CN115294674A - 一种无人艇航行状态的监测评估方法 - Google Patents

一种无人艇航行状态的监测评估方法 Download PDF

Info

Publication number
CN115294674A
CN115294674A CN202211225940.1A CN202211225940A CN115294674A CN 115294674 A CN115294674 A CN 115294674A CN 202211225940 A CN202211225940 A CN 202211225940A CN 115294674 A CN115294674 A CN 115294674A
Authority
CN
China
Prior art keywords
unmanned ship
state
monitoring
abnormal
evaluating
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
CN202211225940.1A
Other languages
English (en)
Other versions
CN115294674B (zh
Inventor
葛泉波
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202211225940.1A priority Critical patent/CN115294674B/zh
Publication of CN115294674A publication Critical patent/CN115294674A/zh
Application granted granted Critical
Publication of CN115294674B publication Critical patent/CN115294674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • 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
    • G06N3/08—Learning methods
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了异常状态监测领域的一种无人艇航行状态的监测评估方法，包括：步骤1：收集无人艇的数据，分析得到无人艇状态数据集，并对状态等级进行划分；步骤2：搭建孤立森林异常状态监测模型，对状态数据是否异常做出初步甄别；步骤3：搭建径向基网络分类模型，将状态数据输入到径向基函数神经网络中进行分类，输出为具体的故障类型，并根据其程度划分等级；步骤4：通过四种优化方法改进的PSO算法对网络参数进行寻优。本发明监测评估方法对测得的无人艇航行数据进行检测，判断数据是否含有不合理的异常值，并对异常值进行剔除、填补等操作，保证状态数据的准确性和合理性；对无人艇航行的状态进行检测诊断，及时对无人艇的姿态进行调整。

