CN103149878A - 多智能体结构的数控机床故障诊断系统的自适应学习机制 - Google Patents

Abstract

本发明为基于多智能体技术的数控机床故障诊断系统设计了一种基于人工免疫网络的自适应学习机制，提出了免疫网络的结构模型和免疫调节算法，涉及数控系统故障诊断领域。确定人工免疫网络结构模型；根据抗原相似度的免疫调节算法来生成免疫网络中的抗体，得到记忆抗体集N_ab；根据免疫作用与距离的反比性质，求得网络中各抗体的综合免疫反应能力。本发明适合复杂问题求解具有避免局部极小，摆脱专家经验束缚，算法速度快、精度高的特点。

Description

多智能体结构的数控机床故障诊断系统的自适应学习机制

技术领域

本发明为基于多智能体技术的数控机床故障诊断系统设计了一种基于人工免疫网络的自适应学习机制，提出了免疫网络的结构模型和免疫调节算法，涉及数控系统故障诊断领域。

背景技术

故障诊断一直是数控系统设计的核心单元之一，也是最能体现其智能化程度的功能模块。数控系统属于大型复杂模糊知识系统，其故障诊断具有知识量大，各子系统间的关系复杂，知识获取和知识表达方法多种多样等特点。传统的专家系统构建方法在模糊知识推理，诊断知识学习等方面表现的非常无力，已无法满足系统分布式、柔性自动化的发展需求。随着分布式人工智能技术的成熟，多智能体技术以其执行效率高，系统的可扩充性、适应性强等特性，开始被广泛应用于构建分布式控制系统。采用多智能体技术来控制和协调数控机床故障诊断系统中的信息共享和交流，可以在故障诊断过程及信息资源的广度和深度上实现系统的整合。

为保障基于多智能技术的数控机床故障诊断系统的高效性，除了要设计与多智能体技术匹配的知识模型及推理算法，还要保证其知识库中的诊断知识足够丰富。但现实中，任何知识库在初始构建时都不可能涵盖其故障诊断过程中所要用到的全部知识。因此需要设计一种学习机制，能够在生产及诊断过程中发现和学习新的故障规则，使得知识库能不断的更新、完善。当前主流的学习方法包括贝叶斯分类方法、神经网络方法、决策树方法、支持向量机等方法，这些方法各有各的优势，在许多学科领域中均有广泛的应用。但他们都有一个共同的缺点，就是对专家经验的依赖性，其网络权值、隐含参数、向量阙值等变量均要依靠专家经验来进行定义。因此，为实现机床故障知识的自动学习功能就必须重新设计一种与多智能体系统特征相匹配的知识自学习机制。

发明内容

针对现有技术的不足，本发明要解决的技术问题是提供一种能够有效避免专家经验知识依赖、学习效率高的诊断知识自适应学习机制。

本发明为实现上述目的所采用的技术方案是：基于多智能体技术的数控机床故障诊断系统的自适应学习机制，包括以下步骤：

确定人工免疫网络结构模型，设定X为免疫网络的输入故障特征集，即入侵未知系统的抗原；网络节点P为免疫网络中间节点，即对抗原进行免疫反应的抗体；Y为输出的目标故障集，即免疫系统中抗体对入侵抗原的综合反应结果；

根据抗原相似度的免疫调节算法来生成免疫网络中的抗体，得到记忆抗体集N_ab；

根据免疫作用与距离的反比性质，求得网络中各抗体的综合免疫反应能力。

所述抗原相似度的免疫调节算法包括以下步骤：

计算所有抗原相似度r_i；

选择相似度最大的抗原作为优先清除对象，生成识别该抗原的抗体，将生成的抗体放置于原抗原的位置，同时清除相似度小于激活阙值的抗原；

在抗原被清除时，必然会对数据集中的其他抗原相似度产生相应的影响。因此，重新计算所有抗原的相似度，再次清除r_i最大的抗原和r_i＜σ_d的抗原，生成二次调节的抗体，σ_d为激活阙值；

迭代计算，直到完成对全部抗原的免疫反应，得到抗体集N_xy：

对N_xy进行网络抑制；计算N_xy中所有抗体的相似度r_ij，对N_xy中相似度大于抑制因子σ_t的进行抑制，经过网络抑制后得到的抗体集即为最终的记忆抗体集N_ab。

所述抗原相似度的计算公式为：

$r_i=\frac{{\mathrm{\Σ}}_{i=1}^n(X_i-\stackrel{\‾}{X})(Y_i-\stackrel{\‾}{Y})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(X_i-\stackrel{\‾}{X})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^n{(Y_i-\stackrel{\‾}{Y})}^2}}---\left(1\right)$

