基于免疫模型的故障诊断方法及应用
合集下载
《多层免疫模型及其在故障诊断中的应用研究》范文
《多层免疫模型及其在故障诊断中的应用研究》篇一一、引言随着现代工业的快速发展，设备的复杂性和规模日益增大，故障诊断的难度也随之增加。
传统的故障诊断方法往往难以应对复杂多变的故障模式，因此，需要寻找新的诊断方法以提高诊断的准确性和效率。
近年来，多层免疫模型在故障诊断领域得到了广泛的应用。
本文旨在探讨多层免疫模型的基本原理及其在故障诊断中的应用研究。
二、多层免疫模型的基本原理多层免疫模型是一种基于生物免疫系统原理的模型，它模拟了生物免疫系统对外部入侵的病毒、细菌等有害物质的防御机制。
该模型由多个层次组成，每个层次都有其特定的功能和作用。
在多层免疫模型中，每个层次都扮演着重要的角色，共同维护系统的稳定性和安全性。
多层免疫模型主要包括以下几个层次：1. 外围防御层：负责对外界有害因素的初步识别和防御，如皮肤、黏膜等。
2. 固有免疫层：包括细胞免疫和体液免疫，能够迅速对入侵的病原体进行识别和清除。
3. 适应性免疫层：根据病原体的特性进行记忆和适应，形成特定的抗体进行针对性防御。
三、多层免疫模型在故障诊断中的应用将多层免疫模型的原理应用于故障诊断中，可以有效地提高诊断的准确性和效率。
具体应用如下：1. 初步识别与防御层：通过传感器等设备对设备的运行状态进行实时监测，初步识别潜在的故障因素。
这一层的作用类似于生物免疫系统的外围防御层，能够及时发现并阻止潜在的故障因素对设备的影响。
2. 细胞免疫与体液免疫层：在初步识别潜在故障因素的基础上，通过分析设备的运行数据和历史故障记录，识别出具体的故障类型和原因。
这一层的作用类似于生物免疫系统的固有免疫层，能够迅速对潜在的故障因素进行清除和修复。
3. 适应性免疫层：根据设备的特性和历史故障记录，形成特定的诊断策略和算法，对设备进行针对性地诊断和预防。
这一层的作用类似于生物免疫系统的适应性免疫层，通过对设备的记忆和适应，形成特定的抗体进行针对性防御。
在多层免疫模型的应用中，各种层次的相互配合和协作是关键。
基于免疫网与相关性识别的传感器故障诊断
并与 免疫网组合构成诊 断系统。通过对某热控 系统温度传感器故障的仿真诊断 ，验证了方法 的有效性 。仿真结果表 明，系统能准确识别并
诊断单传感故 障和 多传感故 障。当传感器 输出偏差大于 ±５ ％时 ，识别与诊断 的准确率均达 ９ ％以上。 ０ 关健诃 ：免疫 网模型 ；诊 断算法 ；Ｆ ｚｙＡＲ ｕｚ Ｔ神 经网络 ；传感器 ；相关性识别 ；故障诊 断
定义 １免疫 网模型 由一些相互连接的单元组成 ， 各单元 具有识别其他单元 的能力，单元 自身也受其他单元的识别。 模 型 可 用 有 向 图 ＧＵＥ （ ， ）来 表 示 ， 其 中 ， Ｕ＝｛ ｝ （＝１ ， ｎ 对应单元 的集合 ； Ｅ＝ ｝ ｆ ∈｛２…，｝表示 ｉ ， …，） ２ （， １ ， ） Ｊ ， 单元 间的相互识别 关系 ，若单元 Ｕ与 ｕ 存 在识别关系 ，则 ｊ
Ｓｅ ｏ ｕｌ ａ ｎｏ ｉ ｓ ｄ ｏ ｍ ｍ ｕｎｅＮｅ ｗｏ ｋ ｎｓ ｒＦａ ｔＤｉ ｇ ｓｓＢａ ｅ ｎ Ｉ ｔ ｒ ａ ｒ ｅａ ｉ ｎ Ｉ ｎｔｆｃ ｔｏ ｎｄ Ｃｏ ｒ ｌ ｔｏ ｄｅ ｉ ａ ｉ ｎ ｉ
