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