第3卷第5期 智能系统学报 Vol 3 No 5 2008年10月 CAA I Transactions on Intelligent Systems 0ct2008 一种新型免疫网络学习算法在故障诊断中的应用 李红芳2,张清华1,谢克明2 (1茂名学院计算机与电子信息学院,广东茂名525000,2太原理工大学信息工程学院,山西太原030024) 摘要:针对免疫算法对旋转机械故障进行诊断时存在多样性、去冗余方面的困难,提出了一种新型免疫网络学习算法。 该算法首次在抗体初始化过程引入了抗体抑制机制,定义了邻近抗体对本抗体的抑制阈.消除了冗余的抗体,增强了抗 体的多样性.另外该算法定义了新的学习速率,使得抗体向抗原的方向搜索速度更快.最后将该算法运用在旋转机械故 障诊断中,试验结果表明算法能有效地对5种典型故障进行分类识别. 关键词:克隆选择;故障诊断;免疫网络;无量纲指标 中图分类号:P18文献标识码:A文章编号:16734785(2008)05-0449-06 Applica tion of a novel imune network learn ing a lgor ithm to fault dagnosis LI Hong-fang,ZHANG Qing-hua',XIE Kem ing (1.College of Electronic Infomation and Computer,Maom ing University,Maom ing 525000,China;2 College of Inomation Engi- neering.Taiyuan University of Technobgy,Taiyuan 030024,China) Abstract:mmune algorithms have problems diagnosing faults in rotating machines This is due to the volume of u- nique data points they must process,and the difficulty in elim inating redundant data Hence,a novel mmune net- work leaming algorithm was fomulated,in which antibody suppression was introduced in the process of generating initial antibodies,and a supp ression threshold for antibodies with repect to neighboring antibodies was defined Redundant antibodies were elim inated,while allwing the diversity of antibodies be enhanced In addition,a new leaming rate was defined,increasing the speed antibodies search in the direction of antigens Finally,the al- gorithm was tested in fault diagnosis for rotatingmachines Expermental results indicated that this algorithm can ef fectively classify and recognize five typ ical kinds of faults Keywords:clone selection:fault diagnosis mmune netork:non-dmensional parameter 随着旋转机械日趋大型化、高速化、复杂化,设】 点,具有新颖的解决问题的能力,为故障诊断提供了 备出现故障的概率也在增加,诊断也越来越困难.而 一条新思路21基于AS的上述特点,研究员们提 现有的诊断技术在系统地运用机组状态监测数据、 出了多种AS模型,其中具有代表性的是Tim is 自动地获取知识且能进行高速推理及在线故障诊断 和De Castro!分别提出的RLAS和aNet模型,主 等方面仍存在不足.人工免疫系统(artificial mmune 要用于数据压缩和聚类.其中aNet是一种无连接、 system,AS)是模拟生物免疫系统功能的一种新型 竞争、建设性的网络.主要功能是运用免疫网络亚动 智能方法.它具有强大的信息处理能力,具备噪 力学思想,将输入数据集映射到一个规模很小的记 声忍耐、无师学习、自组织、记忆等进化学习机理,结 忆网络,以达到数据压缩的目的,并从数据集中提取 合了分类器、神经网络和机器推理等系统的一些优 相关特征.文献[8提出了一种基于自适应共振 网络和人工免疫网络智能互补融合的智能诊断策 收稿日期:2007-11-06 基金项目:广东省自然科学基金资助项目(05011905):广东省科技计 略,用于多级往复式压缩机故障诊断中,具有较优好 划资助项目(2006B12401009). 通信作者:李红芳.Email lihongfang0109@163.comm 的诊断效果.文献[9将克隆选择分类算法引入到 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.hup://www.cnki.ner