Ｇ Ｕ － ｉ． Ｎ ａｎｇ ｙａ ２ Ｊｉｈａ ＪＩ Ｘｉ — ｎｇ ’
中图分类号： Ｐ８ Ｔ１ ３
基 于免疫 网与相 关性识 别 的传 感 器故障诊 断
谷 吉海 ，金 向阳
（．哈尔滨商业大学轻工学院 ，哈尔滨 １０ ２ ；２ １ ５ ０ ８ ．哈尔滨工业大学机 电工程学 院，哈尔滨 １ ０ ０ ） ５０ １
摘
要： 针对一般模 型算法在传 感器相关性识别 中存在 的不足 ，提 出一种基于 Ｆ ｚｙ Ｒ ｕｚ Ａ Ｔ神经 网络 的传感器 相关性量化提取与识别方法 ，
第３ ６卷 第 １期
免疫支持向量机复合故障诊断方法及试验研究
本 。然而 ， 许多故 障诊 断 问题 中 ， 在 在训 练 阶段 只能获 得 正常 以及 某 些故 障类 样 本 ； 至 有 时候 只 能 得 到 正 甚
常样 本 ， 障样 本 不 足 的 问题 使 传统 的分 类 算 法 无法 故
身 的局 限性 ， 用单 一 的技 术解 决 所 有 的 问题 是 不 现 应 实 的 。研究 表 明 ， 何 单一 的故 障 诊 断 方 法都 有 其 优 任
（ ） 找 出支持 向量 Ｓ 并求 出阈值 ｂ ４ Ｖ， ； （ ） 建立训 练数 据 样 本 的最 优分 类 超平 面 ， 练 ５ 训
结束 。
故 障诊 断 阶段 的具 体步骤 如下 ：
（ ）装 入支 持 向量 机 学 习 阶段 的相关 数 据 ， 括 １ 包
训练样 本集 ｛ ， 、 ａｒｎｅ乘子 ｎ、 Ｙ ｝ Ｌ ｇａ ｇ 闽值 ｂ和 支持 向
Ｋｅ ｏ ｄｓ ｆｕ ｔｄａ ｎ ｓｓ ｅ ａｉ ｅ ｓ ｌｃ ｉｎ ａｇ ｒｔ ｍ ；ｓ ｐ ｏ ｖ ｃｏ ｃ ｉ ｅ；ｅ ｖ ｌｐ ｅ ｄｕａ ｉｎ；ｗａ ｅｅ ｙ ｗ ｒ ： ａ ｌ ｉｇ ｏ ｉ ；ｎ ｇ ｔ ｅｅ ｔｏ ｌｏ ｉｈ ｖ ｕ ｐ ￣ ｅ ｔ ｒｍａ ｈ ｎ ｎ ｅ ｏ ｅ ｄ ｍｏ ｌｔｏ ｖ ｌｔ
自身 细胞 （ 己 ） 非 的功 能 ， 自己／ 己识别 功 能 。免 疫 即 非 机理 是 Ｔ细 胞 在骨 髓 中产 生 后进 入 胸 腺 ， 与肌 体 自身 蛋 白质 反应 的 Ｔ细 胞 被 淘 汰 ， 破 坏 自身 组织 的 Ｔ细 不 胞 得 以存 活 ， 熟后离 开胸 腺 在体 内循 环 ， 能检 测 出 成 它
本作 为分类算 法 的输 入 。这一 过 程 能解决 分 类算 法所
第 一 作者 姜 万 录 男 ， 授 ， 士生 导 师 ，９４年 生 教 博 １６
基于人工免疫算法的变压器故障诊断
了故 障诊 断 技术 的难 点 。
基本原理是抵御外部入侵使其机体免受病原侵 害， 通 过抗体与抗原的作用关系 ， 使抗体在学 习抗原模式 的 过程中不断优化 ， 从而得到能够表征抗原特征的独特 型抗体 ， 为变压器故障诊断提供 了新的研究方向。 人工免疫系统模型的组成有 ３ 个方面： 抗原 、 抗体 的形式 ， 抗原与抗体以及抗体与抗体之 间相互作用机 制 和 整个 系统 的构造 。 通常抗 原 对应 待 解决 的 问题 或 待 分 析 的数 据 ； 抗 体对应问题 的解或者解 的特征值 ； 抗原 与抗体的相互 作 用机 制 和整个 系统 的构 造是 根据 问题本 身 的特 点来 确定的， 抗体与抗原的相互作用可以是解与 问题的适 应度 ， 也可 以是 特征值 与 数据组 的相 似度 等 ； 系统 的 而 构成可以是算法形式 、 网络形式等 ， 对应内容因解决问 题 对象 不 同而 内容 各 异 。基 本 的免 疫 算 法 流 程 … 如
