CN102374936A - 一种基于复杂免疫网络算法的机械故障诊断方法 - Google Patents

Abstract

一种基于复杂免疫网络算法的机械故障诊断方法：将机械故障样本作为复杂免疫算法网络的抗原，达到算法循环次数G为终止条件；首次迭代时进化代数k＝0，随机产生P个实数编码的抗体作为抗体群A_b；逐一计算抗体A_b和抗原A_g之间的亲和力f_ij；根据亲和力大小将抗体群依次平均分为多个子群体；将每个子群体分别进行变异，用新产生的抗体集中改进成员替代原抗体成员，产生新的抗体群；将步骤4中产生的新抗体群输入复杂免疫网络模型进行调节；进化代数k自增1，即k＝k+1；若满足终止条件k＝G，则终止计算；否则回到步骤3；输入待测样本，计算待测样本与上述算法中所得抗体的亲和度。

Description

一种基于复杂免疫网络算法的机械故障诊断方法

技术领域

本发明涉及设备故障诊断领域，特别是涉及一种基于免疫网络算法的机械故障诊断方法。该方法可用于解决机械故障诊断中故障识别及分类问题。

背景技术

机械故障诊断是上世纪六七十年代产生并发展起来的一门综合性边缘学科。随着科学技术的不断进步和现代化工业的迅速发展，现代设备的日趋大型化、集成化、精密化、复杂化、自动化和连续化。机械设备的故障诊断技术越来越受到重视，如果某台设备出现故障而又未能及时发现和排除，其结果不仅会导致设备本身损坏，甚至可能会给生产和质量以至人们的生命财产安全造成难以估计的严重后果。因此，研究和开发高效、实用的机械故障诊断技术，保障生产的连续性与安全性，对于减少安全事故，提高现代化大生产的经济效益和社会效益都具有非常重要的意义。

近年来，虽然陆续有一系列的故障检测和诊断方法被提出，但该领域依然存在一些问题：

1)故障样本难以获取，随着自动化水平的提高及计算机的飞速发展，对于大多数设备来说，大量的反映设备运行状态正常的数据容易获取，而故障数据的获取比较困难。这就使得一些依赖于大量样本数据的故障诊断方法难以实施，影响了故障诊断工作的开展和推广。

2)缺乏具有连续学习能力的故障诊断方法，对于实际设备来说，很难一次性获取大量故障样本，随着时间的推移，会不断有新的故障样本出现。对于一些智能故障诊断方法(如神经网络方法)，需要用新获取的样本与原先训练使用的样本一起对智能诊断系统进行训练，这将会耗费大量时间；如果原先的故障样本丢失，新的样本就不能参与对智能系统的再训练，否则原先样本训练的结果将会被刷新，造成无法弥补的损失。

3)故障诊断结果的可解释性差，如基于规则的专家系统、故障树方法等。

发明内容

本发明的目的在于提供一种基于复杂网络算法的机械故障故障诊断方法，以解决传统故障诊断方法中对故障样本数量要求高，自组织、自学习能力差等问题，为提高机械故障诊断效率及准确率提供新的方法。

为实现上述目的，本发明提供的基于复杂网络算法的机械故障故障诊断方法，其主要步骤如下：

1)将机械故障样本作为复杂免疫算法网络的抗原，设达到算法循环次数G为终止条件；

2)首次迭代时，进化代数k＝0，随机产生P个实数编码的抗体作为抗体群A_b，若入侵的抗原为以前出现过的，则从记忆矩阵中选出数量为C的记忆细胞，与新产生的抗体组成初始抗体群；

3)逐一计算抗体A_b和抗原A_g之间的亲和力f_ij；

4)根据亲和力大小将抗体群依次平均分为多个子群体；将每个子群体分别进行变异，用新产生的抗体集中改进成员替代原抗体成员，产生新的抗体群；

5)将步骤4中产生的新抗体群输入复杂免疫网络模型进行调节：

5-i)计算网络中每个抗体群的受刺激程度A_i；

5-ii)通过资源分配机制，克隆受刺激程度高的抗体群，去除受刺激程度很低的抗体群；

5-iii)对经过上述分配机制剩下的抗体群根据受激程度进行高频变异；

5-iv)将受刺激程度高的抗体群与变异后的抗体群组合，形成新的免疫网络；

5-v)循环执行步骤1-步骤4，达到循环上限H次时终止；

6)进化代数k自增1，即k＝k+1；若满足终止条件k＝G，则终止计算，否则回到步骤3；

7)输入待测样本，计算待测样本与上述算法中所得抗体的亲和度，当该距离小于阈值Q时，该抗体对应故障的计数器c_i加1，则该故障征兆属于故障i的概率为X_i＝c_i/N(i＝1，2，...，n，)，其中Q为常数，N为初始抗体数，以此得到故障诊断结果。