Description

一种无人艇航行状态的监测评估方法
技术领域
本发明属于异常状态监测领域，具体涉及一种无人艇航行状态的监测评估方法。
背景技术
随着人工智能技术的发展，对于能够反映机械装备运行状态的各种参数已经可以实现集中监测评估，尤其在无人控制装备领域，智能传感器的普及使得运行数据更加的丰富。
水面无人艇作为水上无人化智能装备的重要组成部分，是国内外学者的研究和发展重点，无人船在水面作业过程中要具有相应的自主智能性，其关键环节就在于对其安全稳定的自主控制，这就要求对无人艇的航行状态进行监测，因为无人艇结构复杂，并且可能要长时间在未知的水面环境下运作，难免会造成各种异常状态，会直接影响无人艇的工作能力，降低其安全性和经济性，因此对无人艇的航行姿态进行精确的姿态异常检测与评估十分必要，然而现阶段一些异常状态信号的监测以及评估判断能力仍有不足。为此我们提出一种无人艇航行状态的监测评估方法用于解决上述问题。为此我们提出一种无人艇航行状态的监测评估方法用于解决上述问题。
发明内容
针对现有技术的不足，本发明的目的在于提供一种无人艇航行状态的监测评估方法，以解决上述背景技术中提出的问题。
本发明的目的可以通过以下技术方案实现：
一种无人艇航行状态的监测评估方法，所述监测评估方法包括：
步骤1：收集无人艇的航行速度、加速度、姿态角数据，分析得到无人艇状态数据集，并对状态等级进行划分；
步骤2：搭建孤立森林异常状态监测模型，对步骤1得到的无人艇状态数据是否异常做出初步甄别；
步骤3：搭建径向基网络分类模型，将步骤2中初步甄别的无人艇状态数据输入到径向基函数神经网络中进行分类，输出为具体的故障类型，并根据其程度划分等级；
步骤4：通过四种优化方法改进的PSO算法对网络参数进行寻优。
优选地，所述步骤1中无人艇状态数据通过无人艇所搭载的上位机模块中反馈并导出。
优选地，所述步骤2中孤立森林异常状态监测模型对状态数据是否异常做出初步甄别，若正常，则无需进一步处理；若为异常状态，会继续对异常的状态进行评估和分级。
优选地，所述步骤3中径向基网络是一种以径向基函数作为其激活函数的三层前馈型局部神经网络；
网络结构为三层，包括输入层、隐含层和输出层，确定中心点后，确定映射关系，然后再对隐含层空间的输出线性加权求和得到最终输出。
优选地，所述步骤4中PSO算法中粒子依据下式更新自己的速度和位置：
Figure 137762DEST_PATH_IMAGE001
Figure 745461DEST_PATH_IMAGE002
。
优选地，所述步骤4中优化方法包括：
4.1：用Kalman滤波器原理对基本PSO算法进行改进；
4.2：根据PSO算法运行进程动态调节惯性权重
Figure 781419DEST_PATH_IMAGE003
的值；
4.3：引入模拟退火机制优化PSO算法；
4.4：引入交叉算子来加强粒子之间的信息交换。
优选地，所述4.1中改进公式如下所示：
Figure 499977DEST_PATH_IMAGE004
Figure 688513DEST_PATH_IMAGE005
Figure 716380DEST_PATH_IMAGE006
。
优选地，所述4.2中策略形式化描述如下所示：
Figure 255946DEST_PATH_IMAGE007
Figure 778194DEST_PATH_IMAGE008
。
优选地，所述4.3引用的模拟退火机制，即粒子xi在第t+1步时，用xi(t+1)取代xi(t)，同时采用温度T控制这一概率，温度T随着算法的执行缓慢下降，此时，若xi( t+1)的评价函数值差于xi(t)的评价函数值，用xi (t+1)取代xi(t)的概率不断减小，从而控制粒子使之不能从索区域中跳出。
优选地，所述4.4中交叉操作公式如下：
Figure 821237DEST_PATH_IMAGE009
Figure 20006DEST_PATH_IMAGE010
Figure 515709DEST_PATH_IMAGE011
Figure 841648DEST_PATH_IMAGE012
交叉结束时进行更新。
本发明的有益效果：
1、本发明监测评估方法可以对测得的无人艇航行数据进行检测，判断数据是否含有不合理的异常值，并对异常值进行剔除、填补等操作，保证状态数据的准确性和合理性；
2、本发明监测评估方法可以对无人艇航行的状态进行检测诊断，判断其是否处于一种危险的状态，就可以及时对无人艇的姿态进行调整，防止危险动作的发生。
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，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，还可以根据这些附图获得其他的附图。
图1是本发明方法流程图；
图2是本发明中状态分类模型示意图；
图3是本发明中径向基网络结构示意图；
图4是本发明中改进粒子群算法流程图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1至图4所示，一种无人艇航行状态的监测评估方法，方法包括：
步骤1：收集无人艇的航行数据；
