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方案

本发明专利技术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。通过本发明专利技术的上述方法能提高电动闸阀故障预测的精度。

【技术实现步骤摘要】
基于正则化粒子滤波的电动闸阀故障确定方法及系统
本专利技术涉及电动闸阀故障预测
，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。
技术介绍
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(RemainingUsefulLife，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。MichaelPecht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。
技术实现思路
本专利技术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，本专利技术提供了如下方案：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·本文档来自技高网...

【技术保护点】
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：/n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；/n获取电动闸阀当前时刻的数据集；/n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；/n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；/n根据所述粒子权值集确定有效粒子数；/n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；/n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；/n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；/n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；/n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；/n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；/n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；/n判断所述当前时刻是否小于预设时刻，得到第二判断结果；/n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”；/n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。/n...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王航，徐仁义，彭敏俊，夏庚磊，夏虹，刘永阔，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23