第 3卷第 5期 智 能 系 统 学 报 Vol. 3 №. 5 2008年 10月 CAA I Transactions on Intelligent System s Oct. 2008 一种新型免疫网络学习算法在故障诊断中的应用 李红芳 1, 2 ,张清华 1 ,谢克明 2 (1. 茂名学院 计算机与电子信息学院 ,广东 茂名 525000; 2. 太原理工大学 信息工程学院 ,山西 太原 030024) 摘 要 :针对免疫算法对旋转机械故障进行诊断时存在多样性、去冗余方面的困难 ,提出了一种新型免疫网络学习算法. 该算法首次在抗体初始化过程引入了抗体抑制机制 ,定义了邻近抗体对本抗体的抑制阈. 消除了冗余的抗体 ,增强了抗 体的多样性. 另外该算法定义了新的学习速率 ,使得抗体向抗原的方向搜索速度更快. 最后将该算法运用在旋转机械故 障诊断中 ,试验结果表明算法能有效地对 5种典型故障进行分类识别. 关键词 :克隆选择 ;故障诊断 ;免疫网络 ;无量纲指标 中图分类号 : TP18 文献标识码 : A 文章编号 : 167324785 (2008) 0520449206 Application of a novel immune network learn ing algor ithm to fault diagnosis L I Hong2fang 1, 2 , ZHANG Q ing2hua 1 , X IE Ke2m ing 2 (1. College of Electronic Information and Computer, Maoming University, Maom ing 525000, China; 2. College of Information Engi2 neering, Taiyuan University of Technology, Taiyuan 030024, China) Abstract: Immune algorithm s have p roblem s diagnosing faults in rotatingmachines. This is due to the volume of u2 nique data points they must p rocess, and the difficulty in elim inating redundant data. Hence, a novel immune net2 work learning algorithm was formulated, in which antibody supp ression was introduced in the p rocess of generating initial antibodies, and a supp ression threshold for antibodies with respect to neighboring antibodies was defined. Redundant antibodies were elim inated, while allowing the diversity of antibodies to be enhanced. In addition, a new learning rate was defined, increasing the speed antibodies search in the direction of antigens. Finally, the al2 gorithm was tested in fault diagnosis for rotatingmachines. Experimental results indicated that this algorithm can ef2 fectively classify and recognize five typ ical kinds of faults. Keywords: clone selection; fault diagnosis; immune network; non2dimensional parameter 收稿日期 : 2007211206. 基金项目 :广东省自然科学基金资助项目 (05011905) ;广东省科技计 划资助项目 (2006B12401009). 通信作者 :李红芳. E2mail: lihongfang0109@163. com. 随着旋转机械日趋大型化、高速化、复杂化 ,设 备出现故障的概率也在增加 ,诊断也越来越困难. 而 现有的诊断技术在系统地运用机组状态监测数据、 自动地获取知识且能进行高速推理及在线故障诊断 等方面仍存在不足. 人工免疫系统 ( artificial immune system, A IS)是模拟生物免疫系统功能的一种新型 智能方法 [ 1 ] . 它具有强大的信息处理能力 ,具备噪 声忍耐、无师学习、自组织、记忆等进化学习机理 ,结 合了分类器、神经网络和机器推理等系统的一些优 点 ,具有新颖的解决问题的能力 ,为故障诊断提供了 一条新思路 [ 223 ] . 基于 A IS的上述特点 ,研究员们提 出了多种 A IS模型 ,其中具有代表性的是 Timm is [ 4 ] 和 De Castro [ 1 ]分别提出的 RLA IS和 aiNet模型 ,主 要用于数据压缩和聚类. 其中 aiNet是一种无连接、 竞争、建设性的网络. 主要功能是运用免疫网络亚动 力学思想 ,将输入数据集映射到一个规模很小的记 忆网络 ,以达到数据压缩的目的 ,并从数据集中提取 相关特征 [ 527 ] . 文献 [ 8 ]提出了一种基于自适应共振 网络和人工免疫网络智能互补融合的智能诊断策 略 ,用于多级往复式压缩机故障诊断中 ,具有较优好 的诊断效果. 文献 [ 9 ]将克隆选择分类算法引入到 © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