其中，X_i∈X，n是X中抗原个数，i为小于等于n的正整数；Y_i∈Y；所述抗原相似度r_i是皮尔森相关系数，r_i∈[-1，1]。

所述激活阙值σ_d计算公式为：

${\mathrm{\σ}}_d=\frac{\sqrt{{\mathrm{\Σ}}_1^n{r}_i^2}}{n}---\left(2\right)$

所述抑制因子σ_t计算公式为：

${\mathrm{\σ}}_t={\left(\frac{\mathrm{\Σ}{r}_i}{m}\right)}^{\frac{1}{m}}---\left(3\right)$

其中，n是X中抗原个数；i为小于等于n的正整数；r_i为抗原相似度。

所述抗体综合免疫反应能力Yj计算公式为：

$Y_j={\mathrm{\Σ}}_{i=1}^{N_{\mathrm{ab}}}[q_i\×\mathrm{Sim}(X_j,P_i)]---\left(5\right)$

其中，qi为网络连接权值；Sim(Xj，Pi)为抗体Pi与抗原Xj的相似度，由公式(1)求得。

本发明具有以下优点：

1.适合复杂问题求解：本发明提出的人工免疫网络结构模型易于理解，具有很强的调节性，可通过局部调整来对特殊问题进行求解，更适合如数控机床故障诊断系统这种复杂的知识系统。

2.避免局部极小：本发明提出的免疫网络在学习过程中，由于变异的存在，使得免疫算法不会陷入局部极小。

3.摆脱专家经验束缚：本发明提出的自适应免疫调节算法可以实现网络抗体及相关系数的自动生成，摆脱了对专家经验知识的依赖性。

4.算法速度快、精度高：本发明的学习方法在同等实验条件下，较传统算法的训练、学习效率优势明显，且准确度更高。

附图说明

图1是本发明提出的流程图；

图2是本发明提出的人工免疫网络结构图；

图3是免疫反应图；

图4是细化后的人工免疫网络结构图；

图5是BP神经网络训练结果图；

图6是人工免疫网络训练结果图；

图7是BP神经网络数据分类结果图；

图8是人工免疫网络数据分类结果图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

根据基于多智能体技术的数控机床故障诊断系统中知识模型的特征，提出免疫网络结构模型；

根据抗原相似度的免疫调节算法来生成免疫网络中的抗体，得到记忆抗体集N_ab；

根据免疫作用与距离的反比性质，求得网络中各抗体的综合免疫反应能力；

本发明中提出的人工免疫网络是跟生物免疫系统的免疫机制设计的，生物免疫系统通过抗体细胞对外界入侵抗原进行特征响应和特征提取，抗体细胞在进行克隆之后，通过变异形成对抗原具有高亲和力的抗体细胞，大多数抗体细胞只有一个很短的生命周期，但有一部分将会进化为具有较长生命周期的记忆细胞。当免疫系统受到相同抗原的再次刺激之后，记忆细胞将会快速的产生二次应答。本发明提出的免疫网络结构模型如图1所示，其中X为免疫网络的输入故障特征集，即入侵未知系统的抗原；网络节点P为免疫网络中间节点，即对抗原进行免疫反应的抗体；Y为输出的目标故障集，即免疫系统中抗体对入侵抗原的综合反应结果。其原理是抗原X入侵免疫网络时，网络中的各抗体P均会对X起到免疫作用，综合各抗体的作用结果即可得到整个免疫网络对于X的综合免疫反应。相对于故障诊断则是通过训练好的免疫网络对输入的故障特征集进行综合免疫反应，通过综合反应结果即可找到对应的目标故障。

要利用免疫网络来进行知识学习，首先要确定免疫网络的两个关键参数：网络中抗体的具体数目N和免疫网络对抗原X_j的综合免疫能力Y_j。

本发明提出的基于抗原相似度的免疫调节算法实现的具体过程如下：

(1)计算所有抗原间的相似度，其相似度的大小直接反应了该抗体的存在与否对整个数据集的影响大小，相似度越大说明数据集中与该抗原相似的抗原越多。本发明采用皮尔森相关系数评价公式计算相关系数。皮尔森相关系数r_i是一个[-1，1]区间内的值，r_i＝1表示两向量完全正相关；r_i＝0表示两向量无线性相关性；r_i＝-1表示两向量完全线性负相关。通常当r_i＞0.75时可以判定两变量有很强的线性相关性。X_i∈X，Y_i∈Y，n代表X中抗原个数，m代表Y中抗抗体，i、j分别为小于等于n、m的正整数；其计算公式为：