所述步骤2中抗体群A_b中抗体的个数P为20。

所述步骤2中从记忆矩阵中选出记忆细胞的数量C为5％。

所述步骤3中逐一计算抗体Ab和抗原Ag之间的亲和力fij的方法为：

$f_{\mathrm{ij}}=\frac{1}{1+\mathrm{\θ}{D}_{\mathrm{ij}}}$

其中，θ∈(0，1)，D_ij＝‖A_bi-A_gj‖，i＝1，2，...，N；

所述步骤4中产生新抗体群的方法为：

4-i)根据亲和力大小将抗体群依次平均分为三个子群体：亲和力最大的33％的抗体群分为A子群体，亲和力中等的33％的抗体群为B子群体和亲和力最低的其余抗体群作为C子群体；

4-ii)分别对上述子群体进行变异：

a)对于亲和力大的A子群体，依次执行以下操作：

a-1)低频变异

对于该部分子群体A的抗体空间a_m以变异率T＝{T∈(0，1)}进行低频变异，得到变异抗体集为

a-2)抗体重组

用抗体集

中的改进成员替换原抗体成员；

b)对于亲和力中等的B子群体，依次执行以下操作：

b-1)中频频变异

对于该部分子群体B的抗体空间b_m以变异率σ＝αe^-1/β进行中频变异，得到变异抗体集为

其中，N(0，1)表示期望为0，方差为1的正态分布随机数；σ表示变异率；α，β为常数；

b-2)抗体重组

用抗体集

中的改进成员替换原抗体成员；

c)对于亲和力最小的C子群体，依次执行以下操作：

c-1)高频变异

对该部分子群体C的抗体空间c_m以学习率进行高频变异，得到变异后的抗体集

变异时只对抗体的特征变异而不对类别变异，变异采用：

$c_m^{*}=c_m-p(c_m-A_{\mathrm{gj}})$

c-2)抗体重组

用抗体集

中的改进成员替换原抗体成员。

所述步骤5新抗体群输入复杂免疫网络模型进行调节的方法依次为：

5-i)计算网络中每个抗体群的受刺激程度；

在整个免疫网络内，对于每一个抗体群，根据下式计算出它们各自受激程度A_i：

$A_i={\mathrm{\α}}_1\underset{j=1}{\overset{M}{\mathrm{\Σ}}}(1-D_{i,j})+{\mathrm{\α}}_2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(1-D_{i,k})-{\mathrm{\α}}_3\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{D}_{i,k}+\mathrm{\β}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}(1-D_{i,l})$

其中，M表示抗原的数量；n为连接的B细胞的数量；D_i，j为抗原j和B细胞i之间的Eucliden距离；D_i，k为B细胞i和与之相连的B细胞k之间的Eucliden距离；D_i，l为B细胞i和辅助T细胞l之间的Eucliden距离；α_i，β为常数，

β∈(0，1)；(1-D_i，j)，(1-D_i，k)，(1-D_i，l)表示亲和力，可以看出亲和力与距离成反比；

5-ii)通过资源分配机制，克隆受刺激程度A_i最大的10％的抗体群，去除受刺激程度A_i最小的5％的抗体群；

5-iii)对经过上述步骤2去除后的剩余抗体群根据受激程度进行高频变异；

5-iv)将受刺激程度高的抗体群与变异后的抗体群组合，形成新的免疫网络；

5-v)循环执行步骤1-步骤4，达到上限H＝500次时终止。

所述步骤(7)中Q＝100。

本发明与现有技术相比的优点为：

本发明采用结合复杂免疫网络算法的故障诊断方法具有快速的异常判断能力，良好的自适应性、动平衡性以及强大的信息处理和模式识别能力特别适用于一些故障诊断数据较难获取、故障类型较多且经常出现混合故障的复杂机械设备监测和诊断当中，同时也适用于需要快速响应和设备安全性较高的场合。根据本发明的故障诊断结果，可以实施针对性的预测维修，避免设备故障的发生，提高设备的可靠性。

附图说明

图1是复杂免疫网络算法流程图；

图2基于复杂免疫网络算法的机械故障诊断方法流程图。

具体实施方式

为了验证本发明基于复杂免疫网络的机械故障诊断方法的优越性，以下结合实施例对本发明作进一步详细描述。

将本发明基于复杂免疫网络的机械故障诊断方法应用于大型旋转机械故障诊断过程，通过故障诊断正确率来验证本发明发现故障状态的能力。

1)将机械故障样本作为复杂免疫网络算法的抗原，设算法循环次数G＝500作为终止条件，初始代数k＝0；算法循环次数G可以根据抗体群具体而定，例如可以是200、300，或者是更大的数值；