·450· 智能系统学报 第3卷 电力变压器故障诊断中,能有效地对变压器故障进 将经过上述无量纲化处理后的机组故障信息分 行分类 为2组,一组作为训练抗原集,一组作为检测抗原 本文受克隆选择原理与免疫网络算法在解决与 集.然后应用克隆选择算法对其训练,生成成熟的检 自然免疫相类似的模式识别问题的启发,提出了一 测器集合。 种新的免疫网络学习算法用于旋转机械故障诊断中 13故障检测器的产生 131亲和度计算 1新型免疫网络学习算法 计算训练抗原与初始抗体之间的亲和度,通 1.1抗体初始化 常情况下,亲和度是用二者的海明距离或欧式距离 抗体所受到的激励由3部分组成:抗原对它的 来描述.海明距离用在抗原抗体为二进制串的情况, 刺激、邻近抗体对它产生的刺激、邻近抗体对它的抑 欧式距离用在抗原与抗体为实数值的情况.在以往 制.而在aNet中,抗体所受到的刺激仅考虑了抗 的文献中抗原与抗体亲和度用其欧式距离的倒数 原对它的刺激,邻近抗体对它的抑制推迟到记忆细 ,=D,来量度.在本文中的亲和度由二者之间欧 胞集产生后,删除细胞集里自识别的细胞来实现.笔 式距离的-12次方来描述.两者之间的距离越小, 者在抗体初始化过程中引入了一次抑制初始抗体 则匹配程度越高,亲和力越大 抑制.该抑制阈定义如下: f,=D克, 0=a·D,a∈0.1), D.=Ab -Ab ll,i=1..N. (3) 万=2∑ 1) 由指数函数的性质可知,当底数小于1时,函数 m(m-1)- 呈递减趋势,当亲和度用距离的~12次方度量,亲 式中:0表示抗体抑制阈,万表示抗体集Ab中所有 和度对较小的D敏感程度明显缩小了.大大地缓解 个体两两之间距离的平均值,其中m为当代网络中 了亲和度对较小的D的敏感程度 的抗体总数.该抑制阈的引进保证了网络中抗体的 132抗体选择 多样性在一个较高的水平,避免某种局部相似抗体 一次选择:将式(3)计算得到的亲和度按降序 的大量存在.它决定网络的特异性、聚类的精度和网 排列,选取其中n个高亲和度的抗体构成Ab 络的可伸缩性 集合: 在0,1区间内随机产生的一组数据,对其进 二次选择:二次选择发生在抗体克隆与变异之 行初始抑制处理.选择其中一元素,计算它和其余各 后,计算训练抗原与成熟抗体的亲和度友与前面亲 元素之间的相似度,将相似度小于阈值日的元素删 和度的计算方法一致,并从变异后得到的抗体集C' 除.在删除处补充与任何抗体一个都不相似的数据。 中选择1%亲和度高的抗体做为克隆记忆抗体集M: 如此类推直到初始抗体集中的元素两两都不相似, 133抗体克隆 并使抗体数目达到规定值. 定义1一种抗原选择几种相关的抗体进行增 12故障特征处理 殖,每种抗体细胞克隆增殖的数量与其所受到的激 将采集到的故障数据进行无量纲化处理.无 励水平成正比.受激励越大的抗体其克隆数量越多, 量纲指标是由2个具有相同量纲的量的比值组成, 反之亦然 当它描述某一特定体系时具有一定的物理意义.无 抗体克隆遵循进化论的优胜劣汰原则,只有那 量纲参数定义如下: 些受抗原激励程度高的抗体才进行克隆,那些受抗 原激励水平较低的抗体不发生克隆增殖,并逐渐死 2》 亡.将一次选择出的n个被选取的抗体,以亲和度为 比例进行克隆增殖,生成克隆集合C,亲和度越高 式中:x表示振动幅值,p(x)表示振动幅值的概率密 则对应的抗体的克隆规模越大.则克隆完成后得到 度函数 的抗体总数为 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
电力变压器故障诊断中 ,能有效地对变压器故障进 行分类. 本文受克隆选择原理与免疫网络算法在解决与 自然免疫相类似的模式识别问题的启发 ,提出了一 种新的免疫网络学习算法 ,用于旋转机械故障诊断中. 1 新型免疫网络学习算法 1. 1 抗体初始化 抗体所受到的激励由 3部分组成 :抗原对它的 刺激、邻近抗体对它产生的刺激、邻近抗体对它的抑 制 [ 4 ] . 而在 aiNet中 ,抗体所受到的刺激仅考虑了抗 原对它的刺激 ,邻近抗体对它的抑制推迟到记忆细 胞集产生后 ,删除细胞集里自识别的细胞来实现. 笔 者在抗体初始化过程中引入了一次抑制 —初始抗体 抑制. 该抑制阈定义如下 : θ = a·D, a ∈ (0, 1) , D = 2 m (m - 1) 6 m k = i+1 fAb i , Ab j 1 (1) 式中 :θ表示抗体抑制阈 , D表示抗体集 Ab中所有 个体两两之间距离的平均值 ,其中 m 为当代网络中 的抗体总数. 该抑制阈的引进保证了网络中抗体的 多样性在一个较高的水平 ,避免某种局部相似抗体 的大量存在. 它决定网络的特异性、聚类的精度和网 络的可伸缩性. 在 [ 0, 1 ]区间内随机产生的一组数据 ,对其进 行初始抑制处理. 选择其中一元素 ,计算它和其余各 元素之间的相似度 ,将相似度小于阈值 θ的元素删 除. 在删除处补充与任何抗体一个都不相似的数据. 如此类推直到初始抗体集中的元素两两都不相似 , 并使抗体数目达到规定值. 1. 2 故障特征处理 将采集到的故障数据进行无量纲化 [ 2 ]处理. 无 量纲指标是由 2个具有相同量纲的量的比值组成 , 当它描述某一特定体系时具有一定的物理意义. 无 量纲参数定义如下 : ζx = ∫ +∞ - ∞ | x | l p ( x) dx 1 l ∫ +∞ - ∞ | x | m p ( x) dx 1 m 1 (2) 式中 : x表示振动幅值 , p ( x)表示振动幅值的概率密 度函数. 将经过上述无量纲化处理后的机组故障信息分 为 2组 ,一组作为训练抗原集 ,一组作为检测抗原 集. 然后应用克隆选择算法对其训练 ,生成成熟的检 测器集合. 1. 3 故障检测器的产生 1. 3. 1 亲和度计算 计算训练抗原与初始抗体之间的亲和度 fi, j ,通 常情况下 ,亲和度是用二者的海明距离或欧式距离 来描述. 