种基于正则化粒子滤波的电动闸阀故障确定系统，包括：
预设粒子数目和预设门限值获取模块，用于获取预设粒子数目和预设门限值；所述预设粒子数目和所述预设门限值均是根据训练数据集采用正则化粒子滤波方法确定；
当前时刻数据集获取模块，用于获取电动闸阀当前时刻的数据集；
当前粒子集选取模块，用于将所述当前时刻的数据集作为初始粒子集，采用重要性采样方法从所述初始粒子集中选取所述预设粒子数目作为当前粒子集；
粒子权值集确定模块，用于根据所述当前粒子集确定所述当前粒子集中每个粒子的权值，得到粒子权值集；所述粒子权值集中包括每个粒子的权值；
有效粒子数确定模块，用于根据所述粒子权值集确定有效粒子数；
第一判断模块，用于判断所述有效粒子数是否大于所述预设门限值，得到第一判断结果；
当前时刻第一状态估计滤波值确定模块，用于若所述第一判断结果表示所述有效粒子数大于所述预设门限值，根据所述粒子权值集和所述当前粒子集确定当前时刻第一状态估计的滤波值；
下一时刻第一电动闸阀故障值确定模块，用于根据所述当前时刻第一状态估计的滤波值确定下一时刻第一电动闸阀故障值；
最优正则粒子数和最优核带宽获取模块，用于若所述第一判断结果表示所述有效粒子数小于或等于所述预设门限值，获取最优正则粒子数和最优核带宽；所述最优正则粒子数和所述最优核带宽均是根据所述训练数据采用鲸鱼优化算法确定；
重采样模块，用于根据所述最优正则粒子数、所述粒子权值集和所述最优核带宽，对所述当前粒子集进行重采样，得到正则化粒子集；所述正则化粒子集中包括每个正则化粒子以及正则化粒子对应的权值；
当前时刻第二状态估计滤波值确定模块，用于根据所述正则化粒子集确定当前时刻第二状态估计的滤波值；
下一时刻第二电动闸阀故障值确定模块，用于根据所述当前时刻第二状态估计的滤波值确定下一时刻第二电动闸阀故障值；
第二判断模块，用于判断所述当前时刻是否小于预设时刻，得到第二判断结果；
更新模块，用于若所述第二判断结果表示当前时刻小于预设时刻，将所述当前时刻更新为下一时刻，返回所述当前时刻数据集获取模块；
结束模块，用于若所述第二判断结果表示当前时刻等于或大于预设时刻，结束。
可选的，所述基于正则化粒子滤波的电动闸阀故障确定系统还包括：
预处理模块，用于对所述当前时刻的数据集中的数据进行预处理，得到预处理后前时刻数据集；所述预处理包括数据归一化和数据标准化。
可选的，所述有效粒子数确定模块具体包括：
归一化单元，用于将所述粒子权值集中每个粒子的权值进行归一化，得到归一化粒子权值集；
有效粒子数确定单元，用于根据所述归一化粒子权值集确定有效粒子数。
可选的，所述最优正则粒子数和所述最优核带宽确定过程具体包括：
训练数据集获取单元，用于获取电动闸阀历史数据，作为训练数据集；
鲸鱼种群获取单元，用于将所述训练数据集作为鲸鱼种群；所述鲸鱼种群中包括每个鲸鱼个体的位置；
适应度计算单元，用于根据所述鲸鱼种群计算所述鲸鱼种群中每个鲸鱼个体的适应度，得到适应度集；
最优个体确定单元，用于从所述适应度集中选取适应度最大值或适应度最小值对应的鲸鱼个体作为最优个体，得到最优个体所在位置；
第三判断单元，用于判断所述最优个体所在位置是否满足预设条件，得到第三判断结果；所述预设条件为目标优化函数或预设迭代次数；
最优正则粒子数和最优核带宽确定单元，用于若所述第三判断结果表示最优个体所在位置满足预设条件，根据所述最优个体所在位置和所述目标优化函数确定最优正则粒子数和最优核带宽；
随机参数和当前迭代次数获取单元，用于若所述第三判断结果表示最优个体所在位置不满足预设条件，获取随机参数和当前迭代次数；
更新单元，用于根据所述随机参数和所述当前迭代次数更新鲸鱼个体的位置，并返回所述适应度计算单元。
可选的，所述更新单元具体包括：
第四判断子单元，用于判断所述随机参数是否小于0.5，得到第四判断结果；
鲸鱼个体位置更新子单元一，用于若所述第四判断结果表示所述随机参数小于0.5，根据公式X(t+1)＝Dbest·ebl·cos(2πl)+X(t)更新鲸鱼个体位置；
第一算法系数确定子单元，用于若所述第四判断结果表示所述随机参数大于或等于0.5，根据所述当前迭代次数确定第一算法系数；
第五判断子单元，用于判断所述第一算法系数是否小于1，得到第五判断结果；
鲸鱼个体位置更新子单元二，用于若所述第五判断结果表示所述第一算法系数小于1，根据公式X(t+1)＝Xbest(t)-A·Dbest更新鲸鱼个体位置；
鲸鱼个体位置更新子单元三，用于若所述第五判断结果表示所述第一算法系数大于或等于1，根据公式X(t+1)＝Xrand(t)-A·Drand更新鲸鱼个体位置；
其中，X(t+1)为更新后鲸鱼个体位置，X(t)为更新前鲸鱼个体位置，Dbest＝|Xbest(t)-X(t)|，b为常量系数，l∈[0,1]为随机向量，Xbest(t)为更新前最优个体所在位置，A为第一算法系数，Drand＝|C·Xrand(t)-X(t)|，Xrand(t)为更新前随机鲸鱼个体所在位置，C为第二算法系数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于正则化粒子滤波的电动闸阀故障确定方法及系统，采用鲸鱼优化算法确定正则化粒子滤波方法中的最优正则粒子数和最优核带宽，然后利用训练数据集对正则化粒子滤波方法中的非时变参数预设粒子数目和预设门限值进行确定，最后利用确定好的参数即最优正则粒子数、最优核带宽、预设粒子数目和预设门限值，采用正则化粒子滤波方法根据当前时刻的数据集确定下一时刻电动闸阀故障值，也就是第一电动闸阀故障值或第二电动闸阀故障值。通过鲸鱼优化算法确定最优正则粒子数和最优核带宽，提高了正则化粒子滤波的精度和效率，提高了电动闸阀故障预测的精度。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一所提供的基于正则化粒子滤波的电动闸阀故障确定方法的流程图；