$r_i=\frac{{\mathrm{\Σ}}_{i=1}^n(X_i-\stackrel{\‾}{X}){\mathrm{\Σ}}_{j=1}^m(Y_i-\stackrel{\‾}{Y})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(X_i-\stackrel{\‾}{X})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^m{(Y_i-\stackrel{\‾}{Y})}^2}}---\left(1\right)$

为编程方便变成可将公式1化简为公式2的形式：

$r=\frac{\frac{\mathrm{\ΣXY}}{m}-\frac{\mathrm{\ΣX\ΣY}}{n}}{\sqrt{[\mathrm{\Σ}{X}^2-\frac{{\left(\mathrm{\ΣX}\right)}^2}{n}]}\sqrt{[\mathrm{\Σ}{Y}^2-\frac{{\left(\mathrm{\ΣY}\right)}^2}{m}]}}---\left(2\right)$

(2)选择相似度最大的抗原作为优先清除对象，生成识别该抗原的抗体，将生成的抗体放置于原抗原的位置。同时清除相似度小于激活阙值的抗原。激活阙值σ_d计算公式如下，其中m为抗体个数：

${\mathrm{\σ}}_d=\frac{\sqrt{{\mathrm{\Σ}}_1^m{r}_i^2}}{m}---\left(3\right)$

(3)在抗原被清除时，必然会对数据集中的其他抗原相似度产生相应的影响。因此，重新计算所有抗原的相似度，再次清除r_i系数最大的抗原和r_i＜σ_d的抗原，生成二次调节的抗体。

(4)迭代计算，直到完成对全部抗原的免疫反应，得到抗体集N_xy。

(5)对N_xy进行网络抑制。计算N_xy中所有抗体的相似度r_ij，对N_xy中相似度大于σ_t的进行抑制，经过网络抑制后得到的抗体集即为最终的记忆抗体集N_ab。其中，抑制因子σ_t可采用公式4进行计算，其中m为抗体个数：

${\mathrm{\σ}}_t={\left(\frac{\mathrm{\Σ}{r}_i}{m}\right)}^{\frac{1}{m}}---\left(4\right)$

本发明提出的根据免疫作用与距离的反比性质，求得网络中各抗体的综合免疫反应能力计算的具体过程如下：

在免疫反应的过程中，每个抗体都存在其自身的识别半径，并对其识别半径内的入侵抗原进行免疫反应。其免疫作用的大小与反应距离的大小成反比。入侵免疫系统时，一个独立的抗原可能只处在单一的抗体识别半径内，即只被该抗体识别，但也可能位于多个抗体的识别半径的重叠区域内，即可被多个抗体共同作用。由此可知，整个免疫系统对某个独立抗原产生的免疫反应是系统中所有抗体对该抗原的综合反应，其结构如图2所示，其中：●代表抗体，

为抗原，R为抗体识别半径。

在输入数据集X(抗原)入侵免疫网络时，网络的中间节点P(抗体)将对其进行免疫反应，并最终得到综合免疫结果Y。其中网络连接权值Q＝[q₁，q₂……q_Nab]表示网络中各抗体对抗原的免疫反应贡献度，采用最小二乘法进行计算。通过上述分析可得免疫网络对抗原X_j的综合免疫反应Y_j的计算公式如下：

$Y_j={\mathrm{\Σ}}_{i=1}^{N_{\mathrm{ab}}}[q_i\×\mathrm{Sim}(X_j,P_i)]---\left(5\right)$

其中，Sim(X_j，P_i)为抗体P_i与抗原X_j的相似度，可由公式(2)求得。经过上述步骤即完成了对免疫网络相关参数的训练，可将人工免疫网络的结构进行细化为如下图3形式。

为验证本发明方法的有效性，通过与BP神经网络的对比实验进行性能测试。BP(反馈)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。选取UCI机器学习数据库中的IRIS数据集进行测试，IRIS以鸢尾花的特征作为数据来源，该数据集包含三个类，每个类均由50个4维模式组成是在数据挖掘、数据分类中非常常用的测试集、训练集。本实验随机选取数据集中的一半数据作为训练样本，另一半作为测试样本。实验分为两部分，具体实现如下：

(1)网络训练

将IRIS数据中随机抽取的75组训练样本作为入侵抗原，分别利用本文提出的基于抗原相似度的免疫调节算法进行网络训练，得出免疫网络的各项参数，其中免疫网络记忆抗体数为6个，训练截止误差为0.001。用同样的样本数据对三层结构的BP神经网络进行试验，网络的输入、输出层与免疫网络相同，隐含层根据专家经验设置14个隐节点，其中BP训练算法的学习速率设置为0.2，训练算法采用BFGS拟牛顿算法，网络训练至收敛，两者的误差曲线对比如图4、图5。