海明距离用在抗原抗体为二进制串的情况 , 欧式距离用在抗原与抗体为实数值的情况. 在以往 的文献中抗原与抗体亲和度用其欧式距离的倒数 fi, j = D - 1 i, j 来量度. 在本文中的亲和度由二者之间欧 式距离的 - 1 /2次方来描述. 两者之间的距离越小 , 则匹配程度越高 ,亲和力越大. fi, j = D - 1 2 i, j , Di, j = ‖A bi - A bj‖, i = 1, …, N1 (3) 由指数函数的性质可知 ,当底数小于 1时 ,函数 呈递减趋势 ,当亲和度用距离的 - 1 /2次方度量 ,亲 和度对较小的 D敏感程度明显缩小了. 大大地缓解 了亲和度对较小的 D的敏感程度. 1. 3. 2 抗体选择 一次选择 :将式 ( 3)计算得到的亲和度按降序 排列 , 选取其中 n 个高亲和度的抗体构成 Ab( n) 集合; 二次选择 :二次选择发生在抗体克隆与变异之 后 ,计算训练抗原与成熟抗体的亲和度 fk, j与前面亲 和度的计算方法一致 ,并从变异后得到的抗体集 C′ 中选择η%亲和度高的抗体做为克隆记忆抗体集 M; 1. 3. 3 抗体克隆 定义 1 一种抗原选择几种相关的抗体进行增 殖 ,每种抗体细胞克隆增殖的数量与其所受到的激 励水平成正比. 受激励越大的抗体其克隆数量越多 , 反之亦然. 抗体克隆遵循进化论的优胜劣汰原则 ,只有那 些受抗原激励程度高的抗体才进行克隆 ,那些受抗 原激励水平较低的抗体不发生克隆增殖 ,并逐渐死 亡. 将一次选择出的 n个被选取的抗体 ,以亲和度为 比例进行克隆增殖 ,生成克隆集合 C,亲和度越高 , 则对应的抗体的克隆规模越大. 则克隆完成后得到 的抗体总数为 ·450· 智 能 系 统 学 报 第 3卷 © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
第5期 李红芳,等:一种新型免疫网络学习算法在故障诊断中的应用 ·451 扩大以促使其较快地跳出局部极小而转向更好的区 Nc ND·N) 14) 域进行搜索,避免陷入局部寻优.该学习过程保证了 134抗体学习 新生的抗体具有充足的多样性,这是免疫系统自适 抗体学习的过程实质上是克隆细胞的变异过 应、自学习特性的重要体现 程,变异使得新产生的细胞与所选择的抗原以更高 135抑制阈的选取 的亲合力相匹配,实现抗体的多样性.抗体学习抗原 克隆抑制:从记忆抗体集M中删除亲和度D:,> 的目的是抗体尽可能逼近抗原 定义2在学习过程中每种免疫细胞学习的速 的元素:克隆抑制发生在抗体与抗体之间亲和力 率与其受抗原的激励程度的大小成反比,其受抗原 大于给定的阈值,这个抑制将使得低性能的抗体在 的激励越大,学习越慢:其受抗原的激励越小,学习 识别抗原的过程中被淘汰, 越快 网络抑制:计算记忆抗体的相似度为 对克隆后的抗体C按学习率B,进行学习,得到 Sk=M:-Mk‖,,k (6) 成熟的克隆集C' 删去那些相似度S:k<的克隆抗体元素; C'=C +B(Ab -Cx) 为抑制阈.然后将所有的记忆抗体集中起来构成克 隆记忆抗体集M.将所有的记忆与非记忆抗体集 B~Nk0.o2),0= ,k=1,Nc(5 中起来,计算所有抗体的相似度,删除所有相似度小 学习的目的是通过局部寻优使抗体朝识别抗原 于抑制阈的抗体,得到最终的抗体矩阵,即生成成熟 的方向进化.这样进化效率成为值得关注的问题.本 检测器 文提出的免疫网络学习算法,学习速率的计算方法为 14故障识别与诊断 B~Nk0,o2),0= 这步实现的二次免疫应答,用前面生成的成熟 检测器对待检测的抗原集进行识别和诊断.采用的 即抗体的学习速率满足均值为0,标准差为σ 方法是邻近分类方法:计算成熟检测器与所待检测 的正态分布随机变量.由式(5)可知·是与抗体亲 的抗原的欧式距离,检测抗原的类型由与它距离最 和力大小成反比,根据正态分布的特点,标准差是决 近的记忆抗体决定,对应的记忆抗体的类型即为检 定正态分布范围的大小,越高,σ就越小,相应产 测抗原的类型,即判断出该故障是何种故障了 正态分布随机变量的分布范围越小,则在较小领域 L5NNL用于旋转机械故障诊断的流程图 内搜索精确度更高:越低,·就越大,相应产生的 正态分布随机变量的分布范围就越大,则搜索范围 原始故障信总 无量纲化处理( 训练抗原 测试抗原 初 抗体初始化 园 体 克降抑制 度 成记 网络抑围 诊 输出结果 图INNL算法框架图 Fig 1 The frame ofN NL algprithm 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.hup://www.cnki.net
NC = 6 n i =1 round (N - Di, j·N ) 1 (4) 1. 3. 4 抗体学习 抗体学习的过程实质上是克隆细胞的变异过 程 ,变异使得新产生的细胞与所选择的抗原以更高 的亲合力相匹配 ,实现抗体的多样性. 抗体学习抗原 的目的是抗体尽可能逼近抗原. 定义 2 在学习过程中每种免疫细胞学习的速 率与其受抗原的激励程度的大小成反比 ,其受抗原 的激励越大 ,学习越慢;其受抗原的激励越小 ,学习 越快. 对克隆后的抗体 C按学习率 βk 进行学习 ,得到 成熟的克隆集 C′ C′= Ck +βk (A bi - Ck ) , βk ~Nk (0,σ2 ) ,σ = 1 fi, j , k = 1, …, NC 1 (5) 学习的目的是通过局部寻优使抗体朝识别抗原 的方向进化. 这样进化效率成为值得关注的问题. 本 文提出的免疫网络学习算法,学习速率的计算方法为 βk ~Nk (0,σ2 ) ,σ = 1 fi, j , k = 1, …, NC 1 即抗体的学习速率满足均值为 0,标准差为 σ 的正态分布随机变量. 