图2为本发明实施例二所提供的基于正则化粒子滤波的电动闸阀故障确定方法的流程图；
图3为本发明实施例三所提供的基于正则化粒子滤波的电动闸阀故障确定系统的结构示意图。
具体实施方式
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。
本发明的目的是提供一种基于正则化粒子滤波的电动闸阀故障确定方法及系统，以提高电动闸阀故障预测的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图1为本发明实施例一所提供的基于正则化粒子滤波的电动闸阀故障确定方法的流程图，如图1所示，本发明实施例基于正则化粒子滤波的电动闸阀故障确定方法包括：
S101，获取预设粒子数目和预设门限值；所述预设粒子数目和所述预设门限值均是根据训练数据集采用正则化粒子滤波方法确定。
S102，获取电动闸阀当前时刻的数据集；所述当前时刻的数据集中包括由不同参数传感器采集的不同数据。
S103，将所述当前时刻的数据集作为初始粒子集，采用重要性采样方法从所述初始粒子集中选取所述预设粒子数目作为当前粒子集。具体的，数据集中每条数据对应初始粒子集中的一个粒子。
S104，根据所述当前粒子集确定所述当前粒子集中每个粒子的权值，得到粒子权值集；所述粒子权值集中包括每个粒子的权值。
S105，根据所述粒子权值集确定有效粒子数。具体的，将所述粒子权值集中每个粒子的权值进行归一化，得到归一化粒子权值集；根据所述归一化粒子权值集确定有效粒子数。
S106，判断所述有效粒子数是否大于所述预设门限值，得到第一判断结果。
S107，若所述第一判断结果表示所述有效粒子数大于所述预设门限值，根据所述粒子权值集和所述当前粒子集确定当前时刻第一状态估计的滤波值。
S108，根据所述当前时刻第一状态估计的滤波值确定下一时刻第一电动闸阀故障值。具体的，电动闸阀故障值即为电动闸阀剩余使用寿命。
S109，若所述第一判断结果表示所述有效粒子数小于或等于所述预设门限值，获取最优正则粒子数和最优核带宽；所述最优正则粒子数和所述最优核带宽均是根据所述训练数据采用鲸鱼优化算法确定。
S110，根据所述最优正则粒子数、所述粒子权值集和所述最优核带宽，对所述当前粒子集进行重采样，得到正则化粒子集；所述正则化粒子集中包括每个正则化粒子以及正则化粒子对应的权值。
S111，根据所述正则化粒子集确定当前时刻第二状态估计的滤波值。
S112，根据所述当前时刻第二状态估计的滤波值确定下一时刻第二电动闸阀故障值。
S113，判断所述当前时刻是否小于预设时刻，得到第二判断结果。
S114，若所述第二判断结果表示当前时刻小于预设时刻，将所述当前时刻更新为下一时刻，返回步骤S102。
S115，若所述第二判断结果表示当前时刻等于或大于预设时刻，结束。
S102之后还包括：对所述当前时刻的数据集中的数据进行预处理，得到预处理后前时刻数据集；所述预处理包括数据归一化和数据标准化。
S109中所述最优正则粒子数和所述最优核带宽确定过程具体包括：
步骤901，获取电动闸阀历史数据，作为训练数据集。
步骤902，将所述训练数据集作为鲸鱼种群；所述鲸鱼种群中包括每个鲸鱼个体的位置。
步骤903，根据所述鲸鱼种群计算所述鲸鱼种群中每个鲸鱼个体的适应度，得到适应度集。
步骤904，从所述适应度集中选取适应度最大值或适应度最小值对应的鲸鱼个体作为最优个体，得到最优个体所在位置。
步骤905，判断所述最优个体所在位置是否满足预设条件，得到第三判断结果；所述预设条件为目标优化函数或预设迭代次数。
步骤906，若所述第三判断结果表示最优个体所在位置满足预设条件，根据所述最优个体所在位置和所述目标优化函数确定最优正则粒子数和最优核带宽。
步骤907，若所述第三判断结果表示最优个体所在位置不满足预设条件，获取随机参数和当前迭代次数。
步骤908，根据所述随机参数和所述当前迭代次数更新鲸鱼个体的位置，并返回步骤903。步骤908具体包括：
步骤90801，判断所述随机参数是否小于0.5，得到第四判断结果；
步骤90802，若所述第四判断结果表示所述随机参数小于0.5，根据公式X(t+1)＝Dbest·ebl·cos(2πl)+X(t)更新鲸鱼个体位置。
步骤90803，若所述第四判断结果表示所述随机参数大于或等于0.5，根据所述当前迭代次数确定第一算法系数。
步骤90804，判断所述第一算法系数是否小于1，得到第五判断结果。
步骤90805，若所述第五判断结果表示所述第一算法系数小于1，根据公式X(t+1)＝Xbest(t)-A·Dbest更新鲸鱼个体位置。
步骤90806，若所述第五判断结果表示所述第一算法系数大于或等于1，根据公式X(t+1)＝Xrand(t)-A·Drand更新鲸鱼个体位置。
其中，X(t+1)为更新后鲸鱼个体位置，X(t)为更新前鲸鱼个体位置，Dbest＝|Xbest(t)-X(t)|，b为常量系数，l∈[0,1]为随机向量，Xbest(t)为更新前最优个体所在位置，A为第一算法系数，Drand＝|C·Xrand(t)-X(t)|，Xrand(t)为更新前随机鲸鱼个体所在位置，C为第二算法系数。
实施例二
为说明本发明的上述目的，本发明提供了实施例二，如图2所示，本发明实施例一种基于正则化粒子滤波的电动闸阀故障确定方法具体步骤如下：
步骤1：对电动闸阀上的声发射传感器、加速度传感器和压差、温度和流量等过程参数传感器采集得到的原始数据通过数据采集板卡存储到计算中。