2)从记忆矩阵中选出部分记忆细胞，与新产生抗体组成初始抗体群；

第一次迭代时，随机产生P(默认值P＝20)个实数编码的抗体作为抗体群A_b，若入侵的抗原为以前出现过的，则从记忆矩阵中选出C＝5％记忆细胞，与新产生抗体组成初始抗体群。这是应用了模仿免疫系统中二次相应原理，如果入侵的是新抗原，机体会产生新抗体；如果抗原为以前出现过的，机体会利用已有的抗体，提高免疫响应速度。本领域技术人员可以理解的是，在实际应用中，上述随机产生的实数编码个数可以是20以外的其他数值；根据选出的抗体多少以及记忆矩阵的大小，从记忆矩阵中选出记忆细胞的个数C也可以是其他数值。

3)计算抗体Ab和抗原Ag之间的亲和力；

逐个计算抗体A_b和抗原A_g之间的亲和力f_ij。

$f_{\mathrm{ij}}=\frac{1}{1+\mathrm{\θ}{D}_{\mathrm{ij}}}$

其中，θ∈(0，1)，D_ij＝‖A_bi-A_gj‖，i＝1，2，...，N；D_ij为第i个抗体A_bi和第j个抗原A_gi之间的欧氏距离。

这里仅以该种方法为例进行说明，也可以采用其他常用的亲和力计算方法进行计算。

4)根据上述步骤3中计算得出的亲和力大小将抗体群平均分为亲和力高的A子群体，亲和力中等的B子群体和亲和力低的C子群体。因为子群体划分过多增加计算量，且效果不明显，因此这里仅以平均非为三个子群为例进行说明。将亲和力最大的33％的抗体群分为A子群体，将亲和力中等的33％的抗体群作为B子群体，再将亲和力最小的33％的抗体群作为C子群体，分别执行低频变异、中频变异、高频变异和抗体重组等操作，产生新的抗体群；

4-i)根据亲和力大小将抗体群平均分为A子群体，B子群体和C子群体。其中亲和力最大的33％的抗体群分为A子群体，以此类推。

4-ii)分别对上述子群体进行变异：

a)对于亲和力大的A子群体，执行以下操作：

a-1)低频变异

对于该部分子群体A的抗体空间a_m以变异率T＝{T∈(0，1)}进行低频变异，得到变异抗体集为：

$a_m^{*}=T\×{\mathrm{\α}}_m$

a-2)抗体重组

用抗体集

中的改进成员替换原抗体成员，组成新的抗体集A_m；

b)对于亲和力中等的B子群体，执行以下操作：

b-1)中频变异

对于该部分子群体B的抗体空间b_m以变异率σ＝αe^-1/β进行中频变异，得到变异抗体集为：

$b_m^{*}=b_m+\mathrm{\σ}\×N\left(\mathrm{0,1}\right)$

其中，N(0，1)表示期望为0，方差为1的正态分布随机数；σ表示变异率；α，β为常数，根据具体情况来定，在本实施例中α＝1，β＝2；

b-2)抗体重组

用抗体集

中的改进成员替换原抗体成员，组成新的抗体集B_m。

c)对于亲和力最小的C子群体，执行以下操作：

c-1)高频变异

对该部分子群体C的抗体空间c_m以学习率

进行高频变异，得到变异后的抗体集

变异时只对抗体的特征变异而不对类别变异。变异采用：

$c_m^{*}=c_m-p(c_m-A_{\mathrm{gj}})$

c-2)抗体重组

用抗体集

中的改进成员替换原抗体成员，组成新的抗体集C_m。

5)将经过以上步骤重组的抗体群A_m、B_m和C_m输入复杂免疫网络模型调节：

5-i)计算网络中抗体群的受刺激程度

在整个免疫网络内，对于每一个抗体群A_m、B_m和C_m，根据下式计算出它们各自受激程度A_i：

$A_i={\mathrm{\α}}_1\underset{j=1}{\overset{M}{\mathrm{\Σ}}}(1-D_{i,j})+{\mathrm{\α}}_2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(1-D_{i,k})-{\mathrm{\α}}_3\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{D}_{i,k}+\mathrm{\β}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}(1-D_{i,l})$