由式 ( 5)可知 σ是与抗体亲 和力大小成反比 ,根据正态分布的特点 ,标准差是决 定正态分布范围的大小 , fi, j越高 ,σ就越小 ,相应产 正态分布随机变量的分布范围越小 ,则在较小领域 内搜索精确度更高; fi, j越低 ,σ就越大 ,相应产生的 正态分布随机变量的分布范围就越大 ,则搜索范围 扩大以促使其较快地跳出局部极小而转向更好的区 域进行搜索 ,避免陷入局部寻优. 该学习过程保证了 新生的抗体具有充足的多样性 ,这是免疫系统自适 应、自学习特性的重要体现. 1. 3. 5 抑制阈的选取 克隆抑制 :从记忆抗体集 M 中删除亲和度 Dk, j > θd的元素;克隆抑制发生在抗体与抗体之间亲和力 大于给定的阈值 ,这个抑制将使得低性能的抗体在 识别抗原的过程中被淘汰. 网络抑制 :计算记忆抗体的相似度为 Si, k = ‖M j, i - M j, k ‖, Π i , k1 (6) 删去那些相似度 Si, k <θS 的克隆抗体元素;θS 为抑制阈. 然后将所有的记忆抗体集中起来构成克 隆记忆抗体集 M 3 j . 将所有的记忆与非记忆抗体集 中起来 ,计算所有抗体的相似度 ,删除所有相似度小 于抑制阈的抗体;得到最终的抗体矩阵 ,即生成成熟 检测器. 1. 4 故障识别与诊断 这步实现的二次免疫应答 ,用前面生成的成熟 检测器对待检测的抗原集进行识别和诊断. 采用的 方法是邻近分类方法 :计算成熟检测器与所待检测 的抗原的欧式距离 ,检测抗原的类型由与它距离最 近的记忆抗体决定 ,对应的记忆抗体的类型即为检 测抗原的类型 ,即判断出该故障是何种故障了. 1. 5 N INL用于旋转机械故障诊断的流程图 图 1 N INL算法框架图 Fig. 1 The frame of N INL algorithm 第 5期 李红芳 ,等 :一种新型免疫网络学习算法在故障诊断中的应用 ·451· © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
·452· 智能系统学报 第3卷 16新型免疫算法性能分析 120 0.18 与aNet的比较结果如图2(a)~(d),结果说 0.l6 100 0. 明如表(1)所示 80 2 0.1 120 0.07 60 0.08 0.06 100 0.06 40 0.04 形 0.05 0.02 20 ◆,**中4中+ 0 51015 0 51015 60 0.04 迭代次数 迭代次数 0 0.03 (d)gen=20时NTNL算法的树络规模 与精度随gen的变化情沉 20 0.02 204060 0.016 204060 图2NNL算法性能分析图 迭代次数 迭代次数 Fig 2 The perfomance analysis of the N NL algorithm (a)gen=50时aiNet算法的树络规模 本文提出的算法具有如下特点:抗体的促进和 与精度随gcn的变化情况 和抑制采用多次、动态方式.通过独特型网络动力学 循环促进和抑制抗体浓度,更客观地对群体进行更 新,加快免疫算法在后期的收敛速度.算法的收敛性 与独特型网络动力学方程的参数相关,而这些参数 140 0.16 是可调节的.在算法过程中不断修改记忆库中的记 0 0.14 0.12 忆元素,进一步保证免疫算法的收敛性.它通过独特 0.10 型网络动力学微分方程来促进或抑制抗体浓度,控 0.08 制抗体产生,体现了免疫反应的自我调节功能 0.06 40 表INL与aNet此较结果 0.04 Table 1 20 The comparing results of NNL with a Net 4+4t特*4n+4料 0.02 aNet NNL 5101520 0 5101520 迭代次数 迭代次数 设定迭代次数 50 20 50 20 (b)gen=50时NNL笄法的网络规模 实际迭代次数 50 20 16 14 与精度随gen的变化情况 是否达到精度 否 否 是 是 网络规模 14 14 20 21 对应图示 图2(a)图2(b)图2(c)图2(d) 140 0.25 120 2 机组故障诊断实验分析 0.20 100 本试验中,采用位移时域振动波形对低,中频 0.15 80 基础松、弯轴、偏心、裂轴、不对中)典型的5种旋 60 0.10 转机械转子故障进行测试.首先对试验机组进行基 0.05 础水平轴平衡轴系对中标定,先充分取得机组正 常运行的5种无量纲指标值,再分别进行基础松动、 06 0 5 1015 裂纹轴、弯轴试验,在每次进行新试验之前,必须对 迭代次数 迭代次数 (c)gen=20时aiNet算法的树络规模 机组重新进行基础水平、轴平衡、轴系对中标定.机 与精度随gcn的变化情况 组的转速设定在1500rmn,试验中,按1024点为 组进行采样,每个指标各取50个组,按各指标50 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.nei
1. 6 新型免疫算法性能分析 与 aiNet的比较结果如图 2 ( a) ~ ( d) ,结果说 明如表 (1)所示. 图 2 N INL算法性能分析图 Fig. 2 The performance analysis of the N INL algorithm 本文提出的算法具有如下特点 :抗体的促进和 和抑制采用多次、动态方式. 通过独特型网络动力学 循环促进和抑制抗体浓度 ,更客观地对群体进行更 新 ,加快免疫算法在后期的收敛速度. 算法的收敛性 与独特型网络动力学方程的参数相关 ,而这些参数 是可调节的. 在算法过程中不断修改记忆库中的记 忆元素 ,进一步保证免疫算法的收敛性. 它通过独特 型网络动力学微分方程来促进或抑制抗体浓度 ,控 制抗体产生 ,体现了免疫反应的自我调节功能. 