步骤2：将步骤1中采集到的原始数据进行预处理和数据特征工程，去掉噪声干扰以及与故障预测无关的特征，并对这些数据进行数据归一化和标准化，避免量纲对后续故障预测的影响，然后将归一化和标准化的数据截取前100s作为训练数据集，其余数据为测试数据集，训练数据集的用途主要有两个方面，一方面用于鲸鱼优化算法参数寻优的数据输入(步骤3)，另一方面用于正则化粒子滤波方法中非时变参数的确定(步骤8)，测试数据集用于电动闸阀的故障预测过程(步骤10)。
步骤3：将训练数据集作为输入带入鲸鱼优化算法中，通过鲸鱼优化算法对正则化粒子滤波中的关键参数：正则粒子数Nreg和核带宽h进行参数优化，在鲸鱼优化算法中，对待优化的参数正则粒子数Nreg和核带宽进行初始化，并设置鲸鱼优化算法中的鲸鱼种群规模数NWOA、最大迭代次数Tmax以及空间维度Dim等基本参数。
步骤4：将训练数据集作为鲸鱼种群
Figure BDA0002618789700000111
并通过
Figure BDA0002618789700000112
(其中
Figure BDA0002618789700000113
是第i个鲸鱼个体经过混沌操作的位置向量，βi为混沌序列中第i个混沌值)在种群初始化阶段对种群进行混沌处理，混沌是一种不稳定的动态行为，具有遍历性和随机性，因此可提高种群的初始质量。
步骤5：计算种群中每个鲸鱼个体的适应度{f(Xi),i＝1,2···N}，选择并记录种群中适应值最大(或最小)的个体及其位置，同时选出当前种群最优个体Xp，更新迄今为止找到的最优个体Xbest。
步骤6：验证最优个体是否满足目标优化函数f(Nreg,h)或达到最大迭代次数，若满足，则鲸鱼优化算法结束，根据目标优化函数f(Nreg,h)确定最优的正则粒子数Nreg和最优核带宽h，若不满足，则在[0，1]之间随机产生一个常数p，并计算控制参数a，a的值随迭代次数t的增加从2线性减少到0，即a满足a＝2-2t/Tmax。同时更新算法系数A和C，其中，A＝2ar1-a，C＝2r2，式中r1,r2∈[0,1]。
步骤7：步骤6中得到了参数p以及A，若满足p＜0.5，则按公式X(t+1)＝Dbest·ebl·cos(2πl)+X(t)更新鲸鱼个体位置，鲸鱼个体对猎物沿螺旋形路径游走，以形成气泡网攻击，式中Dbest＝|Xbest(t)-X(t)|为鲸鱼个体迄今为止找到的最好鲸鱼个体的距离，b为常量系数，l∈[0,1]为随机向量。若满足p≥0.5且|A|≥1，按X(t+1)＝Xrand(t)-A·Drand更新鲸鱼个体位置，算法扩大搜索范围，进行全局搜索，寻找更优的猎物位置，式中t为当前迭代次数，X为鲸鱼所在位置，Drand＝|C·Xrand(t)-X(t)|为个体距离随机个体Xrand的长度。若满足p≥0.5且|A|＜1，则按X(t+1)＝Xbest(t)-A·Dbest新鲸鱼个体位置，此时鲸鱼个体不再选取随机个体作为猎物位置进行更新，而是选取全局最优个体作为猎物，以加快对最优值的搜索。
步骤8：将训练数据集作为输入带入正则化粒子滤波中确定正则化粒子滤波的非时变参数，同时由观测方程yk＝h(xk)+vk计算当前时刻正则化粒子滤波的观测滤波值
Figure BDA0002618789700000121
结合当前时刻经过鲸鱼优化算法得出正则化粒子滤波的最优参数Nreg以及h，将确定的所有参数带入正则化粒子程序中，进行算法基础参数设置，本发明中正则化粒子滤波所需要设置的非时变参数如下表所示。
粒子数目 噪声方差 初始粒子方差 步长 重采样门限 空间维数
N Q P tn N<sub>tv</sub> n
步骤9：对正则化粒子滤波中的粒子集进行初始化，从先验分布p(x0)中采样N个粒子得到初始粒子集
Figure BDA0002618789700000122
每个粒子的初始化权值
Figure BDA0002618789700000123
步骤10：将测试数据集作为观测值yk输入到正则化粒子滤波中，进行当前时刻粒子权重的更新。从重要性密度函数
Figure BDA0002618789700000124
(式中xk代表k时刻的粒子，yk代表k时刻的观测值)中采样得到k时刻粒子集
Figure BDA0002618789700000125
即
Figure BDA0002618789700000126
同时计算k时刻每个粒子的权值：
Figure BDA0002618789700000127
式中
Figure BDA0002618789700000128
为k时刻第i个粒子的权值，
Figure BDA0002618789700000129
为系统的似然概率函数，它表征系统状态由xk-1转移到xk和观测值的相似程度，由系统的观测方程(系统的观测方程为yk＝h(xk)+vk，表示观测值反应系统状态的程度，式中h(·)是观测函数，vk为观测噪声)决定。
Figure BDA00026187897000001210
为系统的状态转移函数，可由系统的状态方程(系统的状态方程为xk＝f(xk-1)+uk-1，表示系统状态从前一个状态到后一个状态的转移，式中f(·)是状态转移函数，uk为过程噪声)决定。得到各个粒子权值后进行权值归一化为
Figure BDA00026187897000001211
步骤11：计算有效粒子数
Figure BDA0002618789700000131
如果大于门限值Ntv，执行步骤13，如果小于门限值，执行步骤12。
步骤12：计算先验粒子
Figure BDA0002618789700000132
的经验协方差矩阵Sk与Ak，其中
Figure BDA0002618789700000133
由先验粒子
Figure BDA0002618789700000134
以及先验粒子的标准差，生成正则化粒子
Figure BDA0002618789700000135