图１ 所示 。
近年来 ， 许多新 的、 有效 的故障诊 断方法相 继 出 现 ， 取 得 了广泛 的应 用成 果 ， 些 诊断 方法 包 括基 于 并 这 规则 的方法 、 基于故障树 的方法、 模糊方法 、 神经 网络 方法 、 糙集 方法 、 持 向量机 方法 以及 各种 混 合方 法 粗 支 等 。以上 故 障诊 断方法 为 准确诊 断设 备 的故 障起 了重 要作用 ， 但都存在一些不足。 由于上述 的各 种方 法 都 有 自身 的优 点 和 缺 陷 ， 人 们开始致力 于新研究 的方法。人 工免疫在故 障诊断 中， 作为一种新 的有效的诊断方法 ， 可用于解决故 障诊
Ｔ ３ １６ Ｐ０ ． 文献标识码 Ａ 文章编号 １０ ７ ２ （０ ２ Ｏ —０９— ３ ０ ７— ８０ ２ １ １ ９ ０ Ｊ 中图分类号
基本原理是抵御外部入侵使其机体免受病原侵 害， 通 过抗体与抗原的作用关系 ， 使抗体在学 习抗原模式 的 过程中不断优化 ， 从而得到能够表征抗原特征的独特 型抗体 ， 为变压器故障诊断提供 了新的研究方向。 人工免疫系统模型的组成有 ３ 个方面： 抗原 、 抗体 的形式 ， 抗原与抗体以及抗体与抗体之 间相互作用机 制 和 整个 系统 的构造 。 通常抗 原 对应 待 解决 的 问题 或 待 分 析 的数 据 ； 抗 体对应问题 的解或者解 的特征值 ； 抗原 与抗体的相互 作 用机 制 和整个 系统 的构 造是 根据 问题本 身 的特 点来 确定的， 抗体与抗原的相互作用可以是解与 问题的适 应度 ， 也可 以是 特征值 与 数据组 的相 似度 等 ； 系统 的 而 构成可以是算法形式 、 网络形式等 ， 对应内容因解决问 题 对象 不 同而 内容 各 异 。基 本 的免 疫 算 法 流 程 … 如
图１ 所示 。
近年来 ， 许多新 的、 有效 的故障诊 断方法相 继 出 现 ， 取 得 了广泛 的应 用成 果 ， 些 诊断 方法 包 括基 于 并 这 规则 的方法 、 基于故障树 的方法、 模糊方法 、 神经 网络 方法 、 糙集 方法 、 持 向量机 方法 以及 各种 混 合方 法 粗 支 等 。以上 故 障诊 断方法 为 准确诊 断设 备 的故 障起 了重 要作用 ， 但都存在一些不足。 由于上述 的各 种方 法 都 有 自身 的优 点 和 缺 陷 ， 人 们开始致力 于新研究 的方法。人 工免疫在故 障诊断 中， 作为一种新 的有效的诊断方法 ， 可用于解决故 障诊
Ｔ ３ １６ Ｐ０ ． 文献标识码 Ａ 文章编号 １０ ７ ２ （０ ２ Ｏ —０９— ３ ０ ７— ８０ ２ １ １ ９ ０ Ｊ 中图分类号
人工免疫在网络故障诊断中的应用研究