表 1 N INL与 a iNet比较结果 Table 1 The com par ing results of N INL with a iNet aiNet N INL 设定迭代次数 50 20 50 20 实际迭代次数 50 20 16 14 是否达到精度 否 否 是 是 网络规模 14 14 20 21 对应图示 图 2 ( a) 图 2 ( b) 图 2 ( c) 图 2 ( d) 2 机组故障诊断实验分析 本试验中 ,采用位移时域振动波形对低 ,中频 (基础松、弯轴、偏心、裂轴、不对中 )典型的 5种旋 转机械转子故障进行测试. 首先对试验机组进行基 础水平、轴平衡、轴系对中标定 ,先充分取得机组正 常运行的 5种无量纲指标值 ,再分别进行基础松动、 裂纹轴、弯轴试验 ,在每次进行新试验之前 ,必须对 机组重新进行基础水平、轴平衡、轴系对中标定. 机 组的转速设定在 1 500 r/m in,试验中 ,按 1 024点为 一组进行采样 ,每个指标各取 50个组 ,按各指标 50 ·452· 智 能 系 统 学 报 第 3卷 © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
第5期 李红芳,等:一种新型免疫网络学习算法在故障诊断中的应用 ·453 个组中的最小值与最大值作为该指标的取值范围, 本文提出的算法分别进行上述5种故障试验, 如表2所示.将获得数据先进行归一化处理,然后用 表25种故障无量纲指标 Table 2 The non-di ensional parameters of five faults 状态 基础松 裂轴 偏心 弯轴 不对中 峰值 1482315188 354-39 39363-45.851 39.39.363 46517~48511 裕度 47.855.-50448 55648-60936 67.7677046 64682-67767 78978-8394 脉冲 49297-53635 67.095~68721 77.842-81856 68721-73061 7698-77842 波形 1302~-1.323 1.335~1378 1.325-1.333 1.323-1325 1.278-1.302 峭度 241-2558 2558-2576 2576~-2589 2611-2616 2401-241 疫网络算法学习的算法学习之后对抗原的逼近程度 21参数的设定 很高 按上述算法设定参数: 0.9 抗原中最佳匹配的个数n为5:克隆的数目N 0.8 为8:复选克隆数目的比例n为20%:迭代次数取 0.7 15:0,和0,分别为克隆抑制阈和网络抑制阈,由式 0.6 (1)给出. .0.5 ×弯轴 22实验结果 0.4 +偏心轴 口基础松 将上述算法应用于旋转机组的故障诊断中,结 0.3 。裂轴 0.2 ?轴不对中 果表明本文提出的算法对具有敏感特征的5种故障 0. 都能准确识别,诊断效果良好.如图3、4所示.图中 0.10.20.30.40.50.60.70.80.9 给出了5种故障的峰值指标的训练故障数据和经过 NNL学习后的记忆抗体.分别用5种不同的形状代 图4用NNL算法对5种故障分类 表不同的故障样本.其中小正方形代表基础松,小圆 Fig 4 Classify the five kinds of faults with N NL 圈代表裂轴,小倒三角表示轴不对中,小十字表示偏 3结束语 心轴,小叉表示弯轴 本文提出的免疫网络学习算法,首次在抗体初 0.9 始化过程引入了抗体抑制,不仅仅在消除冗余的抗 0.8 0.7 体,而且增强抗体的多样性方面都有好的效果.该算 0.6 法重新定义了学习速率,使得抗体向抗原的方向搜 0.5 弯轴 索速度更快,并与aNet算法作了比较,试验结果表 0.4 +偏心轴 口基松 明该算法在搜索速度上要比后者快得多.最后将该 0.3 。裂轴 0.2 轴不对 算法运用在机组故障诊断中,经过NNLA学习后的 0b102030.40.50.60.70.80.9 抗体能良好地逼近测试的故障数据, 图3无量纲处理后的故障数据 参考文献: Fig 3 The five faults of the non-dmensonal parameter [1 ]De CASTRO L N.An evolutionary mmune system netork 图3为训练样本经过无量纲处理后的故障数 for data clustering[C]//Proceedings of B razilian Symposi- 据,图4为新型免疫网络学习算法对抗原样本学习 um on Neural Netorks IEEE Computer Society Press, 后得到的数据.对照两图可以看出抗体经过新型免 2000:84-89 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
个组中的最小值与最大值作为该指标的取值范围 , 如表 2所示. 将获得数据先进行归一化处理 ,然后用 本文提出的算法分别进行上述 5种故障试验. 表 2 5种故障无量纲指标 Table 2 The non2d im en siona l param eters of five faults 状态 基础松 裂轴 偏心 弯轴 不对中 峰值 14. 823~15. 188 35. 4~39 39. 363~45. 851 39 - 39. 363 46. 517~48. 511 裕度 47. 855 - ~50. 448 55. 648~60. 936 67. 767~70. 46 64. 682~67. 767 78. 978~83. 94 脉冲 49. 297~53. 635 67. 095~68. 721 77. 842~81. 856 68. 721~73. 061 76. 98~77. 842 波形 1. 