其中，M表示抗原的数量；n为连接的B细胞的数量；D_i，j为抗原j和B细胞i之间的欧氏距离(Eucliden距离)；D_i，k为B细胞i和与之相连的B细胞k之间的Eucliden距离；D_i，l为B细胞i和辅助T细胞l之间的Eucliden距离；α_i，β为常数，

β∈(0，1)；(1-D_i，j)，(1-D_i，k)，(1-D_i，l)表示亲和力，可以看出亲和力与距离成反比。

5-ii)通过资源分配机制，克隆受刺激程度高的抗原群体，去除受刺激程度很低的抗原群体。

受刺激程度可以决定哪些抗体群被选来进行克隆扩增，哪些被删除。每个B细胞所分得的资源数量与它的受激程度成正比例，即受激程度越高，所分得的网络资源越多。

例如对于每一个输入网络中的抗体群A_m、B_m和C_m可以分别去除该抗体群中受激成都最大的10％的抗体群和受激程度最小的5％的抗体群。也可以根据抗体群的实际大小，去除更大或者更小比例的最大和最小受激程度抗体群。得到再次训练后的子群A_m’、B_m’和C_m’。

5-iii)根据受激程度对每个经过去除了最大和最小受激抗体群之后的三个抗体群A_m’、B_m’和C_m’分别进行高频变异。变异公式同(c-1)的高频变异公式；

5-iv)组成新的免疫网络

将受刺激程度最大的10％的抗体与高频变异后的抗体群组合，形成新的免疫网络。

将受刺激程度高的抗体群与变异后的抗体群组合，形成新的免疫网络。

5-v)循环执行步骤1-步骤4，达到上限H＝500次时终止。

6)重复执行步骤3-步骤5，若满足终止条件G等于500时终止，终止计算；

7)输入待测样本，得到故障诊断结果。

计算待测样本与上述算法中所得抗体的欧几里得距离。当该距离小于某一阈值Q时，该抗体对应故障的计数器c_i加1，则该故障征兆属于故障i的概率为X_i＝c_i/N(i＝1，2，...，n，)，其中Q为常数，在本实施例中Q＝100；N表示初始抗体数，在本实施例中N＝30。

针对上述具体问题，对本发明设计的基于复杂免疫网络的机械故障诊断方法具体描述如下：

首先，采集大型旋转机械的故障诊断样本。旋转机械的故障类型有很多种，如质量不平衡、油膜涡动、转子不对中、碰撞等，本发明以油膜涡动和质量不平衡这两种旋转机械中常见的两种故障为例，给出了旋转机械质量不平衡、油膜涡动和正常状态下的特征向量作为测试样本(见表1)。

然后依次进行以下步骤：

1)将表1中的机械故障样本作为复杂免疫网络算法的抗原，执行该故障诊断方法的步骤1，设算法循环次数G＝500作为终止条件；

2)执行该故障诊断方法的步骤2-6，使复杂免疫网络算法具有识别故障的能力；

3.执行该故障诊断方法的步骤7输入待测样本，输出故障诊断结果见表2。

表2中前三组为待测样本。后面三组表示故障诊断结果，每一组从上至下依次代表步骤(7)中的X_i。以第一组为例，结果表示表1中的“质量不平衡几率为0；油膜涡动几率为0.3；正常数据几率为1”，后面以此类推。数值取舍的标准是：数值最大的表示该组样本所发生的故障，其余不考虑。因此由表2可以看出第一组待测样本诊断结果表示该旋转机械无故障，第二组待测样本诊断结果表示该旋转机械的故障为油膜涡动，第三组待测样本诊断结果表示该旋转机械的故障为质量不平衡。

以上所述，仅为本发明中具体实施方式，但本发明的保护范围不局限于此，任何熟悉该技术的人在发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围内，因此，本发明的保护范围应以权利要求书的保护范围为准。

表1三种运行状态下特征向量样本

表2待测样本及故障诊断结果

Claims (8)

1.一种基于复杂免疫网络算法的机械故障诊断方法，主要步骤如下：

1)将机械故障样本作为复杂免疫算法网络的抗原，设达到算法循环次数G为终止条件；

2)首次迭代时，进化代数k＝0，随机产生P个实数编码的抗体作为抗体群A_b，若入侵的抗原为以前出现过的，则从记忆矩阵中选出数量为C的记忆细胞，与新产生的抗体组成初始抗体群；