从核概率密度函数Kh(x)中采样ei～Kh(x)，后由先验粒子的权重
Figure BDA0002618789700000136
计算正则化粒子权值并归一化
Figure BDA0002618789700000137
进而得到粒子的正则化后验概率密度
Figure BDA0002618789700000138
从
Figure BDA0002618789700000139
中进行再采样得到正则化后的粒子集
Figure BDA00026187897000001310
步骤13：由
Figure BDA00026187897000001311
计算当前时刻状态估计的滤波值，再由步骤10中的阀门系统状态方程递推得到当前时刻的阀门故障预测结果进行输出。
步骤14：判断当前时刻是否达到最大预测步数tf即预设时刻，如果是则预测结束，退出算法，否则K＝K+1，返回步骤10继续进行预测。
步骤15：采用经过步骤1-14计算优化后的正则化粒子滤波得到实际电动阀门故障预测结果，相关结果可以供维修和决策人员进行参考，及时采取相关措施，在保证安全性的同时还可以提高经济性。
相对于现有技术，本发明所述方法比其它方法的寿命预测准确率都要高，能够给出精度更高、拟合优度更好的寿命预测模型。准确率高的原因在于步骤4、步骤7、步骤8、步骤10和步骤12的整体实施。
步骤4在鲸鱼种群初始化阶段对种群进行混沌处理，混沌是一种不稳定的动态行为，具有遍历性和随机性，因此可提高种群的初始质量，进而提高了鲸鱼优化算法的优化效率和精度。
步骤7在鲸鱼优化算法中设置了全局搜索和局部搜索机制，可以很大程度上避免优化过程陷入局部最优，提高了优化的质量。
步骤8通过鲸鱼优化算法优化了正则化粒子滤波中的正则化粒子数Nreg和核带宽h，其作为正则化过程中的关键参数，使得用粒子后验密度和正则经验密度表示的平均积分方差实现了最小，提高了正则化粒子滤波的精度和效率。
步骤10在揭示电动阀门故障产生机理的基础上，归纳总结并建立电动闸阀退化过程的机理动力学模型，即电动阀门退化过程中的状态方程和测量方程，详细分析了测量手段下特征参数与退化模式之间的影响关系，将电动闸阀的内在机理与数据结合在一起，实现了模型与数据驱动的融合，提高了预测算法的精确性和可信度。
步骤12通过正则化过程，利用核密度函数构建了粒子后验分布的连续分布，并从连续分布中采样得到新的粒子集进行电动阀门的状态估计，避免了基本粒子滤波的粒子耗尽，提高了粒子的多样性。
实施例三
本发明还提供了一种基于正则化粒子滤波的电动闸阀故障确定系统，如图3所示，电动闸阀故障确定系统包括：
预设粒子数目和预设门限值获取模块1，用于获取预设粒子数目和预设门限值；所述预设粒子数目和所述预设门限值均是根据训练数据集采用正则化粒子滤波方法确定；
当前时刻数据集获取模块2，用于获取电动闸阀当前时刻的数据集；
当前粒子集选取模块3，用于将所述当前时刻的数据集作为初始粒子集，采用重要性采样方法从所述初始粒子集中选取所述预设粒子数目作为当前粒子集；
粒子权值集确定模块4，用于根据所述当前粒子集确定所述当前粒子集中每个粒子的权值，得到粒子权值集；所述粒子权值集中包括每个粒子的权值；
有效粒子数确定模块5，用于根据所述粒子权值集确定有效粒子数；
第一判断模块6，用于判断所述有效粒子数是否大于所述预设门限值，得到第一判断结果；
当前时刻第一状态估计滤波值确定模块7，用于若所述第一判断结果表示所述有效粒子数大于所述预设门限值，根据所述粒子权值集和所述当前粒子集确定当前时刻第一状态估计的滤波值；
下一时刻第一电动闸阀故障值确定模块8，用于根据所述当前时刻第一状态估计的滤波值确定下一时刻第一电动闸阀故障值；
最优正则粒子数和最优核带宽获取模块9，用于若所述第一判断结果表示所述有效粒子数小于或等于所述预设门限值，获取最优正则粒子数和最优核带宽；所述最优正则粒子数和所述最优核带宽均是根据所述训练数据采用鲸鱼优化算法确定；
重采样模块10，用于根据所述最优正则粒子数、所述粒子权值集和所述最优核带宽，对所述当前粒子集进行重采样，得到正则化粒子集；所述正则化粒子集中包括每个正则化粒子以及正则化粒子对应的权值；
当前时刻第二状态估计滤波值确定模块11，用于根据所述正则化粒子集确定当前时刻第二状态估计的滤波值；
下一时刻第二电动闸阀故障值确定模块12，用于根据所述当前时刻第二状态估计的滤波值确定下一时刻第二电动闸阀故障值；
第二判断模块13，用于判断所述当前时刻是否小于预设时刻，得到第二判断结果；
更新模块14，用于若所述第二判断结果表示当前时刻小于预设时刻，将所述当前时刻更新为下一时刻，返回所述当前时刻数据集获取模块2；
结束模块15，用于若所述第二判断结果表示当前时刻等于或大于预设时刻，结束。
优选的，所述基于正则化粒子滤波的电动闸阀故障确定系统还包括：
预处理模块，用于对所述当前时刻的数据集中的数据进行预处理，得到预处理后前时刻数据集；所述预处理包括数据归一化和数据标准化。
优选的，所述有效粒子数确定模块5具体包括：
归一化单元，用于将所述粒子权值集中每个粒子的权值进行归一化，得到归一化粒子权值集。
有效粒子数确定单元，用于根据所述归一化粒子权值集确定有效粒子数。
优选的，所述最优正则粒子数和所述最优核带宽确定过程具体包括：
训练数据集获取单元，用于获取电动闸阀历史数据，作为训练数据集。
鲸鱼种群获取单元，用于将所述训练数据集作为鲸鱼种群；所述鲸鱼种群中包括每个鲸鱼个体的位置。
适应度计算单元，用于根据所述鲸鱼种群计算所述鲸鱼种群中每个鲸鱼个体的适应度，得到适应度集。
最优个体确定单元，用于从所述适应度集中选取适应度最大值或适应度最小值对应的鲸鱼个体作为最优个体，得到最优个体所在位置。