无人艇的航行异常状态与无人艇运动有着密切关系，如果无人艇的运动指标处于非正常的范围内，比如航行速度过大或过小、航行加速度过大或过小、无人艇俯仰角过大或过小和无人艇滚转角的过大或过小等等。这些航行异常的数据信息都可以通过无人艇所搭载的上位机模块中反馈并导出。三轴加速度、三轴角速度、三轴磁场强度、三轴姿态角、融合高度值、气压计高度、输入电压、工作电流、传感器温度、1-2 通道 PWM 输出值。对于航行状态的评估，选择所相关需要的速度、加速度、姿态角等数据。
通过对无人艇运动状态采集并分析，得到无人艇状态数据集。并对状态等级进行划分。如图1所示。假设令速度过大、过小为A；加速度过大、过小为B；俯仰角过大、过小为C；倾斜角过大、过小为D。其中，姿态角的初值通常情况下是由加速度数据和磁场数据计算得到的。
步骤2：搭建孤立森林异常状态监测模型；
按照学习方法的不同，异常检测技术一般可分为有监督和无监督。有监督方法需要通过手工方法标记大量的行为序列以获取足够的训练样本，非常的浪费人力物力，因此拟采用一种基于孤立森林的异常检测方法作为无人艇航行状态的监测器，对状态数据是否异常做出初步甄别，如若正常，则无需进一步处理；若辨别为异常状态，会继续对异常的状态进行评估和分级。这样的评估结构可避免对所有状态数据都进行分类评估，而是对有异常的状态针对性的评估，节省系统资的同时，提升算法的时效性，更适合水面无人作业的实时性场景。
步骤3：搭建径向基网络分类模型；
将传感器收集到的无人艇航行中的速度、加速度、姿态角数据等，输入到径向基函数神经网络中进行分类，输出为具体的故障类型，并根据其程度划分等级。径向基网络是一种以径向基函数作为其激活函数的三层前馈型局部神经网络，其既有生物背景，又与函数逼近理论相配，结构简单、逼近能力强。
径向基函数是一种实值函数，而且这种函数的取值只取决于函数值到任意一点c的距离，c点称为中心点，表示为：
Figure 991394DEST_PATH_IMAGE013
任意一个满足某一点的函数值只与该点到中心点的距离有关这种特性的函数都叫做径向基函数。在神经网络结构中，常用Gaussian函数作为径向基函数，函数表示为：
Figure 111797DEST_PATH_IMAGE014
RBF网络结构通常为三层，包括输入层、隐含层和输出层，而RBF神经网络用径向基函数作为隐含层的“基”，隐含层能对输入数据进行一次从低维的模式变换到高维空间的，这样低维度线性不可分的情况到高维度就可以变得线性可分，并且这一变换过程是非线性的，也不再需要通过权来连接，只要确定RBF的中心点，就可以确定映射关系。然后再对隐含层空间的输出线性加权求和得到最终输出，这里的权也属于网络可调参数的一部分。
步骤4：多种优化方法改进的PSO算法对网络参数寻优；
PSO 算法源于对鸟类觅食行为的研究，此算法首先随机初始化一群粒子，每个粒子都是优化问题的一个可行解，并且根据目标函数确定适应值。粒子朝着当前最优粒子的方向运动，经逐代搜索获得最优解，每一代种群中都会有两个极值，一个是粒子本身找到的最优解 pbest ，一个是全种群找到的最优解 gbest ，每个粒子根据这两个极值不断更新，产生新一代群体。找到这两个极值后﹐粒子依据下式更新自己的速度和位置:
Figure 625955DEST_PATH_IMAGE001
Figure 473694DEST_PATH_IMAGE002
在公式，i = 1，2，…，N，N为粒子的总数目；
Figure 491329DEST_PATH_IMAGE015
为粒子的移动速度；
Figure 782633DEST_PATH_IMAGE016
为（0，1）区间内的随机数；
Figure 518508DEST_PATH_IMAGE017
为粒子当前位置；
Figure 435517DEST_PATH_IMAGE018
和
Figure 42079DEST_PATH_IMAGE019
为学习因子，一般都设为2；
Figure 769863DEST_PATH_IMAGE015
的最大值为
Figure 242302DEST_PATH_IMAGE020
，如果
Figure 182576DEST_PATH_IMAGE015
>
Figure 174803DEST_PATH_IMAGE020
，应令
Figure 73489DEST_PATH_IMAGE021
。公式的第一部分称为记忆项，表示上次速度大小和方向影响；公式的第二部分称为自身认知项，从当前点指向粒子自身经验最好点的一个矢量；公式的第三部分称为群体认知项，是一个从当前点指向种群最好点的矢量。ω为惯性因子，其值应为非负，当其数值较大的时候，算法的全局寻优能力强，局部寻优能力弱；反之，全局寻优能力弱，局部寻优能力强
4.1用Kalman滤波器原理对基本PSO进行改进，使得PSO在前期搜索精度增大，同时后期给PS0施加“动力”，加快其收敛速度。
卡尔曼滤波涉及随时间进行噪声观测，并使用模型信息来估计环境的真实状态。卡尔曼滤波一般用于运动跟踪问题。通过将系统转换模型应用于过滤估计，它也可用于预测。卡尔曼滤波仅限于正态噪声分布、线性转移函数和传感器函数，因此完全由几个常量矩阵和向量描述。具体地，在给定观测列向量zt+1的情况下，使用卡尔曼滤波来生成关于真实状态的置信度的正态分布。该多元分布的参数
Figure 504994DEST_PATH_IMAGE022
和
Figure 514539DEST_PATH_IMAGE023
由下列公式确定：
Figure 626851DEST_PATH_IMAGE024
Figure 680127DEST_PATH_IMAGE025