3)逐一计算抗体A_b和抗原A_g之间的亲和力f_ij；

4)根据亲和力大小将抗体群依次平均分为多个子群体；将每个子群体分别进行变异，用新产生的抗体集中改进成员替代原抗体成员，产生新的抗体群；

5)将步骤4中产生的新抗体群输入复杂免疫网络模型进行调节：

5-i)计算网络中每个抗体群的受刺激程度A_i；

5-ii)通过资源分配机制，克隆受刺激程度高的抗体群，去除受刺激程度很低的抗体群；

5-iii)对经过上述分配机制剩下的抗体群根据受激程度进行高频变异；

5-iv)将受刺激程度高的抗体群与变异后的抗体群组合，形成新的免疫网络；

5-v)循环执行步骤1-步骤4，达到循环上限H次时终止；

6)进化代数k自增1，即k＝k+1；若满足终止条件k＝G，则终止计算；否则回到步骤3；

7)输入待测样本，计算待测样本与上述算法中所得抗体的亲和度，当该距离小于阈值Q时，该抗体对应故障的计数器c_i加1，则该故障征兆属于故障i的概率为X_i＝c_i/N(i＝1，2，...，n，)，其中Q为常数，N为初始抗体数，以此得到故障诊断结果。

2.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤2中抗体群A_b中抗体的个数P为20。

3.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤2中从记忆矩阵中选出记忆细胞的数量C为5％。

4.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤3中逐一计算抗体Ab和抗原Ag之间的亲和力fij的方法为：

$f_{\mathrm{ij}}=\frac{1}{1+\mathrm{\θ}{D}_{\mathrm{ij}}}$

其中θ∈(0，1)，D_ij＝‖A_bi-A_gj‖，i＝1，2，...，N；

5.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤4中产生新抗体群的方法为：

4-i)根据亲和力大小将抗体群依次平均分为三个子群体：亲和力最大的33％的抗体群分为A子群体，亲和力中等的33％的抗体群为B子群体和亲和力最低的其余抗体群作为C子群体；

4-ii)分别对上述子群体进行变异：

a)对于亲和力大的A子群体，依次执行以下操作：

a-1)低频变异

对于该部分子群体A的抗体空间a_m以变异率T＝{T∈(0，1)}进行低频变异，得到变异抗体集为：

$a_m^{*}=T\×{\mathrm{\α}}_m$

a-2)抗体重组

用抗体集

中的改进成员替换原抗体成员；

b)对于亲和力中等的B子群体，依次执行以下操作：

b-1)中频频变异

对于该部分子群体B的抗体空间b_m以变异率σ＝αe^-1/β进行中频变异，得到变异抗体集为：

$b_m^{*}=b_m+\mathrm{\σ}\×N\left(\mathrm{0,1}\right)$

其中，N(0，1)表示期望为0，方差为1的正态分布随机数；σ表示变异率；α，β为常数；

b-2)抗体重组

用抗体集

中的改进成员替换原抗体成员；

c)对于亲和力最小的C子群体，依次执行以下操作：

c-1)高频变异

对该部分子群体C的抗体空间c_m以学习率

进行高频变异，得到变异后的抗体集

变异时只对抗体的特征变异而不对类别变异，变异采用：

$c_m^{*}=c_m-p(c_m-A_{\mathrm{gj}})$

c-2)抗体重组

用抗体集

中的改进成员替换原抗体成员。

6.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤5的b-1中，α＝1，β＝2；

7.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤5新抗体群输入复杂免疫网络模型进行调节的方法依次为：

5-i)计算网络中每个抗体群的受刺激程度：

在整个免疫网络内，对于每一个抗体群，根据下式计算出各自受激程度A_i：

$A_i={\mathrm{\α}}_1\underset{j=1}{\overset{M}{\mathrm{\Σ}}}(1-D_{i,j})+{\mathrm{\α}}_2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(1-D_{i,k})-{\mathrm{\α}}_3\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{D}_{i,k}+\mathrm{\β}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}(1-D_{i,l})$

其中，M表示抗原的数量；n为连接的B细胞的数量；D_i，j为抗原j和B细胞i之间的Eucliden距离；D_i，k为B细胞i和与之相连的B细胞k之间的Eucliden距离；D_i，l为B细胞i和辅助T细胞l之间的Eucliden距离；α_i，β为常数，

β∈(0，1)；(1-D_i，j)，(1-D_i，k)，(1-D_i，l)表示亲和力，可以看出亲和力与距离成反比；

5-ii)通过资源分配机制，克隆受刺激程度A_i最大的10％的抗体群，去除受刺激程度A_i最小的5％的抗体群；

5-iii)对经过步骤2去除后的剩余抗体群根据受激程度进行高频变异；

5-iv)将受刺激程度高的抗体群与变异后的抗体群组合，形成新的免疫网络；

5-v)循环执行(1)-(4)，达到上限H＝500次时终止。

8.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤7中Q＝100。

Images