基于人工免疫系統(tǒng)的核心電機(jī)故障診斷方法

基于人工免疫系統(tǒng)的核心電機(jī)故障診斷方法

1人工免疫系統(tǒng)由于內(nèi)核設(shè)備的復(fù)雜性、故障樣品的采集、檢測(cè)故障的困難以及缺乏連續(xù)學(xué)習(xí)功能，因此目前的各種故障診斷方法難以直接應(yīng)用于核心設(shè)備。基于以上存在的種種問(wèn)題,本文將人工免疫系統(tǒng)引入到故障診斷領(lǐng)域。利用人工免疫系統(tǒng)的一些獨(dú)特機(jī)理,提出了一種比較適合核動(dòng)力設(shè)備的故障診斷的新方法。該方法對(duì)檢測(cè)器的克隆進(jìn)化過(guò)程進(jìn)行了改進(jìn),提高了故障診斷的識(shí)別率。通過(guò)實(shí)驗(yàn)仿真,驗(yàn)證了此種方法的可行性。2免疫部分機(jī)理綜合人工免疫系統(tǒng)的研究成果,生物免疫系統(tǒng)機(jī)理主要包括:(1)反面選擇機(jī)理;(2)克隆選擇機(jī)理;(3)親和力成熟;(4)超變異;(5)亞動(dòng)力學(xué);(6)免疫網(wǎng)絡(luò);(7)抗體多樣性;(8)初次免疫反應(yīng)和二次免疫反應(yīng);(9)免疫學(xué)習(xí)與記憶;(10)免疫模式識(shí)別。這些機(jī)理體現(xiàn)了免疫系統(tǒng)學(xué)習(xí)、記憶和模式識(shí)別能力的本質(zhì),均可用于研究新的故障診斷方法。免疫系統(tǒng)的反面選擇機(jī)理是免疫系統(tǒng)最具特色的機(jī)理。免疫系統(tǒng)的T細(xì)胞在其產(chǎn)生過(guò)程中,要在胸腺進(jìn)行檢查,凡是能識(shí)別機(jī)體自身組織(稱為自己)的T細(xì)胞都要被消除,只有那些不能識(shí)別自身組織的T細(xì)胞才允許離開(kāi)胸腺,進(jìn)入血液進(jìn)行循環(huán)。只要能夠被T細(xì)胞所識(shí)別的物質(zhì)都稱為非己。只要有非己存在,說(shuō)明機(jī)體自身出現(xiàn)異常,從而引起免疫反應(yīng),消除非己。受這種獨(dú)特的自己非己識(shí)別機(jī)理的啟發(fā),Forrest提出了檢測(cè)計(jì)算機(jī)病毒的反面選擇算法。該機(jī)理同樣可用于發(fā)展新的設(shè)備異常檢測(cè)方法,可望解決在故障樣本缺乏的情況下,對(duì)設(shè)備進(jìn)行準(zhǔn)確的異常檢測(cè)。針對(duì)核動(dòng)力系統(tǒng)所積累的資料與故障樣本少的特點(diǎn),本文主要以反面選擇機(jī)理為基礎(chǔ),介紹一種新的故障診斷方法。3基于試驗(yàn)結(jié)果的反射法檢測(cè)能力國(guó)內(nèi)外有不少的研究者,基于反面選擇算法,已經(jīng)提出了一些故障診斷方法。例如:Dasgupta等人基于免疫系統(tǒng)的反面選擇機(jī)制提出了一種用于檢測(cè)工具損壞的方法,工具的檢測(cè)被轉(zhuǎn)化為檢測(cè)切割力的改變,將檢測(cè)到的切割力變化模式與正常模式比較,確定工具是否損壞。劉樹林等人對(duì)反面選擇算法進(jìn)行改進(jìn),并進(jìn)行了深入的研究,將其應(yīng)用在旋轉(zhuǎn)機(jī)械的故障診斷中,取得較好的效果。前人所提出的基本反面選擇算法[4~6],均假設(shè)了以下幾點(diǎn):(1)檢測(cè)器只與非我空間匹配,而與自我空間不匹配;(2)只收集正常數(shù)據(jù),不考慮異常數(shù)據(jù);(3)用較少量的檢測(cè)器檢測(cè)無(wú)限種類的異常,以實(shí)現(xiàn)異常檢測(cè)的在線性、準(zhǔn)確性和魯棒性。4基于傳統(tǒng)反射斷模型的改進(jìn)方法由于傳統(tǒng)反面算法產(chǎn)生的向量檢測(cè)器只能識(shí)別出自我和非我,即設(shè)備是正常還是異常,但并不能檢測(cè)出是發(fā)生了何種故障。并且,要生成能夠覆蓋全部非我空間的向量檢測(cè)器,需要的正常樣本數(shù)非常多。因此,筆者在基于傳統(tǒng)反面選擇算法的基礎(chǔ)上,對(duì)算法進(jìn)行了一定的改進(jìn)。