人工免疫系统（ Ｓ 已被广泛的应用在许多领域 ， ＡＩ） 如数据分析 、 多峰 函数优化 、 故障检测等 。文章将人工免疫方法 引入到 Ｐ ＭＣ
模型下网络故障诊断 中， 中主要研 究如何将 ＡＩ 文 Ｓ应用于系统级故障诊 断。理论分析和实验结果表 明， 于人工免疫系统 的网络故障诊断 基 方法在平 均和最差情况下均优于传统的方法。 关键词 人工免疫 系统 ；系统级故 障诊断 ；Ｐ ＭＣ模型；多处理机系统
总第 ２ １ ７ 期 ２１ ０ ２年 第 ５ 期
计 算 机 与 数 字 工 程
Ｃ ｍｐ ｔｒ＆ Ｄｉｉ ｌ ｇｎ ｅ ｉｇ ｏ ｕｅ ｇｔ ａ Ｅｎ ｉｅｒｎ
Ｖｏ ． ０ Ｎｏ ５ １４ ．
８ ４
人 工免 疫 在 网络 故 障诊 断 中 的应 用研 究
李 辉
太原 Ｏ０２） ３ ０ ４ （ 太原理工大学计算机 与软件学院 摘 要
ａ ａｙ ｉ ｎ ｘ ｅ ｉ ｎ ａ ｅ ｕｔ ｅ ｎ ｔａ ｅｔ ｅｅｆｃｉｅ ｅｓｏ ｈｅＡＩ－ ａ ｅ ｉｇ ｏ ｉ ｐ ｒ ａ ｈｆ ｒｓ ｌａ ｄ ｌｒ ｅｃａ ｓｏ ｅｗｏ ｋ ｎ ｎ ｌｓｓａ ｄｅ ｐ ｒｍｅ ｔ ｌｒｓ ｌｓｄ ｍｏ ｓ ｒｔ ｈ ｆｅｔｖ ｎ ｓ ｆｔ Ｓ ｂ ｓ ｄｄａ ｎ ｓｓａ ｐ ｏ ｃ ｏ ｍａｌ ｎ ａ ｇ ｌｓ ｆｎ ｔ ｒ ｓｉ ｔ ｅｗｏ ｓ ｎ ｖ ｒ ｇ ａ ｅ ，ｗｈｃ ａ ｔｂ ｈ ｒｔａ ｄ ａ ｅａ ｅｃ ｓ ｓ ｉｈｍ ｋｅｉ ｅｍｕｃ ｅｔｒｔ ａ ｒ ｄｔｏ ｌｆｕｌ ｄａ ｎ ｓｓａ ｒ ｃ ｅ． ｈ ｂ ｔｅ ｈ ｎ ｔａ ｉｉｎａ ａ ｔ ｉｇ ｏ ｉ ｐｐｏａ ｈ ｓ
￣ ｔａ ｔ Ａｒｉｉｉｌｍｍ ｕ ｅｓ ｓｅ ｓ（ Ｓ ｈｓ ｒ ｃ ｔｆｅａ ｉ ｎ ｙ ｔｍ ＡＩ ）ｈａ ｅｂ ｅ ｘ ｅ ｓｖ ｌ Ｓｄ ｎ ｉｌ ｏ ｔｎ ｅｍ ｕｔｍｏ ａ ｕ ｃ ｉｎ ｐｉ ｉａｉｎ，ｄａ ｖ ｅ ｎｅ ｔ ｎ ｉｅｙＵ ｅ ｉ ｍａ ｙｆｅｄｓｆｒｉ ａ ｃ ｌｉ ｄ ｌｆｎ ｔｏ ｏ ｔ ｚ ｔ ｎ ｎｓ ｍ ｏ — ｔ ｎ ｌｓｓ ｒｏ ｅｅ ｔｏ ａａ ａｙ ｉ，ｅｒ ｒｄ ｔ ｃｉｎ，ｅ ｃ ｎ ｔ ｉ ａ ｅ ，ａｎ ｖ ｌａ ｔｆ ｉｌｉ ｔ．Ｉ ｈｓｐ ｐ ｒ ｏ ｅ ｒｉｃａ ｍｍｕｎ ｙ ｔｍ ｓｍ ｅｈ ｄ ｉ ｎ ｒ ｄ ｃｄ ｆ ｒｄａ ｏ ｉｇ ｆｕｔ ｎ ａｎ ｔ ｒ ｆ ｉ ｅｓ ｓｅ ｔ ｏ ｓｉｔｏ ｕ ｅ ｏ ｉｇｎ ｓｎ ａ ｌｓｉ ｅｗｏ ｋ ｏ
基于免疫机制的诊断系统重构技术研究
Ａｂ ｔａ ｔ Ｗ ｈ ｎｄ ａ ｎ ｓｎ ａ ｌ ｏ ｌ ａ ｅ ｎ ｙ ａ ｉ ｓｅ ｓｒ ｃ ： ｅ ｉｇ ｏ ｉ ｇｆ ｕ ｔ ｉ ａ ｍｐ ｉ ｔ ｄａ ｄｄ ｎ ｍ ｃｓ ｔ ｍ，ｉ ａ ｏ ｔ ｇｔａ ｉ ｏ ａ ｎ ｉ ｇ ｅ ｎ ｅｌ ｅ ｔ ｅ ｓ ｎ ｎ ｔ ｏ ｓ ｓｎ ｃ ｃ ｙ ｆ ｄ ｐ ｉ ｄ ｔ ｎ ｌ ｄｓｎ ｌ ｔ ｌ ｇ ｎ ａ ｏ ｉ ｇｍｅ ｈ ｄ ， ｎ ｒ ｉ ａ ｉ ｉ ｒ
