。1042 北京科技大学学报 第29卷 要步骤包括：初始群体产生、个体克隆和变异、个体 中的个体与G1个体逐个比较即计算其相互之间 成熟等阶段.在此基础上，Costa Branco等人提出了 的亲和力：如果亲和力达到阈值则将此抗体删除，另 一个具有二模块的人工免疫故障监测系统及相应的 外随机产生一个抗体代替之，直到所产生的抗体集 算法可. 合中的全部个体与G1中的个体都不匹配为止 本文提出一种基于免疫原理的故障检测及诊断 步骤3输入一个第二类抗原G2中的个体 系统其体系结构如图1所示.系统可以对原始数 A2(N维向量)，以输入的抗原为中心，将抗体集合 据模式（抗原）进行学习和记忆，产生初始抗体（检测 中的全部抗体划入A、B、C三个不同区域（如图2）， 器)：再通过进一步的抗原刺激，使抗体变异和成熟. 区域A中的抗体保持不变. 成熟的抗体（检测器）可用于设备工作状态的异常检 测：另外，成熟抗体记忆了系统不同异常工作状态下 的典型数据模式，通过对这些模式进行进一步的分 类和“标记”，其结果可应用于设备或系统的工作状 态深度监测或故障诊断 在线检测 数据输人 自己串输人初始检测 一异常检测一报告异常 器产生 故障类型标记， 故障 非己串输人进化学习 信息库 故障诊断 图2抗体变异及克隆区域划分 Fig 2 Zones for the mutation and clone of antibodies 诊断结果 步骤3.1对于落在图2中的B区域的抗体 图1基于免疫原理的故障检测及诊断系统 按下式对其逐个变异，得到新的抗体代替原抗体： Fig.I Faults detection and diagnosis system based on the im Bm+1=Bn十A2-Bm) (3) mundlogy principle 式中，Bm表示变异前的抗体向量，Bm+1表示变异后 系统由初始检测器产生、进化学习、在线异常检 的抗体向量，μ为变异系数通常取值为0≤≤1. 测、故障类型标记、故障诊断五个模块及相关的故障 步骤3.2对于落在图2中的C区域的抗体 信息库组成.系统具有动态进化学习能力.故障的 按下式产生一个新抗体取代区域C中的全部抗体： 发现和诊断则分两个层次进行：第1层次为在线异 常检测，即发现检测对象是否发生故障或即将发生 B脚十A 故障；第2层次结合故障信息库知识对故障的种类、 Bm十1= mc+1 (4) 发生部位等进行标记和诊断. 式中，B为当前位于区域C内抗体向量，mc表示 3动态免疫学习算法 其数量. 步骤3.3如果无任何抗体落在区域B或C Costa Branco等人提出的二模块人工免疫故障 中，首先将输入抗原与自己串集合中的向量逐个进 检测算法可使用实数（特征向量）编码，是一种动态 行比较，如果它与其中的某一个向量匹配，则判定输 免疫进化学习算法，其免疫应答机制并不完全照搬 入为自己模式检测器集合保持不变：如果它与其中 生物学步骤而是从有利于解决实际问题的角度，对 的全部向量都不匹配，则在区域C内一个随机位置 其适当简化.但文献[6]中未能对自己和非己两种 克隆一个抗体向量，将其加入抗体集合，并在区域A 不同性质的抗原作明确的界定；对抗原和抗体进行 中随机选取一个抗体将其删除. 亲和力匹配计算时以抗体为中心的计算方式使得计 步骤4判断第二类抗原是否输入完毕或抗体 算工作量很大，因此笔者提出一种改进的动态免疫 群体是否成熟，如是则结束，否则回到步骤3. 进化学习算法步骤如下： 步骤1以随机方式产生规模为No的初始抗 4学习算法的收敛性 体群体D0. 4.1抗体变异前后对亲和力的影响 步骤2输入第一类抗原G1中的个体，将D0 定理1按式(3)进行变异后抗体与抗原之间要步骤包括:初始群体产生 、个体克隆和变异、个体 成熟等阶段 .在此基础上, Costa Branco 等人提出了 一个具有二模块的人工免疫故障监测系统及相应的 算法[ 6] . 