假設(shè):(1)檢測(cè)器只區(qū)分自我空間與非我空間;(2)數(shù)據(jù)樣本以采集正常數(shù)據(jù)為主,異常數(shù)據(jù)需要較少。故障診斷模型的建立,分為檢測(cè)器生成部分和測(cè)試部分。首先,通過(guò)傳統(tǒng)反面選擇算法產(chǎn)生檢測(cè)器,識(shí)別出自我和非我;其次,利用少量的故障樣本,對(duì)非我空間的向量檢測(cè)器進(jìn)行克隆變異進(jìn)化,產(chǎn)生識(shí)別各種不同故障的最優(yōu)檢測(cè)器,從而達(dá)到識(shí)別出各種不同故障狀態(tài)的功能。其總的設(shè)計(jì)框架如圖1所示。4.1檢測(cè)算法的描述4.1.1正常模式向量的獲取針對(duì)核動(dòng)力設(shè)備某正常工況下獲得的數(shù)據(jù),為了使數(shù)據(jù)規(guī)范化,首先對(duì)數(shù)據(jù)進(jìn)行歸一化處理。筆者采用相對(duì)于最大值和最小值之差的方法對(duì)數(shù)據(jù)進(jìn)行歸一化,歸一化的公式為:式中,xi為某一正常工況下采集到的第i個(gè)數(shù)據(jù);xmin、xmax分別為采集到數(shù)據(jù)的最小值和最大值;si為經(jīng)過(guò)歸一化后的第i個(gè)數(shù)據(jù)。其次,對(duì)經(jīng)過(guò)歸一化后的數(shù)據(jù)si按時(shí)間軸加窗函數(shù)(在此使用的是矩形窗),并通過(guò)移動(dòng)窗口的方法,得到一系列的實(shí)值向量作為正常模式向量的樣本。假設(shè)有m個(gè)數(shù)據(jù)s1、s2、…,sm,并設(shè)矩形窗窗寬width=n,窗口移動(dòng)步長(zhǎng)step=1,則經(jīng)過(guò)以上處理以后可以得到m-n+1個(gè)0~1之間的n維實(shí)值向量組成的正常模式向量樣本集合。4.1.2自我空間的表達(dá)在已知正常模式向量的基礎(chǔ)上,考慮到閾值的作用,對(duì)自己空間的描述如圖2所示。設(shè)備狀態(tài)空間T為一超立方體,自己空間S是以各正常模式向量點(diǎn)為中心,以閾值r為半徑所畫的超球體所覆蓋的區(qū)域。則非己空間NS=T-S。4.1.3非我空間向量檢測(cè)器的產(chǎn)生檢測(cè)器具有只與非我空間匹配,不與自我空間匹配的內(nèi)涵。向量檢測(cè)器具有與正常模式向量相同的維數(shù)n,但其分布在非我空間內(nèi)。對(duì)于向量檢測(cè)器d需滿足以下不等式:式中,為歐氏距離;s為自我空間的任意正常模式向量;n為正常模式向量和向量檢測(cè)器的維數(shù);r為閾值。按以上規(guī)則產(chǎn)生的向量檢側(cè)器都分布在非我空間,而無(wú)一落入自我空間。4.1.4非我空間向量檢測(cè)器的克隆變異進(jìn)化算法在介紹此算法之前,需要引入親和度的概念。這個(gè)函數(shù)是用來(lái)對(duì)檢測(cè)器進(jìn)行評(píng)價(jià)的。親和度函數(shù)(AffDegree)的定義如下:式中,表示親和力。mj為故障模式向量;mj的獲取與正常模式向量的獲取方法一致;k為故障的類別數(shù);N為對(duì)應(yīng)于每一類故障的初始檢測(cè)器向量數(shù);Fini為第i類故障的第n個(gè)向量檢測(cè)器與i類故障模式向量的歐式距離;Finj為第i類故障的第n個(gè)向量檢測(cè)器與j類故障模式向量的歐式距離;Din為相對(duì)于i類故障的第n個(gè)檢測(cè)器的親和度。歐式距離越小,表示兩個(gè)向量越接近。因此,筆者假定相對(duì)于第i類故障的向量檢測(cè)器與第i類故障模式向量的距離越小越好,即具有最小的親和力。min(Finj)-Fini,j≠i的含義為:相對(duì)于第i類故障的第n個(gè)檢測(cè)器,如果能將與Fini離得最近的故障向量區(qū)別開(kāi)來(lái),那么,其他離得更遠(yuǎn)的故障向量就更能區(qū)別了。對(duì)于每類故障,采用對(duì)每類故障分別訓(xùn)練最優(yōu)檢測(cè)器的方法。