302~1. 323 1. 335~1. 378 1. 325~1. 333 1. 323~1. 325 1. 278~1. 302 峭度 2. 41~2. 558 2. 558~2. 576 2. 576~2. 589 2. 611~2. 616 2. 401~2. 41 2. 1 参数的设定 按上述算法设定参数 : 抗原中最佳匹配的个数 n为 5;克隆的数目 N 为 8;复选克隆数目的比例 η为 20%;迭代次数取 15;θS 和 θd 分别为克隆抑制阈和网络抑制阈 ,由式 (1)给出. 2. 2 实验结果 将上述算法应用于旋转机组的故障诊断中 ,结 果表明本文提出的算法对具有敏感特征的 5种故障 都能准确识别 ,诊断效果良好. 如图 3、4所示. 图中 给出了 5种故障的峰值指标的训练故障数据和经过 N INL学习后的记忆抗体. 分别用 5种不同的形状代 表不同的故障样本. 其中小正方形代表基础松 ,小圆 圈代表裂轴 ,小倒三角表示轴不对中 ,小十字表示偏 心轴 ,小叉表示弯轴. 图 3 无量纲处理后的故障数据 Fig. 3 The five faults of the non2dimensional parameter 图 3为训练样本经过无量纲处理后的故障数 据 ,图 4为新型免疫网络学习算法对抗原样本学习 后得到的数据. 对照两图可以看出抗体经过新型免 疫网络算法学习的算法学习之后对抗原的逼近程度 很高. 图 4 用 N INL算法对 5种故障分类 Fig. 4 Classify the five kinds of faults with N INL 3 结束语 本文提出的免疫网络学习算法 ,首次在抗体初 始化过程引入了抗体抑制 ,不仅仅在消除冗余的抗 体 ,而且增强抗体的多样性方面都有好的效果. 该算 法重新定义了学习速率 ,使得抗体向抗原的方向搜 索速度更快 ,并与 aiNet算法作了比较 ,试验结果表 明该算法在搜索速度上要比后者快得多. 最后将该 算法运用在机组故障诊断中 ,经过 N INLA学习后的 抗体能良好地逼近测试的故障数据. 参考文献 : [ 1 ]De CASTRO L N. An evolutionary immune system network for data clustering[ C ] / / Proceedings of Brazilian Symposi2 um on Neural Networks. IEEE Computer Society Press, 2000: 84289. 第 5期 李红芳 ,等 :一种新型免疫网络学习算法在故障诊断中的应用 ·453· © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
·454· 智能系统学报 第3卷 [2胀清华.基于人工免疫系统的机组故障诊断技术研究 cating comp ressor based on ART-artificial mmune netork [D].广州:华南理工大学,2004 [J].Chinese Joumal ofMechanical Engineering,2002,38 ZHANG Q inghua The research on technique of fault diagno- (4):88-90 sis based-on artificial mmune system D ]Guangzhou: [9熊浩,孙才新.基于克隆选择分类算法的电力变压器故 South China University of Technolgy,2004 障诊断[J]电网技术,2006,30(4):6568 [3李春华,朱燕飞,毛宗源.一种新型的自适应人工免疫算 X DNG Hao,SUN Caixin Power transomer fault diagnosis 法[J]计算机工程与应用,2004,22:84-87 based on clone selection classification algorithm [J].Power LIChunhua,ZHU Yanfei,HAO Zhongyuan A novel adap- System Technology,2006,30(4):65-68 tive artificial mmune algorithm [J].Computer Engineering 作者简介: and Applicatons,2004,22:84-87. 李红芳,女,1983年生,硕士研究 [4]TMM IS J.A resource lmited artificial imune system for 生,主要研究方向为智能信息处理、故 data analysis[J].Knowledge Based Systems,2002,14:121- 障诊断、人工免疫系统.发表学术论文5 130 篇 [5岳训,迟忠先,莫宏伟.人工免疫网络模型的数据特征 提取性能评价技术[J]小型微型计算机系统,2007,28 张清华,男,1965年生,博士,教授. (5):886-890 主要研究方向为智能控制、计算机仿 YUE Xun,CHI Zhongxian,MO Hongwei Evaluating ap- 真、故障诊断等,曾获国家软件著作权 proach on feature extraction permance of aritificial mmune 授权因家专利、广东省科技奖三等奖、 neworks[J ]Joumal of Chinese Computer Systems,2007, 茂名市科技进步二等奖等.