（ｏｌｇ ｆ ｏ ｕｅ ａｄＩｆｒ ｔ ｎ ｈ ｎ ｑ ｇＪ ｏｏ ｇ ｉｅ ｉ ，Ｃ ｏ ｇ ｉ ０ ０ ４ Ｃ ｉａ Ｃ ｌ ｅ ｍｐｔｒ ｎ ｏｍａｉ ，Ｃ ｏ ｇ ｉ ａｔｎ ｖ ｒ ｔ ｈ ｎ ｑｎ ４ ０ ７ ， ｈ ） ｅ ｏＣ ｎ ｏ ｎ ｉ Ｕｎ ｓｙ ｇ ｎ
维普资讯
第 ２ 卷 第 ２ ９ 期
ＶＯ ． ９ １２ ＮＯ ２ ．
计 算机 工程 与设 计
Ｃｏ ｕ ｅ ｎ ｉｅ ｒ ｎｄＤ ｅ ｉｎ ｍｐ ｔｒＥ ｇｎ ｅｉ ａ ｓｇ ｎｇ
２０ 年 １ ０８ 月
Ｊ ｎ．２ ０８ ａ ０
基于免疫机制的诊断系统重构技术研究
之 间 的 免 疫 协 同进 化 关 系 ， 断模 型 重 构 的 方 法 ， 采 用 Ｐ ｔ 网技 术 对 模 型 重 构 的基 本 过 程 进 行 了 分 析 。 诊 并 ｅｉ ｒ
关键 词：故障诊 断；免 疫 ；重构 ；进 化 ；智 能体 中图法分类号 ： Ｐ ８ Ｐ ０ 文献标 识码 ： 文章 编号 ：０ ０７２ ２ ０） ２０ ２－３ Ｔ １；Ｔ ３ ６ Ａ １０—０４（０ ８ ０ —４ １ ０
０ 引 言
智 能 故 障 诊 断系 统 作 为 人 工 智 能 技 术 在 故 障诊 断领 域 的 应 用 ， 实 践 中取 得 了较 好 的 成 效 ， 随 着 系 统 设 备 和 功 能 的 在 但 日益复 杂 化 ， 种 故 障现 象 成 因 越 来 越 复 杂 ， 时异 常故 障 也 各 同
（ｏｌｇ ｆ ｏ ｕｅ ａｄＩｆｒ ｔ ｎ ｈ ｎ ｑ ｇＪ ｏｏ ｇ ｉｅ ｉ ，Ｃ ｏ ｇ ｉ ０ ０ ４ Ｃ ｉａ Ｃ ｌ ｅ ｍｐｔｒ ｎ ｏｍａｉ ，Ｃ ｏ ｇ ｉ ａｔｎ ｖ ｒ ｔ ｈ ｎ ｑｎ ４ ０ ７ ， ｈ ） ｅ ｏＣ ｎ ｏ ｎ ｉ Ｕｎ ｓｙ ｇ ｎ
维普资讯
第 ２ 卷 第 ２ ９ 期
ＶＯ ． ９ １２ ＮＯ ２ ．
计 算机 工程 与设 计
Ｃｏ ｕ ｅ ｎ ｉｅ ｒ ｎｄＤ ｅ ｉｎ ｍｐ ｔｒＥ ｇｎ ｅｉ ａ ｓｇ ｎｇ
２０ 年 １ ０８ 月
Ｊ ｎ．２ ０８ ａ ０
基于免疫机制的诊断系统重构技术研究
之 间 的 免 疫 协 同进 化 关 系 ， 断模 型 重 构 的 方 法 ， 采 用 Ｐ ｔ 网技 术 对 模 型 重 构 的基 本 过 程 进 行 了 分 析 。 诊 并 ｅｉ ｒ
关键 词：故障诊 断；免 疫 ；重构 ；进 化 ；智 能体 中图法分类号 ： Ｐ ８ Ｐ ０ 文献标 识码 ： 文章 编号 ：０ ０７２ ２ ０） ２０ ２－３ Ｔ １；Ｔ ３ ６ Ａ １０—０４（０ ８ ０ —４ １ ０
０ 引 言
智 能 故 障 诊 断系 统 作 为 人 工 智 能 技 术 在 故 障诊 断领 域 的 应 用 ， 实 践 中取 得 了较 好 的 成 效 ， 随 着 系 统 设 备 和 功 能 的 在 但 日益复 杂 化 ， 种 故 障现 象 成 因 越 来 越 复 杂 ， 时异 常故 障 也 各 同
一种新型免疫网络学习算法在故障诊断中的应用
Ｌ ｎ — ｎ ，Ｚ Ｎ ｉｇｈ ａ ， Ｉ ｅｍｉｇ Ｉ Ｈｏ ｇｆ ｇ ａ ＨＡ Ｇ Ｑ ｎ —ｕ Ｘ Ｅ Ｋ — ｎ