第三判断单元，用于判断所述最优个体所在位置是否满足预设条件，得到第三判断结果；所述预设条件为目标优化函数或预设迭代次数。
最优正则粒子数和最优核带宽确定单元，用于若所述第三判断结果表示最优个体所在位置满足预设条件，根据所述最优个体所在位置和所述目标优化函数确定最优正则粒子数和最优核带宽。
随机参数和当前迭代次数获取单元，用于若所述第三判断结果表示最优个体所在位置不满足预设条件，获取随机参数和当前迭代次数。
更新单元，用于根据所述随机参数和所述当前迭代次数更新鲸鱼个体的位置，并返回所述适应度计算单元。
优选的，所述更新单元具体包括：
第四判断子单元，用于判断所述随机参数是否小于0.5，得到第四判断结果。
鲸鱼个体位置更新子单元一，用于若所述第四判断结果表示所述随机参数小于0.5，根据公式X(t+1)＝Dbest·ebl·cos(2πl)+X(t)更新鲸鱼个体位置。
第一算法系数确定子单元，用于若所述第四判断结果表示所述随机参数大于或等于0.5，根据所述当前迭代次数确定第一算法系数。
第五判断子单元，用于判断所述第一算法系数是否小于1，得到第五判断结果；
鲸鱼个体位置更新子单元二，用于若所述第五判断结果表示所述第一算法系数小于1，根据公式X(t+1)＝Xbest(t)-A·Dbest更新鲸鱼个体位置。
鲸鱼个体位置更新子单元三，用于若所述第五判断结果表示所述第一算法系数大于或等于1，根据公式X(t+1)＝Xrand(t)-A·Drand更新鲸鱼个体位置。
其中，X(t+1)为更新后鲸鱼个体位置，X(t)为更新前鲸鱼个体位置，Dbest＝|Xbest(t)-X(t)|，b为常量系数，l∈[0,1]为随机向量，Xbest(t)为更新前最优个体所在位置，A为第一算法系数，Drand＝|C·Xrand(t)-X(t)|，Xrand(t)为更新前随机鲸鱼个体所在位置，C为第二算法系数。
本发明结合贝叶斯框架，从统计学和概率模型出发，研究基于正则化粒子滤波和物理机理的故障预测技术。以电动闸阀为研究对象，原因是电动阀门是核动力装置中最常用的设备之一且动作频繁，容易出现故障；而且电动阀门在不同行业中也应用广泛，不仅便于故障数据的积累，同时研究成果也可以适用于其他复杂系统中。值得强调的是，本发明中的研究工作兼具基础科学研究价值和实际应用前景。从科学意义层面，本发明涉及故障机理分析和人工智能技术等多学科交叉领域，立足于研究电动闸阀典型故障模式的形成机理与正则化粒子滤波的故障预测模型。从技术应用上考虑，基于正则化粒子滤波的电动闸阀故障预测技术具有以下特点和优势：(1)分析电动闸阀故障后特征参数与故障本身之间的非线性关系，总结形成故障机理公式，能够反映故障的本质特征；(2)建立的正则化粒子滤波模型能够改善基本粒子滤波存在的粒子退化和耗尽问题，提高了故障预测的准确性，通过本发明的研究，能够实现故障预测技术上的突破，研究成果不仅可为核动力系统以及其他复杂系统的安全性和经济性提升提供新思路，也将促进相关理论体系的建立和发展。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于正则化粒子滤波的电动闸阀故障确定方法，其特征在于，包括：
获取预设粒子数目和预设门限值；所述预设粒子数目和所述预设门限值均是根据训练数据集采用正则化粒子滤波方法确定；
获取电动闸阀当前时刻的数据集；
将所述当前时刻的数据集作为初始粒子集，采用重要性采样方法从所述初始粒子集中选取所述预设粒子数目作为当前粒子集；
根据所述当前粒子集确定所述当前粒子集中每个粒子的权值，得到粒子权值集；所述粒子权值集中包括每个粒子的权值；
根据所述粒子权值集确定有效粒子数；
判断所述有效粒子数是否大于所述预设门限值，得到第一判断结果；
若所述第一判断结果表示所述有效粒子数大于所述预设门限值，根据所述粒子权值集和所述当前粒子集确定当前时刻第一状态估计的滤波值；
根据所述当前时刻第一状态估计的滤波值确定下一时刻第一电动闸阀故障值；
若所述第一判断结果表示所述有效粒子数小于或等于所述预设门限值，获取最优正则粒子数和最优核带宽；所述最优正则粒子数和所述最优核带宽均是根据所述训练数据采用鲸鱼优化算法确定；
根据所述最优正则粒子数、所述粒子权值集和所述最优核带宽，对所述当前粒子集进行重采样，得到正则化粒子集；所述正则化粒子集中包括每个正则化粒子以及正则化粒子对应的权值；
根据所述正则化粒子集确定当前时刻第二状态估计的滤波值；
根据所述当前时刻第二状态估计的滤波值确定下一时刻第二电动闸阀故障值；
判断所述当前时刻是否小于预设时刻，得到第二判断结果；
若所述第二判断结果表示当前时刻小于预设时刻，将所述当前时刻更新为下一时刻，返回步骤“获取电动闸阀当前时刻的数据集”；
若所述第二判断结果表示当前时刻等于或大于预设时刻，结束。
2.根据权利要求1所述的基于正则化粒子滤波的电动闸阀故障确定方法，其特征在于，所述获取电动闸阀当前时刻的数据集，之后还包括：
对所述当前时刻的数据集中的数据进行预处理，得到预处理后前时刻数据集；所述预处理包括数据归一化和数据标准化。
3.根据权利要求1所述的基于正则化粒子滤波的电动闸阀故障确定方法，其特征在于，所述根据所述粒子权值集确定有效粒子数，具体包括：
将所述粒子权值集中每个粒子的权值进行归一化，得到归一化粒子权值集；
根据所述归一化粒子权值集确定有效粒子数。
4.根据权利要求1所述的基于正则化粒子滤波的电动闸阀故障确定方法，其特征在于，所述最优正则粒子数和所述最优核带宽确定过程具体包括：
获取电动闸阀历史数据，作为训练数据集；
将所述训练数据集作为鲸鱼种群；所述鲸鱼种群中包括每个鲸鱼个体的位置；
根据所述鲸鱼种群计算所述鲸鱼种群中每个鲸鱼个体的适应度，得到适应度集；
从所述适应度集中选取适应度最大值或适应度最小值对应的鲸鱼个体作为最优个体，得到最优个体所在位置；