发表学术论 28(5):886-890 文30多篇,多篇被EL ISTPL收录 [6 ]De CASTRO L N,TMM IS J.A tificial mmune systems as a 谢克明,男,1944年生,教授,博士 novel soft computing paradign [J].Soft Computing.2003,7 生导师,主要研究方向为智能信息处 (8):526-544 理、智能控制理论及应用、进化计算、人 [7]TMM S J,NEAL M,Hunt J.An artificial imune systems 工免疫系统等.参研国家“863项目2 for data analysis[M ]B iosytems,2000:143-150 项,主持6项省部级科研项目和横向项 [8杜海峰,王孙安.基于ART人工免疫网络的多级压缩机 目.5年来,发表学术论文100余篇,其 故障诊断[J]机械工程学报,2002,38(4):8890 中多篇被EL STP、SA等收录. DU Haifeng.WANG Sunan Fault diagnosis of the recipo 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
[ 2 ]张清华. 基于人工免疫系统的机组故障诊断技术研究 [D ]. 广州 :华南理工大学 , 2004. ZHANG Q inghua. The research on technique of fault diagno2 sis based2on artificial immune system [ D ]. Guangzhou: South China University of Technology, 2004. [ 3 ]李春华 ,朱燕飞 ,毛宗源. 一种新型的自适应人工免疫算 法 [J ]. 计算机工程与应用 , 2004, 22: 84287. L I Chunhua, ZHU Yanfei, HAO Zhongyuan. A novel adap2 tive artificial immune algorithm [J ]. Computer Engineering and App lications, 2004, 22: 84287. [ 4 ] TIMM IS J. A resource limited artificial immune system for data analysis[J ]. Knowledge Based System s, 2002, 14: 1212 130. [ 5 ]岳 训 ,迟忠先 ,莫宏伟. 人工免疫网络模型的数据特征 提取性能评价技术 [J ]. 小型微型计算机系统 , 2007, 28 (5) : 8862890. YUE Xun, CH I Zhongxian, MO Hongwei. Evaluating ap2 p roach on feature extraction performance of aritificial immune networks[J ]. Joumal of Chinese Computer System s, 2007, 28 (5) : 8862890. [ 6 ]De CASTRO L N, TIMM IS J. A tificial immune system s as a novel soft computing paradigm [J ]. Soft Computing, 2003, 7 (8) : 5262544. [ 7 ] TIMM IS J, NEAL M, Hunt J. An artificial immune systems for data analysis[M ]. Biosytems , 2000: 1432150. [ 8 ]杜海峰 ,王孙安. 基于 ART2人工免疫网络的多级压缩机 故障诊断 [J ]. 机械工程学报 , 2002, 38 (4) : 88290. DU Haifeng,WANG Sun’an. Fault diagnosis of the recip ro2 cating comp ressor based on ART2artificial immune network [J ]. Chinese Journal of Mechanical Engineering, 2002, 38 (4) : 88290. [ 9 ]熊 浩 ,孙才新. 基于克隆选择分类算法的电力变压器故 障诊断 [J ]. 电网技术 , 2006, 30 (4) : 65268. X IONG Hao, SUN Caixin. Power transformer fault diagnosis based on clone selection classification algorithm [J ]. Power System Technology, 2006, 30 (4) : 65268. 作者简介 : 李红芳 ,女 , 1983 年生 ,硕士研究 生 ,主要研究方向为智能信息处理、故 障诊断、人工免疫系统. 发表学术论文 5 篇. 张清华 ,男 , 1965年生 ,博士 ,教授. 主要研究方向为智能控制、计算机仿 真、故障诊断等. 曾获国家软件著作权 授权、国家专利、广东省科技奖三等奖、 茂名市科技进步二等奖等. 发表学术论 文 30多篇 ,多篇被 EI、ISTP收录. 谢克明 ,男 , 1944年生 ,教授 ,博士 生导师 ,主要研究方向为智能信息处 理、智能控制理论及应用、进化计算、人 工免疫系统等. 参研国家“863”项目 2 项 ,主持 6项省部级科研项目和横向项 目. 5年来 ,发表学术论文 100余篇 ,其 中多篇被 EI、ISTP、SA等收录. ·454· 智 能 系 统 学 报 第 3卷 © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net