Figure 877890DEST_PATH_IMAGE026
其中，
Figure 159967DEST_PATH_IMAGE027
、
Figure 126786DEST_PATH_IMAGE028
为系统转换模型，
Figure 350963DEST_PATH_IMAGE029
、
Figure 36022DEST_PATH_IMAGE030
为传感器模型。方程要求过滤信念的起点，必须提供参数
Figure 121789DEST_PATH_IMAGE031
和
Figure 192383DEST_PATH_IMAGE032
的正态分布。
滤波之后的“真实”状态由以下分布表示:
Figure 603772DEST_PATH_IMAGE033
根据Kalman滤波器的基本原理，对PSO的公式进行改写，每个粒子都会跟踪自己的
Figure 510548DEST_PATH_IMAGE034
、
Figure 400007DEST_PATH_IMAGE035
和
Figure 328036DEST_PATH_IMAGE036
。然后，粒子用以下公式为卡尔曼过滤器生成一个观测值：
Figure 644748DEST_PATH_IMAGE037
Figure 38820DEST_PATH_IMAGE038
与PSO类似，φ从[0，2]中均匀抽取，结果为行向量。完整的观测向量是通过将位置和速度行向量连接起来做成一个列向量而得到的。
Figure 731970DEST_PATH_IMAGE039
这个观测值然后被用来生成
Figure 777155DEST_PATH_IMAGE022
和
Figure 264768DEST_PATH_IMAGE023
，一旦得到过滤值，就可以生成一个预测值
Figure 146137DEST_PATH_IMAGE040
。这时的
Figure 626665DEST_PATH_IMAGE040
和
Figure 277090DEST_PATH_IMAGE041
就共同构成一个正态分布的参数：
Figure 201183DEST_PATH_IMAGE042
所以，最终的更新公式如下所示：
Figure 304268DEST_PATH_IMAGE004
Figure 588488DEST_PATH_IMAGE005
Figure 93419DEST_PATH_IMAGE006
4.2：惯性权重
Figure 188414DEST_PATH_IMAGE003
作为PSO算法的一个重要参数，对平衡算法的收敛速度和全局搜索能力有着重要的作用。研究表明，较大的
Figure 44374DEST_PATH_IMAGE003
有利于全局搜索，并增加种群的多样性；而较小的可以提高算法的局部开采能力，加快收敛速度。因此，在众多改进的PSO算法中，根据搜索进程而动态调节惯性权重
Figure 592337DEST_PATH_IMAGE003
的值已成为一个被普遍接受的观点。而动态指数变换惯性权重，的计算基于迭代过程中粒子的表现行为，可以更好地改善全局寻优能力，在每次迭代时，充分考虑种群中全部粒子的情况，由随机因子动态调节惯性权重，新的惯性权重采用迭代过程中粒子的最大和最小适应度值的指数函数进行更新。该策略形式化描述如下所示：
Figure 217354DEST_PATH_IMAGE007
Figure 483250DEST_PATH_IMAGE008
其中,
Figure 810195DEST_PATH_IMAGE043
和
Figure 186950DEST_PATH_IMAGE044
分别是在本轮迭代中种群个体的适应度最大值和适应度最小值。h是[0,1]间的随机参数因子，T为最大迭代数，b为权重受适应度最大值的影响程度，服从[0,1]间的均匀分布。
4.3：引入模拟退火机制优化PSO；
在粒子群优化算法中引入模拟退火机制，即粒子xi在第t+1步时，按照某一概率用xi(t+1)取代xi(t)，可保证粒子不易陷入局部最优，同时采用温度T来控制这一概率，温度T随着算法的执行缓慢下降，此时，若xi( t+1)的评价函数值差于xi(t)的评价函数值，用xi(t+1)取代xi(t)的概率不断减小，从而控制粒子使之不能从有“希望”的搜索区域中跳出。但是，只有当温度下降的速度充分缓慢时，才能达到理想搜索效果，若温度下降得太快会使粒子移动的概率迅速变小，造成粒子在某一搜索区域内停滞不前。
4.4：粒子群算法的本质是利用个体极值和全局极值两个信息，来指导粒子下一步迭代位置。但是Kalman优化PSO前期的精度，对于后期仅仅加快了搜索速度，对于精度的提升并没有那么大，尤其是对于多维优化问题，算法是在算法后期存在着容易陷入局部最优点的现象，无法达到全局最优的问题。
为解决算法迭代后期陷入局部最优的可能，引入交叉算子来加强粒子之间的信息交换。搜索过程由个体最优群体最优以及个体的遗传操作共同控制，增加了粒子的多样性，以弥补后期容易陷入局部最优的缺陷，从而使算法跳出局部最优，获得全局最优解，并且算法有较快的收敛速度。每一次迭代中，取适应度好的前一半粒子直接进入下一代，后一半粒子放入一个池中两两配对，进行和遗传算法相同的交叉操作，产生和父代同样数目的子代，再和父代做比较适应度好的一半进入下一代，以保持种群的粒子数目不变。这样通过交叉既可以增加粒子多样性，跳出局部最优，还可以加快收敛速度。