（ ．Ｃ ｌ ｇ ｆ ｌ ｔ ｎｃＩｆ ｍａｏ ｎ ｏ ｐ ｔ ， ｏ ｎ ｎ ｅｓｙ Ｍａｍｉ ２ ０ ０ Ｃ ｉａ ２ ｏｌ ｅｏ ｆｒ ａｏ ｎ ｉ １ ｏ ｅｅｏ Ｅｅ ｒ ｉ ｎｏ ｔｎａｄＣ ｍ ｕｅ ＭａｍｉｇＵ ｉ ｒ ｔ， ｏ ｎ ５ ５０ ， ｈｎ ； ．Ｃ ｌ ｇ ｆ ｎ ｉ ｔ ｎＥ ｇ ｌ ｃｏ ｒ ｉ ｒ ｖ ｉ ｇ ｅ Ｉｏｎ ｉ — ｎｅｉ ， ａ ｕｎＵ ｉ ｒｉ ｆ ｅｈｏｏｙ Ｔ ｉ ａ ３０ ４ ｈｎ ） ｅｒ ｇ Ｔ ｉ ａ ｎ ｅｓｙｏ ｃｎｌｇ ， ａ ｕｎ０ ０ ２ ，Ｃ ｉａ ｎ ｙ ｖ ｔ Ｔ ｙ
Ａｂｓｒ ｃ ｔ ａ ｔ：Ｉ ｍｍｕ ｅ ａｇ ｒｔ ｍｓｈａ ｅｐ ｏ ｌｍｓ ｄ ａ ｎ ｓｎ ａ ｓｉ ｏａ ｉ ｇ ｍａ ｈ ｎ ｓ ｎ ｌ ｏ ｉｈ ｖ ｒ ｂｅ ｉｇ ｏ ｉ ｇ ｆｕｈ ｎ ｒ ｔ ｔｎ ｃ ｉ ｅ ．Ｔｈ ｓｉ ｕ ｏ ｔ ｏｕ ｆｕ— ｉ ｓｄ ｅ ｔ ｈｅｖ ｌｍｅ ｏ ｎ ｑ ｅ ｄａａ ｐ ｉ ｔ ｈ ｙ ｍｕ ｔｐ ｏ ｅ ｓ，ａ ｄ ｔ ｉ ｃ ｔ ｎ ｅｉ ｎ ｔｎｇｒ ｄ ｄ ｎ ａａ．Ｈｅ ｃ ｉ ｕ ｔ ｏ ｎ ｓｔ ｅ ｓ ｒ ｃ ｓ ｎ ｈｅ ｄｆ ｕｌ ｉ ｌｍｉ ａ ｉ ｅ ｕｎ ａ ｔｄ ｔ ｉ ｙ ｎ ｅ，ａ ｎ ｖ ｌｉ ｏ ｅ ｍｍｕ ｅ ｎ ｔ ｎ ｅ— ｗｏ ｋ ｌａ ｎｉｇ ａｇ ｒｔ ｒ ｅ ｒ ｎ ｌ ｏ ｉ ｈｍ ｓｆ ｒ ｌ ｔｄ，ｉ ｉ ｈ ａ ｔｂ ｄ ｕ ｐ ｅ ｓｏ ｓ ｉ ｔｏ ｃ ｄ ｉ ｈ ｏ ｅ ｓｏ ｅ ｅ ａ ｉ ｗａ ｏ ｍｕ ａ ｅ ｎ ｗｈ ｃ ｎ ｉ ｏ ｙ ｓ ｐ ｒ ｓｉｎ ｗａ ｎ ｒｄｕ ｅ ｎ ｔ ｅ ｐｒ ｃ ｓ ｆｇ ｎ ｒ ｔ ｎｇ ｉ ｔａ ｎ ｉ ｏ ｉ ｓ ｎ ｕ ｐ ｅ ｓｏ ｈ ｅ ｈ ｌ ｏ ｎ ｉ ｄ ｅ ｔ ｅ ｐ ｃ ｏ ｎ ｉｈ ｒｎ ｎ ｉ ｏ ｅ ｓ ｅ ｎ ｄ ｎｉ ｌａ ｔｂ ｄ ｅ ，ａ ｄ ａ ｓ ｐ ｒ ｓｉｎ ｔ ｒ ｓ ｏｄ ｆｒ ａ ｔ ｉ ｂｏ ｉ ｓ ｗｉｈ ｒ ｓ ｅ ｔｔ ｅ ｇ ｂｏｉ ｇ ａ ｔｂ ｄｉｓ ｗａ ｄ ｆ ｅ ． ｉ Ｒｅ ｕ ｄａ ｔ ａ ｔｂ ｄｅ ｒ ｅｉ ｎ ｔ ｄ，ｗｈ ｌ ｌｏ ｎ ｈｅ ｄ ｖ ｒｉ ｏ ｎ ｉ ｄｉｓ ｔ ｅ ｅ ｈａ ｃ ｄ． Ｉ ｄ ｉｉｎ，ａ ｄ ｎ ｎ ｎ ｉ ｏ ｉｓ ｗｅ ｅ ｌｍｉ ａｅ ｉｅ ａｌｗｉ ｇ ｔ ｉｅ ｓｔ ｆａ ｔ ｙ ｂｏ ｅ ｏ ｂ ｎ ｎ ｅ ｎ ａ ｄｔ ｏ
基于人工免疫原理的系统异常检测与自适应容错控制
经济损失 和可能 产生 的危害 （ 资源 浪费 、 备损坏 、 设 人员伤亡 和环境 污染等 ） 也随之 增大。因此 ， 障控 保 制 系统 的高性 能 、 可靠 性与安 全性 ， 有十分重要 的 具
意义 。
以参数 的安全 临界 点 （ 附加 一定 量 的安 全裕 度 Байду номын сангаас 或
作 为系统切换 的边界条件 ， 当参数变化速度很 快时 ， 这样 的切 换原则有 很大 风险 。其 次 ， 了使 控 制系 为 统 的结构简单 ， 一般备 用控 制系统 与备用 控制 策略 少， 只是对 出现 的 问题 或可 能引起 的危 害进行 简单