每類故障的初始檢測(cè)器分別采用基于傳統(tǒng)反面選擇算法所生成的非己空間中的部分檢測(cè)器。第一步:對(duì)第i類故障的第n個(gè)檢測(cè)器,分別求出親和力Finj。第二步:求出相對(duì)于第i類故障的第n個(gè)檢測(cè)器的親和度。第三步:將相對(duì)于第i類故障的所有N個(gè)檢測(cè)器,分別進(jìn)行以上兩步。第四步:對(duì)得到的所有N個(gè)Din從大到小進(jìn)行排序。親和度越高的,克隆數(shù)量越多,變異越小。對(duì)每類故障都進(jìn)行以上4步,通過(guò)設(shè)置親和力閾值和進(jìn)化代數(shù),得到相對(duì)于每類故障的最優(yōu)檢測(cè)器向量。4.2異常信號(hào)判斷在非我空間內(nèi),通過(guò)克隆進(jìn)化,產(chǎn)生能夠識(shí)別各種故障模式的有效檢測(cè)器以后,即可用來(lái)對(duì)設(shè)備進(jìn)行故障檢測(cè)。進(jìn)行判斷時(shí),先判斷待測(cè)模式是正常還是異常,是正常信號(hào),則停止判斷;若是異常信號(hào),再進(jìn)一步判斷。將其與各個(gè)檢測(cè)器進(jìn)行匹配,親和力最小的檢測(cè)器所對(duì)應(yīng)的故障類型即為所發(fā)生的故障類型。5大切深方案下的真實(shí)誤差分析由于直接在核動(dòng)力設(shè)備上采集信號(hào)存在著一定的困難,筆者在旋轉(zhuǎn)機(jī)械上采集信號(hào)進(jìn)行實(shí)驗(yàn)仿真,從而驗(yàn)證此方法的實(shí)用性。采用在機(jī)床上對(duì)45#鋼的細(xì)長(zhǎng)軸工件進(jìn)行切削,通過(guò)改變切削深度,使切削過(guò)程中發(fā)生顫振,以此驗(yàn)證改進(jìn)AIS算法的故障診斷識(shí)別率。圖3、圖4是檢測(cè)器采用克隆變異進(jìn)化算法進(jìn)化的過(guò)程。圖中的每一個(gè)小點(diǎn)都表示了一個(gè)進(jìn)化過(guò)程中的未成熟檢測(cè)器。虛線標(biāo)注的是當(dāng)前最優(yōu)檢測(cè)器的位置。圖3中的未成熟檢測(cè)器分布分散,表明還需要進(jìn)一步進(jìn)化,圖4中所有的檢測(cè)器都集中到一點(diǎn),表明已經(jīng)收斂到極值,已經(jīng)可以終止進(jìn)化。圖5、圖6是采用旋轉(zhuǎn)機(jī)械信號(hào)進(jìn)行模式識(shí)別的結(jié)果。檢測(cè)器的親和力越大即表明當(dāng)前狀態(tài)為該檢測(cè)器對(duì)應(yīng)狀態(tài)的可能性越大。圖5對(duì)應(yīng)的是逐漸加大切削深度的實(shí)驗(yàn)曲線。隨著切削深度的逐漸加深,工件表面出現(xiàn)了明顯的螺旋紋,即切削狀態(tài)由正常狀態(tài)逐漸演變到發(fā)生顫振。圖中狀態(tài)1標(biāo)注的粗實(shí)線為正常切削狀態(tài)對(duì)應(yīng)檢測(cè)器的親和力曲線,狀態(tài)2標(biāo)注的細(xì)實(shí)線為過(guò)渡狀態(tài)對(duì)應(yīng)檢測(cè)器的親和力曲線,狀態(tài)3標(biāo)注的虛線為顫振狀態(tài)對(duì)應(yīng)檢測(cè)器的親和力曲線。圖6對(duì)應(yīng)的是大切深方案下的親和力曲線。由于切削深度比較大,使得切削過(guò)程一開(kāi)始就陷入了不穩(wěn)定的狀態(tài)。圖中狀態(tài)1標(biāo)注的細(xì)實(shí)線,是過(guò)渡狀態(tài)對(duì)應(yīng)檢測(cè)器的親和力曲線。狀態(tài)2標(biāo)注的粗實(shí)線為正常狀態(tài)對(duì)應(yīng)檢測(cè)器的親和力曲線,狀態(tài)3標(biāo)注的虛線為顫振狀態(tài)對(duì)應(yīng)檢測(cè)器的親和力曲線。在該次信號(hào)對(duì)應(yīng)的實(shí)驗(yàn)中,未發(fā)生顫振,同時(shí)加工工件的表面質(zhì)量也與AIS改進(jìn)算法的識(shí)別結(jié)果相吻合。從模擬信號(hào)的識(shí)別效果圖中可