本文提出一种基于免疫原理的故障检测及诊断 系统, 其体系结构如图 1 所示 .系统可以对原始数 据模式(抗原)进行学习和记忆, 产生初始抗体(检测 器) ;再通过进一步的抗原刺激, 使抗体变异和成熟 . 成熟的抗体(检测器)可用于设备工作状态的异常检 测;另外, 成熟抗体记忆了系统不同异常工作状态下 的典型数据模式, 通过对这些模式进行进一步的分 类和“标记”, 其结果可应用于设备或系统的工作状 态深度监测或故障诊断. 图 1 基于免疫原理的故障检测及诊断系统 Fig.1 Faults detection and diagnosis system based on the im￾munology principle 系统由初始检测器产生、进化学习 、在线异常检 测、故障类型标记、故障诊断五个模块及相关的故障 信息库组成 .系统具有动态进化学习能力.故障的 发现和诊断则分两个层次进行 :第 1 层次为在线异 常检测, 即发现检测对象是否发生故障或即将发生 故障 ;第 2 层次结合故障信息库知识对故障的种类 、 发生部位等进行标记和诊断. 3 动态免疫学习算法 Costa Branco 等人提出的二模块人工免疫故障 检测算法 [ 6] 使用实数(特征向量) 编码, 是一种动态 免疫进化学习算法, 其免疫应答机制并不完全照搬 生物学步骤, 而是从有利于解决实际问题的角度, 对 其适当简化 .但文献[ 6] 中未能对自己和非己两种 不同性质的抗原作明确的界定 ;对抗原和抗体进行 亲和力匹配计算时以抗体为中心的计算方式使得计 算工作量很大.因此笔者提出一种改进的动态免疫 进化学习算法, 步骤如下 : 步骤 1 以随机方式产生规模为 N0 的初始抗 体群体 D0 . 步骤 2 输入第一类抗原 G1 中的个体, 将 D0 中的个体与 G1 个体逐个比较, 即计算其相互之间 的亲和力;如果亲和力达到阈值则将此抗体删除, 另 外随机产生一个抗体代替之, 直到所产生的抗体集 合中的全部个体与 G1 中的个体都不匹配为止. 步骤 3 输入一个第二类抗原 G2 中的个体 Ag2( N 维向量) , 以输入的抗原为中心, 将抗体集合 中的全部抗体划入 A 、B 、C 三个不同区域(如图 2), 区域A 中的抗体保持不变. 图2 抗体变异及克隆区域划分 Fig.2 Zones for the mutation and clone of antibodies 步骤 3.1 对于落在图 2 中的 B 区域的抗体, 按下式对其逐个变异, 得到新的抗体代替原抗体 : Bn +1 =Bn +μ( Ag2 -Bn ) ( 3) 式中, Bn 表示变异前的抗体向量, Bn +1表示变异后 的抗体向量, μ为变异系数, 通常取值为 0 ≤μ≤1 . 步骤 3.2 对于落在图 2 中的 C 区域的抗体, 按下式产生一个新抗体取代区域 C 中的全部抗体 : Bn +1 = ∑ mC j =1 Bnj +Ag2 mC +1 ( 4) 式中, Bnj为当前位于区域 C 内抗体向量, mC 表示 其数量 . 步骤 3.3 如果无任何抗体落在区域 B 或 C 中, 首先将输入抗原与自己串集合中的向量逐个进 行比较, 如果它与其中的某一个向量匹配, 则判定输 入为自己模式, 检测器集合保持不变 ;如果它与其中 的全部向量都不匹配, 则在区域 C 内一个随机位置 克隆一个抗体向量, 将其加入抗体集合, 并在区域 A 中随机选取一个抗体将其删除. 步骤 4 判断第二类抗原是否输入完毕或抗体 群体是否成熟, 如是则结束, 否则回到步骤 3 . 4 学习算法的收敛性 4.1 抗体变异前后对亲和力的影响 定理 1 按式( 3) 进行变异后抗体与抗原之间 · 1042 · 北 京 科 技 大 学 学 报 第 29 卷