判断所述最优个体所在位置是否满足预设条件，得到第三判断结果；所述预设条件为目标优化函数或预设迭代次数；
若所述第三判断结果表示最优个体所在位置满足预设条件，根据所述最优个体所在位置和所述目标优化函数确定最优正则粒子数和最优核带宽；
若所述第三判断结果表示最优个体所在位置不满足预设条件，获取随机参数和当前迭代次数；
根据所述随机参数和所述当前迭代次数更新鲸鱼个体的位置，并返回步骤“根据所述鲸鱼种群计算所述鲸鱼种群中每个鲸鱼个体的适应度，得到适应度集”。
5.根据权利要求4所述的基于正则化粒子滤波的电动闸阀故障确定方法，其特征在于，所述根据所述随机参数和所述当前迭代次数更新鲸鱼个体的位置，具体包括：
判断所述随机参数是否小于0.5，得到第四判断结果；
若所述第四判断结果表示所述随机参数小于0.5，根据公式X(t+1)＝Dbest·ebl·cos(2πl)+X(t)更新鲸鱼个体位置；
若所述第四判断结果表示所述随机参数大于或等于0.5，根据所述当前迭代次数确定第一算法系数；
判断所述第一算法系数是否小于1，得到第五判断结果；
若所述第五判断结果表示所述第一算法系数小于1，根据公式X(t+1)＝Xbest(t)-A·Dbest更新鲸鱼个体位置；
若所述第五判断结果表示所述第一算法系数大于或等于1，根据公式X(t+1)＝Xrand(t)-A·Drand更新鲸鱼个体位置；
其中，X(t+1)为更新后鲸鱼个体位置，X(t)为更新前鲸鱼个体位置，Dbest＝|Xbest(t)-X(t)|，b为常量系数，l∈[0,1]为随机向量，Xbest(t)为更新前最优个体所在位置，A为第一算法系数，Drand＝|C·Xrand(t)-X(t)|，Xrand(t)为更新前随机鲸鱼个体所在位置，C为第二算法系数。
6.一种基于正则化粒子滤波的电动闸阀故障确定系统，其特征在于，包括：
预设粒子数目和预设门限值获取模块，用于获取预设粒子数目和预设门限值；所述预设粒子数目和所述预设门限值均是根据训练数据集采用正则化粒子滤波方法确定；
当前时刻数据集获取模块，用于获取电动闸阀当前时刻的数据集；
当前粒子集选取模块，用于将所述当前时刻的数据集作为初始粒子集，采用重要性采样方法从所述初始粒子集中选取所述预设粒子数目作为当前粒子集；
粒子权值集确定模块，用于根据所述当前粒子集确定所述当前粒子集中每个粒子的权值，得到粒子权值集；所述粒子权值集中包括每个粒子的权值；
有效粒子数确定模块，用于根据所述粒子权值集确定有效粒子数；
第一判断模块，用于判断所述有效粒子数是否大于所述预设门限值，得到第一判断结果；
当前时刻第一状态估计滤波值确定模块，用于若所述第一判断结果表示所述有效粒子数大于所述预设门限值，根据所述粒子权值集和所述当前粒子集确定当前时刻第一状态估计的滤波值；
下一时刻第一电动闸阀故障值确定模块，用于根据所述当前时刻第一状态估计的滤波值确定下一时刻第一电动闸阀故障值；
最优正则粒子数和最优核带宽获取模块，用于若所述第一判断结果表示所述有效粒子数小于或等于所述预设门限值，获取最优正则粒子数和最优核带宽；所述最优正则粒子数和所述最优核带宽均是根据所述训练数据采用鲸鱼优化算法确定；
重采样模块，用于根据所述最优正则粒子数、所述粒子权值集和所述最优核带宽，对所述当前粒子集进行重采样，得到正则化粒子集；所述正则化粒子集中包括每个正则化粒子以及正则化粒子对应的权值；
当前时刻第二状态估计滤波值确定模块，用于根据所述正则化粒子集确定当前时刻第二状态估计的滤波值；
下一时刻第二电动闸阀故障值确定模块，用于根据所述当前时刻第二状态估计的滤波值确定下一时刻第二电动闸阀故障值；
第二判断模块，用于判断所述当前时刻是否小于预设时刻，得到第二判断结果；
更新模块，用于若所述第二判断结果表示当前时刻小于预设时刻，将所述当前时刻更新为下一时刻，返回所述当前时刻数据集获取模块；
结束模块，用于若所述第二判断结果表示当前时刻等于或大于预设时刻，结束。
7.根据权利要求6所述的基于正则化粒子滤波的电动闸阀故障确定系统，其特征在于，所述基于正则化粒子滤波的电动闸阀故障确定系统还包括：
预处理模块，用于对所述当前时刻的数据集中的数据进行预处理，得到预处理后前时刻数据集；所述预处理包括数据归一化和数据标准化。
8.根据权利要求6所述的基于正则化粒子滤波的电动闸阀故障确定系统，其特征在于，所述有效粒子数确定模块具体包括：
归一化单元，用于将所述粒子权值集中每个粒子的权值进行归一化，得到归一化粒子权值集；
有效粒子数确定单元，用于根据所述归一化粒子权值集确定有效粒子数。
9.根据权利要求6所述的基于正则化粒子滤波的电动闸阀故障确定方法，其特征在于，所述最优正则粒子数和所述最优核带宽确定过程具体包括：
训练数据集获取单元，用于获取电动闸阀历史数据，作为训练数据集；
鲸鱼种群获取单元，用于将所述训练数据集作为鲸鱼种群；所述鲸鱼种群中包括每个鲸鱼个体的位置；
适应度计算单元，用于根据所述鲸鱼种群计算所述鲸鱼种群中每个鲸鱼个体的适应度，得到适应度集；
最优个体确定单元，用于从所述适应度集中选取适应度最大值或适应度最小值对应的鲸鱼个体作为最优个体，得到最优个体所在位置；
第三判断单元，用于判断所述最优个体所在位置是否满足预设条件，得到第三判断结果；所述预设条件为目标优化函数或预设迭代次数；
最优正则粒子数和最优核带宽确定单元，用于若所述第三判断结果表示最优个体所在位置满足预设条件，根据所述最优个体所在位置和所述目标优化函数确定最优正则粒子数和最优核带宽；
随机参数和当前迭代次数获取单元，用于若所述第三判断结果表示最优个体所在位置不满足预设条件，获取随机参数和当前迭代次数；
更新单元，用于根据所述随机参数和所述当前迭代次数更新鲸鱼个体的位置，并返回所述适应度计算单元。