内 “ 。一旦组成控制系统 的某一 环节特性 发生变
过选择器 （ｅ ｃ ｒ ， 动备用控 制系统取 代正 常工 ｓ ｅｔ ） 启 ｌ ｏ
况下 的控制 系统 ， 现对非 正常状 况下生 产过程 的 实 自动控制 。待工 况脱 离极 限条件 回到正 常后 ， 又通 过选择器 ， 使适用 于正 常工况 的控 制系统 自动投 入 运 行。选择性控制在实 际应用 中取得 了较为 理想 的 效果 ， 因而得 到广泛 的应用 。由于选 择性控 制一 般
１ 弓 言 ｌ
成很大 的经 济损失 。为 了有效 防止 事故发 生 ， 界 业 采用 能 适 应 不 同 生 产 条 件 或 异 常 状 况 的控 制 方 案——选择性 控制 （ｅ ｃ ｖ ｏｔ １ ｓｌ ｔ ｅｃｎ ｏ） ｅｉ ｒ ， 现控 制 实 系统 的安全保护 。选择性控制是将 由生产过程 的限 制条件所构成 的逻辑关系叠加到正常 自动控 制系统 上 的一种控制方案 ， 当生产过程趋 向极 限条件 时 ， 通
化、 器件发生故 障或者 失效 ， 或是控制 系统 所处 的环 境 条件超 出了正 常范 围， 会使控 制 系统 的品质下 都 降， 严重 时甚 至造成 灾难 性 的后 果 。现代 控制 系统
意义 。
以参数 的安全 临界 点 （ 附加 一定 量 的安 全裕 度 Байду номын сангаас 或
作 为系统切换 的边界条件 ， 当参数变化速度很 快时 ， 这样 的切 换原则有 很大 风险 。其 次 ， 了使 控 制系 为 统 的结构简单 ， 一般备 用控 制系统 与备用 控制 策略 少， 只是对 出现 的 问题 或可 能引起 的危 害进行 简单
内 “ 。一旦组成控制系统 的某一 环节特性 发生变
过选择器 （ｅ ｃ ｒ ， 动备用控 制系统取 代正 常工 ｓ ｅｔ ） 启 ｌ ｏ
况下 的控制 系统 ， 现对非 正常状 况下生 产过程 的 实 自动控制 。待工 况脱 离极 限条件 回到正 常后 ， 又通 过选择器 ， 使适用 于正 常工况 的控 制系统 自动投 入 运 行。选择性控制在实 际应用 中取得 了较为 理想 的 效果 ， 因而得 到广泛 的应用 。由于选 择性控 制一 般
１ 弓 言 ｌ
成很大 的经 济损失 。为 了有效 防止 事故发 生 ， 界 业 采用 能 适 应 不 同 生 产 条 件 或 异 常 状 况 的控 制 方 案——选择性 控制 （ｅ ｃ ｖ ｏｔ １ ｓｌ ｔ ｅｃｎ ｏ） ｅｉ ｒ ， 现控 制 实 系统 的安全保护 。选择性控制是将 由生产过程 的限 制条件所构成 的逻辑关系叠加到正常 自动控 制系统 上 的一种控制方案 ， 当生产过程趋 向极 限条件 时 ， 通
化、 器件发生故 障或者 失效 ， 或是控制 系统 所处 的环 境 条件超 出了正 常范 围， 会使控 制 系统 的品质下 都 降， 严重 时甚 至造成 灾难 性 的后 果 。现代 控制 系统
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
６
计
算 机
工
程
２１年 ８ ２ ０１ 月 ０日