对每一个粒子，根据其当前位置计算其适应值。对粒子的适应值进行排序，排序后适应度好的前面一半粒子保留直接进入下一代。后一半粒子放入一个池中随机配对，进行和遗传算法相同的选择和交叉操作，产生相同数目的子代。
交叉操作公式如下：
Figure 666473DEST_PATH_IMAGE009
Figure 103270DEST_PATH_IMAGE010
其中，x是D维的位置向量；
Figure 917511DEST_PATH_IMAGE045
和
Figure 832378DEST_PATH_IMAGE046
分别指明的是孩子成员还是父母成员的位置；p是D维均匀分布的随机数向量，p的每个分量都在[0，1]取值。
Figure 166407DEST_PATH_IMAGE011
Figure 23373DEST_PATH_IMAGE012
交叉结束事进行更新。计算子代的适应值，与父代的作比较，保留子代与父代的粒子中适应值好的一半粒子进入下一代，以保持种群数目不变。评估每一粒子的适应值。如果新粒子的当前适应度值优于其本身经历过的最好位置pbest，则将其当前位置设为其新的最好位置。对整个种群中的每个粒子，将其适应值与全局经历过的最好位置gbest 作比较，若其适应值优于整个种群的历史最好位置，就用整个群中适应度值最好的个体作为新的整体最好位置。
本文提出的新的无人艇航行状态的监测评估方法和以往状态监测与评估算法相比有如下优势：先监测后评估的结构可避免对所有状态数据都进行分类评估，而是对有异常的状态针对性的评估，节省系统资的同时，提升算法的时效性，更适合水面无人作业的实时性场景。基于多种改进PSO算法，精度高，收敛速度快，保证了算法在前中后期都能保持尽可能高的效率进行搜索；而经过改进PSO优化的径向基网络分类模型，本身作为是一种局部逼近网络，不仅学习速度快，逼近性能强，更大大降低的过拟合的可能，保证了网络的收敛误差小，分类效果更加精确。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种无人艇航行状态的监测评估方法，其特征在于，所述监测评估方法包括：
步骤1：收集无人艇的航行速度、加速度、姿态角数据，分析得到无人艇状态数据集，并对状态等级进行划分；
步骤2：搭建孤立森林异常状态监测模型，对步骤1得到的无人艇状态数据是否异常做出初步甄别；
步骤3：搭建径向基网络分类模型，将步骤2中初步甄别的无人艇状态数据输入到径向基函数神经网络中进行分类，输出为具体的故障类型，并根据其程度划分等级；
步骤4：通过四种优化方法改进的PSO算法对网络参数进行寻优。
2.根据权利要求1所述的一种无人艇航行状态的监测评估方法，其特征在于，所述步骤1中无人艇状态数据通过无人艇所搭载的上位机模块中反馈并导出。
3.根据权利要求1所述的一种无人艇航行状态的监测评估方法，其特征在于，所述步骤2中孤立森林异常状态监测模型对状态数据是否异常做出初步甄别，若正常，则无需进一步处理；若为异常状态，会继续对异常的状态进行评估和分级。
4.根据权利要求1所述的一种无人艇航行状态的监测评估方法，其特征在于，所述步骤3中径向基网络是一种以径向基函数作为其激活函数的三层前馈型局部神经网络；
网络结构为三层，包括输入层、隐含层和输出层，确定中心点后，确定映射关系，然后再对隐含层空间的输出线性加权求和得到最终输出。
5.根据权利要求1所述的一种无人艇航行状态的监测评估方法，其特征在于，所述步骤4中PSO算法中粒子依据下式更新自己的速度和位置：
Figure 522481DEST_PATH_IMAGE001
Figure 386532DEST_PATH_IMAGE002
其中，i = 1，2，…，N，N为粒子的总数目，
Figure 653434DEST_PATH_IMAGE003
为粒子的移动速度，
Figure 944738DEST_PATH_IMAGE004
为（0，1）区间内的随机数，
Figure 680613DEST_PATH_IMAGE005
为粒子当前位置，
Figure 82776DEST_PATH_IMAGE006
和
Figure 469763DEST_PATH_IMAGE007
为学习因子，设为2；
Figure 931969DEST_PATH_IMAGE003
的最大值为
Figure 155140DEST_PATH_IMAGE008
，如果
Figure 347611DEST_PATH_IMAGE003
>
Figure 339838DEST_PATH_IMAGE008
，令
Figure 972945DEST_PATH_IMAGE009
，公式的第一部分称为记忆项，表示上次速度大小和方向影响，公式的第二部分称为自身认知项，从当前点指向粒子自身经验最好点的一个矢量，公式的第三部分称为群体认知项，是一个从当前点指向种群最好点的矢量，ω为惯性因子，其值为非负，其数值大，算法的全局寻优能力强，局部寻优能力弱，反之，全局寻优能力弱，局部寻优能力强。
6.根据权利要求5所述的一种无人艇航行状态的监测评估方法，其特征在于，所述步骤4中优化方法包括：
4.1：用Kalman滤波器原理对基本PSO算法进行改进；
4.2：根据PSO算法运行进程动态调节惯性权重
Figure 683412DEST_PATH_IMAGE010
的值；
4.3：引入模拟退火机制优化PSO算法；
4.4：引入交叉算子来加强粒子之间的信息交换。