从训练过程可以看出在目标误差相同的情况下，用同样的样本训练对本节提出的人工免疫网络和BP人工神经网络进行训练，BP网络训练需要97代，而人工免疫网络训练只需要20代，学习效率大大提高；BP网络的最终训练误差为0.000970386，而本文提出的免疫网络的最终训练误差值为1.50407e-006，说明免疫网络的性能有所提高；同时BP网络隐含层的节点数根据经验人为确定，而人工免疫网络根据免疫调节机理自动确定隐含层节点个数及节点位置，相对更加合理和便捷。

(2)学习结果

采用IRIS数据集中剩余的一半数据作为测试样本，分别用训练完得BP神经网络和人工免疫网络对其进行数据分类，分类效果如图6、图7。

从图中可以直观的发现BP网络的实际输出与期望输出之间的误差明显大于免疫神经网络的误差，说明免疫网络在数据分类学习的准确度上明显优于BP神经网络。下表给出两者的实验数据对比：

由上述实验数据可以看出，与BP网络相比本发明提出的人工免疫网络模型，其训练、学习效率优势明显，且准确度更高，网络结构简单，不依赖经验因素，表现的更加智能，能有效的完成故障规则自动识别、学习的功能。

Claims (6)

1.多智能体结构的数控机床故障诊断系统的自适应学习机制，其特征在于，包括以下步骤：

确定人工免疫网络结构模型，设定X为免疫网络的输入故障特征集，即入侵未知系统的抗原；网络节点P为免疫网络中间节点，即对抗原进行免疫反应的抗体；Y为输出的目标故障集，即免疫系统中抗体对入侵抗原的综合反应结果；

根据抗原相似度的免疫调节算法来生成免疫网络中的抗体，得到记忆抗体集N_ab；

根据免疫作用与距离的反比性质，求得网络中各抗体的综合免疫反应能力。

2.根据权利要求1所述的基于多智能体技术的数控机床故障诊断系统的自适应学习机制，其特征在于，所述抗原相似度的免疫调节算法包括以下步骤：

计算所有抗原相似度r_i；

选择相似度最大的抗原作为优先清除对象，生成识别该抗原的抗体，将生成的抗体放置于原抗原的位置，同时清除相似度小于激活阙值的抗原；

在抗原被清除时，必然会对数据集中的其他抗原相似度产生相应的影响。因此，重新计算所有抗原的相似度，再次清除r_i最大的抗原和r_i＜σ_d的抗原，生成二次调节的抗体，σ_d为激活阙值；

迭代计算，直到完成对全部抗原的免疫反应，得到抗体集N_xy；

对N_xy进行网络抑制；计算N_xy中所有抗体的相似度r_ij，对N_xy中相似度大于抑制因子σ_t的进行抑制，经过网络抑制后得到的抗体集即为最终的记忆抗体集N_ab。

3.根据权利要求2所述的基于多智能体技术的数控机床故障诊断系统的自适应学习机制，其特征在于，所述抗原相似度的计算公式为：

$r_i=\frac{{\mathrm{\Σ}}_{i=1}^n(X_i-\stackrel{\‾}{X})(Y_i-\stackrel{\‾}{Y})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(X_i-\stackrel{\‾}{X})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^n{(Y_i-\stackrel{\‾}{Y})}^2}}---\left(1\right)$

其中，X_i∈X，n是X中抗原个数，i为小于等于n的正整数；Y_i∈Y；所述抗原相似度r_i是皮尔森相关系数，r_i∈[-1，1]。

4.根据权利要求2所述的基于多智能体技术的数控机床故障诊断系统的自适应学习机制，其特征在于，所述激活阙值σ_d计算公式为：

${\mathrm{\σ}}_d=\frac{\sqrt{{\mathrm{\Σ}}_1^n{r}_i^2}}{n}---\left(2\right)$

5.根据权利要求2所述的基于多智能体技术的数控机床故障诊断系统的自适应学习机制，其特征在于，所述抑制因子σ_t计算公式为：

${\mathrm{\σ}}_t={\left(\frac{\mathrm{\Σ}{r}_i}{m}\right)}^{\frac{1}{m}}---\left(3\right)$

其中，n是X中抗原个数；i为小于等于n的正整数；r_i为抗原相似度。

6.根据权利要求1所述的基于多智能体技术的数控机床故障诊断系统的自适应学习机制，其特征在于，所述抗体综合免疫反应能力Yj计算公式为：

$Y_j={\mathrm{\Σ}}_{i=1}^{N_{\mathrm{ab}}}[q_i\×\mathrm{Sim}(X_j,P_i)]---\left(5\right)$

其中，qi为网络连接权值；Sim(Xj，Pi)为抗体Pi与抗原Xj的相似度，由公式(1)求得。

Images