10.根据权利要求9所述的基于正则化粒子滤波的电动闸阀故障确定方法，其特征在于，所述更新单元具体包括：
第四判断子单元，用于判断所述随机参数是否小于0.5，得到第四判断结果；
鲸鱼个体位置更新子单元一，用于若所述第四判断结果表示所述随机参数小于0.5，根据公式X(t+1)＝Dbest·ebl·cos(2πl)+X(t)更新鲸鱼个体位置；
第一算法系数确定子单元，用于若所述第四判断结果表示所述随机参数大于或等于0.5，根据所述当前迭代次数确定第一算法系数；
第五判断子单元，用于判断所述第一算法系数是否小于1，得到第五判断结果；
鲸鱼个体位置更新子单元二，用于若所述第五判断结果表示所述第一算法系数小于1，根据公式X(t+1)＝Xbest(t)-A·Dbest更新鲸鱼个体位置；
鲸鱼个体位置更新子单元三，用于若所述第五判断结果表示所述第一算法系数大于或等于1，根据公式X(t+1)＝Xrand(t)-A·Drand更新鲸鱼个体位置；
其中，X(t+1)为更新后鲸鱼个体位置，X(t)为更新前鲸鱼个体位置，Dbest＝|Xbest(t)-X(t)|，b为常量系数，l∈[0,1]为随机向量，Xbest(t)为更新前最优个体所在位置，A为第一算法系数，Drand＝|C·Xrand(t)-X(t)|，Xrand(t)为更新前随机鲸鱼个体所在位置，C为第二算法系数。
CN202010776989.0A 2020-08-05 2020-08-05 基于正则化粒子滤波的电动闸阀故障确定方法及系统 Active CN111859773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010776989.0A CN111859773B (zh) 2020-08-05 2020-08-05 基于正则化粒子滤波的电动闸阀故障确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010776989.0A CN111859773B (zh) 2020-08-05 2020-08-05 基于正则化粒子滤波的电动闸阀故障确定方法及系统

Publications (2)

Publication Number Publication Date
CN111859773A true CN111859773A (zh) 2020-10-30
CN111859773B CN111859773B (zh) 2023-07-18

Family

ID=72971170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010776989.0A Active CN111859773B (zh) 2020-08-05 2020-08-05 基于正则化粒子滤波的电动闸阀故障确定方法及系统

Country Status (1)

Country Link
CN (1) CN111859773B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361091A (zh) * 2021-06-01 2021-09-07 杭州电力设备制造有限公司 一种esd强度估计方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160123259A1 (en) * 2013-06-11 2016-05-05 Mtu Friedrichshafen Gmbh Method for the operation of an exhaust-gas treatment system, device for controlling an exhaust-gas treatment system, exhaust-gas treatment system, engine control unit, and internal combustion engine having an exhaust-gas treatment system
US20170146433A1 (en) * 2015-11-19 2017-05-25 Northeastern University Fault isolation method of industrial process based on regularization framework
CN107246873A (zh) * 2017-07-03 2017-10-13 哈尔滨工程大学 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法
US20200034716A1 (en) * 2017-02-28 2020-01-30 Dongguan University Of Technology Global optimal particle filtering method and global optimal particle filter

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160123259A1 (en) * 2013-06-11 2016-05-05 Mtu Friedrichshafen Gmbh Method for the operation of an exhaust-gas treatment system, device for controlling an exhaust-gas treatment system, exhaust-gas treatment system, engine control unit, and internal combustion engine having an exhaust-gas treatment system
