基于人工免疫系统的核心电机故障诊断方法

基于人工免疫系统的核心电机故障诊断方法

1人工免疫系统由于内核设备的复杂性、故障样品的采集、检测故障的困难以及缺乏连续学习功能，因此目前的各种故障诊断方法难以直接应用于核心设备。基于以上存在的种种问题,本文将人工免疫系统引入到故障诊断领域。利用人工免疫系统的一些独特机理,提出了一种比较适合核动力设备的故障诊断的新方法。该方法对检测器的克隆进化过程进行了改进,提高了故障诊断的识别率。通过实验仿真,验证了此种方法的可行性。2免疫部分机理综合人工免疫系统的研究成果,生物免疫系统机理主要包括:(1)反面选择机理;(2)克隆选择机理;(3)亲和力成熟;(4)超变异;(5)亚动力学;(6)免疫网络;(7)抗体多样性;(8)初次免疫反应和二次免疫反应;(9)免疫学习与记忆;(10)免疫模式识别。这些机理体现了免疫系统学习、记忆和模式识别能力的本质,均可用于研究新的故障诊断方法。免疫系统的反面选择机理是免疫系统最具特色的机理。免疫系统的T细胞在其产生过程中,要在胸腺进行检查,凡是能识别机体自身组织(称为自己)的T细胞都要被消除,只有那些不能识别自身组织的T细胞才允许离开胸腺,进入血液进行循环。只要能够被T细胞所识别的物质都称为非己。只要有非己存在,说明机体自身出现异常,从而引起免疫反应,消除非己。受这种独特的自己非己识别机理的启发,Forrest提出了检测计算机病毒的反面选择算法。该机理同样可用于发展新的设备异常检测方法,可望解决在故障样本缺乏的情况下,对设备进行准确的异常检测。针对核动力系统所积累的资料与故障样本少的特点,本文主要以反面选择机理为基础,介绍一种新的故障诊断方法。3基于试验结果的反射法检测能力国内外有不少的研究者,基于反面选择算法,已经提出了一些故障诊断方法。例如:Dasgupta等人基于免疫系统的反面选择机制提出了一种用于检测工具损坏的方法,工具的检测被转化为检测切割力的改变,将检测到的切割力变化模式与正常模式比较,确定工具是否损坏。刘树林等人对反面选择算法进行改进,并进行了深入的研究,将其应用在旋转机械的故障诊断中,取得较好的效果。前人所提出的基本反面选择算法[4~6],均假设了以下几点:(1)检测器只与非我空间匹配,而与自我空间不匹配;(2)只收集正常数据,不考虑异常数据;(3)用较少量的检测器检测无限种类的异常,以实现异常检测的在线性、准确性和鲁棒性。4基于传统反射断模型的改进方法由于传统反面算法产生的向量检测器只能识别出自我和非我,即设备是正常还是异常,但并不能检测出是发生了何种故障。并且,要生成能够覆盖全部非我空间的向量检测器,需要的正常样本数非常多。因此,笔者在基于传统反面选择算法的基础上,对算法进行了一定的改进。假设:(1)检测器只区分自我空间与非我空间;(2)数据样本以采集正常数据为主,异常数据需要较少。故障诊断模型的建立,分为检测器生成部分和测试部分。首先,通过传统反面选择算法产生检测器,识别出自我和非我;其次,利用少量的故障样本,对非我空间的向量检测器进行克隆变异进化,产生识别各种不同故障的最优检测器,从而达到识别出各种不同故障状态的功能。其总的设计框架如图1所示。4.1检测算法的描述4.1.1正常模式向量的获取针对核动力设备某正常工况下获得的数据,为了使数据规范化,首先对数据进行归一化处理。笔者采用相对于最大值和最小值之差的方法对数据进行归一化,归一化的公式为:式中,xi为某一正常工况下采集到的第i个数据;xmin、xmax分别为采集到数据的最小值和最大值;si为经过归一化后的第i个数据。其次,对经过归一化后的数据si按时间轴加窗函数(在此使用的是矩形窗),并通过移动窗口的方法,得到一系列的实值向量作为正常模式向量的样本。假设有m个数据s1、s2、…,sm,并设矩形窗窗宽width=n,窗口移动步长step=1,则经过以上处理以后可以得到m-n+1个0~1之间的n维实值向量组成的正常模式向量样本集合。4.1.2自我空间的表达在已知正常模式向量的基础上,考虑到阈值的作用,对自己空间的描述如图2所示。