7.根据权利要求6所述的一种无人艇航行状态的监测评估方法，其特征在于，所述4.1中改进过程如下所示：
在给定观测列向量zt+1的情况下，该多元分布的参数
Figure 676644DEST_PATH_IMAGE011
和
Figure 523378DEST_PATH_IMAGE012
由下列公式确定：
Figure 327386DEST_PATH_IMAGE013
Figure 774416DEST_PATH_IMAGE014
Figure 322072DEST_PATH_IMAGE015
其中，
Figure 23312DEST_PATH_IMAGE016
、
Figure 263801DEST_PATH_IMAGE017
为系统转换模型，
Figure 932548DEST_PATH_IMAGE018
、
Figure 283895DEST_PATH_IMAGE019
为传感器模型，方程要求过滤信念的起点，必须提供参数
Figure 839641DEST_PATH_IMAGE020
和
Figure 503228DEST_PATH_IMAGE021
的正态分布；
滤波之后的真实状态由以下分布表示:
Figure 410004DEST_PATH_IMAGE022
对PSO的公式进行改写，每个粒子都会跟踪自己的
Figure 33884DEST_PATH_IMAGE023
、
Figure 975295DEST_PATH_IMAGE024
和
Figure 806854DEST_PATH_IMAGE025
，然后，粒子用以下公式为卡尔曼过滤器生成一个观测值：
Figure 935347DEST_PATH_IMAGE026
Figure 628496DEST_PATH_IMAGE027
φ从[0，2]中均匀抽取，结果为行向量，完整的观测向量是通过将位置和速度行向量连接起来做成一个列向量而得到的，
Figure 408102DEST_PATH_IMAGE028
这个观测值然后被用来生成
Figure 161295DEST_PATH_IMAGE011
和
Figure 777084DEST_PATH_IMAGE012
，一旦得到过滤值，就可以生成一个预测值
Figure 273924DEST_PATH_IMAGE029
，这时的
Figure 173616DEST_PATH_IMAGE029
和
Figure 566551DEST_PATH_IMAGE030
就共同构成一个正态分布的参数：
Figure 935216DEST_PATH_IMAGE031
最终的更新公式如下所示：
Figure 222365DEST_PATH_IMAGE032
Figure 727296DEST_PATH_IMAGE033
Figure 556711DEST_PATH_IMAGE034
。
8.根据权利要求6所述的一种无人艇航行状态的监测评估方法，其特征在于，所述4.2中策略形式化描述如下所示：
Figure 412672DEST_PATH_IMAGE035
Figure 500582DEST_PATH_IMAGE036
其中，
Figure 594440DEST_PATH_IMAGE037
和
Figure 860337DEST_PATH_IMAGE038
分别是在本轮迭代中种群个体的适应度最大值和适应度最小值，h是[0,1]间的随机参数因子，T为最大迭代数，b为权重受适应度最大值的影响程度，服从[0,1]间的均匀分布。
9.根据权利要求6所述的一种无人艇航行状态的监测评估方法，其特征在于，所述4.3引用的模拟退火机制，即粒子xi在第t+1步时，用xi(t+1)取代xi(t)，同时采用温度T控制这一概率，温度T随着算法的执行缓慢下降，此时，若xi( t+1)的评价函数值差于xi(t)的评价函数值，用xi (t+1)取代xi(t)的概率不断减小，从而控制粒子使之不能从索区域中跳出。
10.根据权利要求6所述的一种无人艇航行状态的监测评估方法，其特征在于，所述4.4中交叉操作公式如下：
Figure 187282DEST_PATH_IMAGE039
Figure 564036DEST_PATH_IMAGE040
其中，x是D维的位置向量，
Figure 43559DEST_PATH_IMAGE041
和
Figure 464045DEST_PATH_IMAGE042
分别指明的是孩子成员还是父母成员的位置，p是D维均匀分布的随机数向量，p的每个分量都在[0，1]取值；
Figure 29019DEST_PATH_IMAGE043
Figure 943885DEST_PATH_IMAGE044
交叉结束时进行更新。
CN202211225940.1A 2022-10-09 2022-10-09 一种无人艇航行状态的监测评估方法 Active CN115294674B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211225940.1A CN115294674B (zh) 2022-10-09 2022-10-09 一种无人艇航行状态的监测评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211225940.1A CN115294674B (zh) 2022-10-09 2022-10-09 一种无人艇航行状态的监测评估方法