US20170146433A1 (en) * 2015-11-19 2017-05-25 Northeastern University Fault isolation method of industrial process based on regularization framework
US20200034716A1 (en) * 2017-02-28 2020-01-30 Dongguan University Of Technology Global optimal particle filtering method and global optimal particle filter
CN107246873A (zh) * 2017-07-03 2017-10-13 哈尔滨工程大学 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361091A (zh) * 2021-06-01 2021-09-07 杭州电力设备制造有限公司 一种esd强度估计方法和系统
CN113361091B (zh) * 2021-06-01 2022-05-17 杭州电力设备制造有限公司 一种esd强度估计方法和系统

Also Published As

Publication number Publication date
CN111859773B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
Li et al. A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction
Qin et al. Macroscopic–microscopic attention in LSTM networks based on fusion features for gear remaining life prediction
Lye et al. Sampling methods for solving Bayesian model updating problems: A tutorial
CN110427654B (zh) 一种基于敏感状态的滑坡预测模型构建方法及系统
CN108959778B (zh) 一种基于退化模式一致性的航空发动机剩余寿命预测方法
CN106677763B (zh) 一种基于动态集成建模的油井动液面预测方法
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN112557034B (zh) 一种基于pca_cnns的轴承故障诊断方法
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
Akpudo et al. Towards bearing failure prognostics: A practical comparison between data-driven methods for industrial applications
CN104506162A (zh) 基于ls-svr建模的高阶粒子滤波器的故障预示方法
CN110987436B (zh) 基于激励机制的轴承故障诊断方法
CN117117859B (zh) 基于神经网络的光伏发电功率预测方法及系统
CN114298134A (zh) 风电功率预测方法及装置、电子设备
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN111859773A (zh) 基于正则化粒子滤波的电动闸阀故障确定方法及系统
CN117010442A (zh) 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统
Wenqiang et al. Remaining useful life prediction for mechanical equipment based on temporal convolutional network
De la Parra et al. Full approximation of deep neural networks through efficient optimization
Dui et al. Reliability Evaluation and Prediction Method with Small Samples.
Zuhri et al. Probability Prediction for Graduate Admission Using CNN-LSTM Hybrid Algorithm
Yang et al. A general data renewal model for prediction algorithms in industrial data analytics
Zheng et al. Research on Predicting Remaining Useful Life of Equipment Based on Health Index
CN117010283B (zh) Pba车站钢管柱结构变形预测方法、系统

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
GR01 Patent grant
GR01 Patent grant