设备状态空间T为一超立方体,自己空间S是以各正常模式向量点为中心,以阈值r为半径所画的超球体所覆盖的区域。则非己空间NS=T-S。4.1.3非我空间向量检测器的产生检测器具有只与非我空间匹配,不与自我空间匹配的内涵。向量检测器具有与正常模式向量相同的维数n,但其分布在非我空间内。对于向量检测器d需满足以下不等式:式中,为欧氏距离;s为自我空间的任意正常模式向量;n为正常模式向量和向量检测器的维数;r为阈值。按以上规则产生的向量检侧器都分布在非我空间,而无一落入自我空间。4.1.4非我空间向量检测器的克隆变异进化算法在介绍此算法之前,需要引入亲和度的概念。这个函数是用来对检测器进行评价的。亲和度函数(AffDegree)的定义如下:式中,表示亲和力。mj为故障模式向量;mj的获取与正常模式向量的获取方法一致;k为故障的类别数;N为对应于每一类故障的初始检测器向量数;Fini为第i类故障的第n个向量检测器与i类故障模式向量的欧式距离;Finj为第i类故障的第n个向量检测器与j类故障模式向量的欧式距离;Din为相对于i类故障的第n个检测器的亲和度。欧式距离越小,表示两个向量越接近。因此,笔者假定相对于第i类故障的向量检测器与第i类故障模式向量的距离越小越好,即具有最小的亲和力。min(Finj)-Fini,j≠i的含义为:相对于第i类故障的第n个检测器,如果能将与Fini离得最近的故障向量区别开来,那么,其他离得更远的故障向量就更能区别了。对于每类故障,采用对每类故障分别训练最优检测器的方法。每类故障的初始检测器分别采用基于传统反面选择算法所生成的非己空间中的部分检测器。第一步:对第i类故障的第n个检测器,分别求出亲和力Finj。第二步:求出相对于第i类故障的第n个检测器的亲和度。第三步:将相对于第i类故障的所有N个检测器,分别进行以上两步。第四步:对得到的所有N个Din从大到小进行排序。亲和度越高的,克隆数量越多,变异越小。对每类故障都进行以上4步,通过设置亲和力阈值和进化代数,得到相对于每类故障的最优检测器向量。4.2异常信号判断在非我空间内,通过克隆进化,产生能够识别各种故障模式的有效检测器以后,即可用来对设备进行故障检测。进行判断时,先判断待测模式是正常还是异常,是正常信号,则停止判断;若是异常信号,再进一步判断。将其与各个检测器进行匹配,亲和力最小的检测器所对应的故障类型即为所发生的故障类型。5大切深方案下的真实误差分析由于直接在核动力设备上采集信号存在着一定的困难,笔者在旋转机械上采集信号进行实验仿真,从而验证此方法的实用性。采用在机床上对45#钢的细长轴工件进行切削,通过改变切削深度,使切削过程中发生颤振,以此验证改进AIS算法的故障诊断识别率。图3、图4是检测器采用克隆变异进化算法进化的过程。图中的每一个小点都表示了一个进化过程中的未成熟检测器。虚线标注的是当前最优检测器的位置。图3中的未成熟检测器分布分散,表明还需要进一步进化,图4中所有的检测器都集中到一点,表明已经收敛到极值,已经可以终止进化。图5、图6是采用旋转机械信号进行模式识别的结果。检测器的亲和力越大即表明当前状态为该检测器对应状态的可能性越大。图5对应的是逐渐加大切削深度的实验曲线。随着切削深度的逐渐加深,工件表面出现了明显的螺旋纹,即切削状态由正常状态逐渐演变到发生颤振。图中状态1标注的粗实线为正常切削状态对应检测器的亲和力曲线,状态2标注的细实线为过渡状态对应检测器的亲和力曲线,状态3标注的虚线为颤振状态对应检测器的亲和力曲线。图6对应的是大切深方案下的亲和力曲线。由于切削深度比较大,使得切削过程一开始就陷入了不稳定的状态。图中状态1标注的细实线,是过渡状态对应检测器的亲和力曲线。状态2标注的粗实线为正常状态对应检测器的亲和力曲线,状态3标注的虚线为颤振状态对应检测器的亲和力曲线。在该次信号对应的实验中,未发生颤振,同时加工工件的表面质量也与AIS改进算法的识别结果相吻合。从模拟信号的识别效果图中可