Publications (2)

Publication Number Publication Date
CN115294674A true CN115294674A (zh) 2022-11-04
CN115294674B CN115294674B (zh) 2022-12-20

Family

ID=83833299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211225940.1A Active CN115294674B (zh) 2022-10-09 2022-10-09 一种无人艇航行状态的监测评估方法

Country Status (1)

Country Link
CN (1) CN115294674B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662937A (zh) * 2023-07-31 2023-08-29 西安交通大学城市学院 一种航空器大气数据安全监测评价方法

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080294308A1 (en) * 2007-05-23 2008-11-27 Watson Derek G Method and apparatus for real-time polars
CN101710384A (zh) * 2009-11-25 2010-05-19 北京航空航天大学 基于小生境遗传算法的改进粒子滤波方法
WO2013105869A1 (en) * 2012-01-13 2013-07-18 Pulse Function F6 Limited Telematics system with 3d inertial sensors
US20170123421A1 (en) * 2015-11-04 2017-05-04 Zoox, Inc. Coordination of dispatching and maintaining fleet of autonomous vehicles
US20170147722A1 (en) * 2014-06-30 2017-05-25 Evolving Machine Intelligence Pty Ltd A System and Method for Modelling System Behaviour
CN108564202A (zh) * 2018-03-18 2018-09-21 哈尔滨工程大学 一种基于环境预报信息的无人艇航线优化方法
US20190102689A1 (en) * 2017-10-03 2019-04-04 International Business Machines Corporation Monitoring vehicular operation risk using sensing devices
CN109711631A (zh) * 2018-12-29 2019-05-03 杭州电子科技大学 一种改进粒子群算法的智能微电网优化调度方法
CN110243599A (zh) * 2019-07-02 2019-09-17 西南交通大学 多维离群列车动车组轴箱轴承温度异常状态监测方法
US20200122656A1 (en) * 2018-10-18 2020-04-23 Northrop Grumman Systems Corporation Parametric data modeling for model based reasoners
CN111142060A (zh) * 2019-12-02 2020-05-12 国网浙江省电力有限公司 一种基于改进的bp神经网络的自适应阈值调整诊断方法
CA3119273A1 (en) * 2018-11-09 2020-05-14 Iocurrents, Inc. Machine learning-based prediction, planning, and optimization of trip time, trip cost, and/or pollutant emission during navigation
CN112884237A (zh) * 2021-03-11 2021-06-01 山东科技大学 配电网预测辅助状态估计方法及系统
CN113837454A (zh) * 2021-09-09 2021-12-24 武汉大学 一种船舶三自由度的混合神经网络模型预测方法及系统
CN114004339A (zh) * 2021-11-12 2022-02-01 广东海洋大学 一种基于宽度学习的城市照明系统调节方法、装置和存储介质
CN114077258A (zh) * 2021-11-22 2022-02-22 江苏科技大学 一种基于强化学习ppo2算法的无人艇位姿控制方法
CN114398944A (zh) * 2021-12-09 2022-04-26 西安电子科技大学 资源受限条件下的无人机在线并行异常检测方法及系统
CN114611616A (zh) * 2022-03-16 2022-06-10 吕少岚 一种基于集成孤立森林的无人机智能故障检测方法及系统
WO2022161069A1 (zh) * 2021-01-27 2022-08-04 西门子股份公司 一种动态控制系统的异常检测方法、装置和计算机可读介质
US20220316384A1 (en) * 2021-03-30 2022-10-06 Robert Bosch Gmbh Method and device for manipulation detection on a technical device in a motor vehicle with the aid of artificial intelligence methods

