基于人工免疫模式识别的故障诊断方法研究

计算机测量与控制. 2011. 19(5) C omputer Measurement &C ontrol

自动化测试

收稿日期:2010 09 20; 修回日期:2010 10 30。

基金项目:黑龙江省科技学院引进高层次人才科研启动基金资助(06 43) 。

作者简介:于宗艳(1980 ) , 女, 黑龙江人, 工学硕士, 主要从事智能控制、智能算法方向的研究。

文章编号:1671 4598(2011) 05 1044 03 中图分类号:TP181

文献标识码:A

基于人工免疫模式识别的故障诊断方法研究

于宗艳1, 韩连涛2

(1 黑龙江科技学院电气与信息工程学院, 黑龙江哈尔滨 150027;

2 哈尔滨威帝电子股份有限公司, 黑龙江哈尔滨 150036)

摘要:提出了一种基于人工免疫模式识别的故障诊断方法, 将故障视为抗原, 基于生物免疫系统的克隆选择、超变异、免疫记忆以及多样性保持等机制生成能够表示和识别抗原的记忆抗体, 然后采用基于KNN 的阈值分类法对抗原即故障进行识别; 以抽油机井为对象进行仿真研究, 阈值取1, 与输入故障距离最近的记忆抗体个数取3和5两个值进行试验, 仿真结果表明算法的诊断准确率均为100%。通过对变异抗原的识别, 表明该方法具有较好的泛化能力。

关键词:故障诊断; 人工免疫; 克隆选择; 抗体; 抗原

Research of Fault Diagnosis Method Based on

Artificial Immune Pattern Recognition

Yu Zo ng yan 1

, H an liantao

2

(1 Faculty of Electr ic and Informat ion Eng ineering ,

H eilo ng jiang Inst itute of Science and T echnolog y, Har bin 150027, China; 2 H arbin VI T I electr onics sto ck co rpor at ion lt d, Har bin 150036, China)

Abstract:A fault diagnosis m ethod based on artificial immun e pattern recognition is propos ed. T he fault is regarded as the antigen. M emory antibodies used to figure an d recognize antigens are produced based on th e mechan ism of clone selection, hyp er-mutation, imm une memory and diversity maintain. T hen the antigens i. e. faults are recognized us ing th e classification m ethod based on KNN and threshold. T he s imulations are done through the ex perim ents of the pu mp-jack, in w hich the th resh old is 1, the number of th e memory antibodies w hich are nearest to the inpu t faults are 3and 5, the res ult sh ow that the accuracy is 100%.T he good generalization of the algorithm is proved through recognizing the mu tations of the antigens u sing the meth od proposed.

Key words:fault diagn osis; artificial immun e; clone s election; antib ody; an tig en

0 引言

故障诊断也是一个模式识别的过程, 而模式识别一般分两步进行:第一步利用样本进行学习; 第二步利用学习好的系统

对实测数据进行分类。基于人工免疫模式识别的故障诊断方法借鉴生物免疫系统的免疫应答机理[1], 首先基于生物免疫系统的克隆选择、超变异、免疫记忆和免疫细胞之间的刺激和抑制作用等机理[2 3], 引入遗传学中的选择、交叉和变异算子以保证抗体的多样性, 生成能够表示和识别抗原即故障形式的记忆抗体集合, 然后用建立好的记忆抗体集合对故障形式进行识别分类以达到故障诊断的目的。

1 算法描述

算法采样实数编码形式来表示抗体、抗原, 将故障形式作为抗原, 根据训练样本建立一个记忆抗体集合, 识别和表示抗原结构, 这是算法的第一步, 为了更好地描述故障的特征, 本文提出了对多个抗原生成记忆抗体的思想。第二步用学习好的记忆抗体集合对抗原即故障形式进行识别。

为了定量地描述免疫细胞分子和抗原之间的相互作用, Per elson 和O ster 于1979年提出形态空间(shape-space) 模型[4], 基于形态空间模型将抗体、抗原分别表示如下:在一个P 维形态空间S p 中, 抗体、抗原分别由P 个归一化变量来描述, 对应故障诊断中状态的P 个特征值, 即抗体:A b ={x 1, x 2, , x P }, 抗原:A g ={y 1, y 2, y P }, 则抗体和抗原集合分别表示如下:AB ={A b i i =1, 2, , N }, AG ={Ag i i =1, 2, M }, 其中N 和M 分别是抗体和抗原的个数。x i 和y i (i =1, 2, , P ) 分别称为抗体A b 和抗原A g 的基因, 在下面的算法中, 直接对个体的基因进行变异等操作。1 1 生成记忆抗体集合

针对某种类型的故障生成相应的记忆抗体集合, 思路如下:首先随机生成初始抗体集合AB , 而抗原集合A G 是由某种类型的训练故障数据组成的集合。在每一代, 对每一个抗原A g i 都产生相应的记忆抗体, 并存放在刻画抗原A g i 的记忆抗体集合M i 中, M i 的规模为10, 若M i 中抗体的个数大于10, 则用与抗原亲和力较高的新的抗体替换原有的与抗原亲和力相对较低的记忆抗体。在每一代中, 提呈给每一个抗原A g i 的抗体集合A B 是不变的, 而当一代结束后得到的抗体集合A B 的进化结果将作为下一代提呈给抗原集合A G 的抗体。当规定代数结束后, 将刻画不同抗原的记忆抗体集合M i 合并得到记忆抗体集合M , 算法的目的就是将抗体集合AB 进化得到能够识别和表示某种故障类型的记忆抗体集合M 。算法的步骤

相关推荐
相关主题
热门推荐