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080294308A1 (en) * 2007-05-23 2008-11-27 Watson Derek G Method and apparatus for real-time polars
CN101710384A (zh) * 2009-11-25 2010-05-19 北京航空航天大学 基于小生境遗传算法的改进粒子滤波方法
WO2013105869A1 (en) * 2012-01-13 2013-07-18 Pulse Function F6 Limited Telematics system with 3d inertial sensors
US20170147722A1 (en) * 2014-06-30 2017-05-25 Evolving Machine Intelligence Pty Ltd A System and Method for Modelling System Behaviour
US20170123421A1 (en) * 2015-11-04 2017-05-04 Zoox, Inc. Coordination of dispatching and maintaining fleet of autonomous vehicles
US20190102689A1 (en) * 2017-10-03 2019-04-04 International Business Machines Corporation Monitoring vehicular operation risk using sensing devices
CN108564202A (zh) * 2018-03-18 2018-09-21 哈尔滨工程大学 一种基于环境预报信息的无人艇航线优化方法
US20200122656A1 (en) * 2018-10-18 2020-04-23 Northrop Grumman Systems Corporation Parametric data modeling for model based reasoners
CA3119273A1 (en) * 2018-11-09 2020-05-14 Iocurrents, Inc. Machine learning-based prediction, planning, and optimization of trip time, trip cost, and/or pollutant emission during navigation
CN109711631A (zh) * 2018-12-29 2019-05-03 杭州电子科技大学 一种改进粒子群算法的智能微电网优化调度方法
CN110243599A (zh) * 2019-07-02 2019-09-17 西南交通大学 多维离群列车动车组轴箱轴承温度异常状态监测方法
CN111142060A (zh) * 2019-12-02 2020-05-12 国网浙江省电力有限公司 一种基于改进的bp神经网络的自适应阈值调整诊断方法
WO2022161069A1 (zh) * 2021-01-27 2022-08-04 西门子股份公司 一种动态控制系统的异常检测方法、装置和计算机可读介质
CN112884237A (zh) * 2021-03-11 2021-06-01 山东科技大学 配电网预测辅助状态估计方法及系统
US20220316384A1 (en) * 2021-03-30 2022-10-06 Robert Bosch Gmbh Method and device for manipulation detection on a technical device in a motor vehicle with the aid of artificial intelligence methods
CN113837454A (zh) * 2021-09-09 2021-12-24 武汉大学 一种船舶三自由度的混合神经网络模型预测方法及系统
CN114004339A (zh) * 2021-11-12 2022-02-01 广东海洋大学 一种基于宽度学习的城市照明系统调节方法、装置和存储介质
CN114077258A (zh) * 2021-11-22 2022-02-22 江苏科技大学 一种基于强化学习ppo2算法的无人艇位姿控制方法
CN114398944A (zh) * 2021-12-09 2022-04-26 西安电子科技大学 资源受限条件下的无人机在线并行异常检测方法及系统
CN114611616A (zh) * 2022-03-16 2022-06-10 吕少岚 一种基于集成孤立森林的无人机智能故障检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李卡: "基于数据挖掘的锅炉氮氧化物预测及控制研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
葛泉波: "Industrial Power Load Forecasting Method Based", 《IEEE TRANSACTIONS ON CYBERNETICS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662937A (zh) * 2023-07-31 2023-08-29 西安交通大学城市学院 一种航空器大气数据安全监测评价方法
CN116662937B (zh) * 2023-07-31 2023-10-20 西安交通大学城市学院 一种航空器大气数据安全监测评价方法

Also Published As

Publication number Publication date
CN115294674B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN113256066B (zh) 基于PCA-XGBoost-IRF的作业车间实时调度方法
Varsek et al. Genetic algorithms in controller design and tuning
Leng et al. An approach for on-line extraction of fuzzy rules using a self-organising fuzzy neural network
CN109800875A (zh) 基于粒子群优化和降噪稀疏编码机的化工故障检测方法
CN106482967B (zh) 一种代价敏感支持向量机机车车轮检测系统及方法
WO2001078003A1 (en) Adaptive learning system and method
AU2001252793A1 (en) Adaptive learning system and method
CN108828441A (zh) 高压断路器故障诊断方法
CN115294674B (zh) 一种无人艇航行状态的监测评估方法
CN111079926B (zh) 基于深度学习的具有自适应学习率的设备故障诊断方法
Le Goff et al. Sample and time efficient policy learning with cma-es and bayesian optimisation
CN112069723A (zh) 一种用于评估电力系统暂态稳定的方法及系统
CN112149884A (zh) 一种面向大规模学员的学业预警监测方法
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN110032069B (zh) 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法
CN111444569A (zh) 一种基于改进粒子群算法的梁结构测点优化方法
CN110263380A (zh) 一种纺丝工序级联建模分段区间参数配置方法
Addeh et al. Application of the PSO-RBFNN model for recognition of control chart patterns
CN113486926B (zh) 一种自动化码头设备异常检测系统
Gu et al. Learning fuzzy logic controller for reactive robot behaviours
CN112308229B (zh) 基于自组织映射的动态多目标演化优化方法
Mendonça et al. Fault detection and isolation of industrial processes using optimized fuzzy models
Lee et al. Genetic fuzzy tracking controllers for autonomous ground vehicles
Escobar et al. Process-monitoring-for-quality—a model selection criterion for shallow neural networks
Elsheikh An efficient classification process using supervised deep learning and robot positioning based on embedded PD-FLC

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