块 ，用于 Ｔ模块的优化 调整 ；上述模块共 同完成系统状态 的 检测 ，并返回结果 ，以便后期故障分析、处理 。
数量进 行限制 ，这里允许的最大值为 ：
Ⅳ＿ ＝ ｃ 一 （） ２
其中 ，０ ≤１ ≤ ，即克隆向量数量 不超过初始向量数量。
■ １ 被Ｉ Ｊａ基捱莱 ｔ ｌ ￣
｛ ｝ 首先会离开原位置 向ｍ 移动，此过程为变异 。向量 与 ｍ 之间的距离可 由图 ３ ； 所示 的区域表示 ， 不同区域决定着 变异是否发生及 发生方式 ：若两者距离过小或过大 ，即检测 器位于 Ａ、Ｄ 区域 ，ｘ 不发 生变化 ；Ｂ区域内的向量 Ｘ ， 以固定方式发生变异 ； Ｃ区域 中的向量 ， 则以随机方式发 生变异 ，变异后的点位于原样本点位置和外部点构成 的直线 上 ，且逐步逼近外部点。
果当 前状态Ｙ 满足Ｉ一 Ｉ ‘ 则被 ＜ ， 认为 ｏｓｆ考 是ｎｎ ｌ 虑一个 ｅ。
二维 ［ １空间 ，ｓ ｆ ０１ ， ｅ 的分布 已知 ， ｌ 每个 ｓｌ的中心对应状态 ｅ ｆ
空间中的一个样本点（ 用坐标表示） ，阈值为 ‘，即以 ｓ ｆ ｅ 样 ｌ
本点为 中心 ，半径 的范围内都认为是正常状态。在 图 ２ａ （） 中，每个小 圆圈表示 ｓｌ，大圆圈表示检测 器 ，初 始化 时， ｅｆ
模块和 Ｂ模块 。Ｔ模块采用实 向量 阴性选择算法 生成 异常检测 器 ，完成系统 的异常状态检测 ；Ｂ模块 响应系统实际状态 ，运用聚 类原理 动
态进化 ，形成告警信息反馈至 Ｔ 模 块。２个模块相互作 用，共 同实现 系统状态 的在线实 时检测 。应用结果表 明，该模型具有正确 性和有
效性 。
１ 概 述
故 障诊 断是当系统 出现 故障时 ，依据 其状态及参数的变
态变为记忆细胞 。 ｊ
２ 兔疫系统对故障诊断的启发 ． ２
免疫系统主要 的功能就是在线检测和杀伤来 自生物体 内 和体外 的抗原 ，具备 “ 自己一 非己”识 别能力。再者 ，免疫系 统是一个智能 并行 处理 系统 ，具有学 习能力、记忆 能力 等 ，
常状态对应 的向量集合定义为 自 体空 间 Ｓ，异常状态集合定 义为非 自体空 间 ｜ 在空 间 Ｕ中 Ｓ Ⅳ互补 ， Ⅳ， 与 即 Ｕ Ｎ＝ ， Ｕ
ｎＮ ＝ 。
否则会发 生 自 体免疫疾病 ， 因此 Ｂ细胞和 Ｔ细胞在机体 内首 先要完成一个 自体耐受 的过程 ，这也展示 了免 疫系统能区分 自体和非 自体的能力。当抗原 入侵机 体时 ， 特异提呈 细胞 （ 如 巨噬细胞） 立即摄 取消化病原 体 ，并把它们分解在 细胞 表面 ， 形成 ＭＨＣ分子 。ＭＨＣ分子激活成熟 Ｔ细胞 ，并把抗原提呈 给 Ｔ细胞识别 。Ｔ细胞识别特异抗原后 ，开始复制并激活杀 伤 Ｔ细胞， 杀伤Ｔ细胞杀死任何被特异抗原感染的细胞，同
６期 第 ３ 卷 第 １ ７
、０ ．７ ，１ ３
・
计
算
机
工
程
２ １ 年 ８月 ０１
Ａｕ ｕ ｔ ２ １ ｇ ｓ ０ １
Ｎｏ １ ．６
Ｃｏ ｕ ｅ ｎ ｉ ｅ ｒｎ ｍｐ ｔ ｒ ｇ ｎ ｅ — ４ （ ｌ１ ＿ ０ ｏ 章 ｌ ０ － ２２ １６ ｏ ５ ３ 文 标 码ｌ １０ ３ ８０）＿ ０ — 献 识 Ａ
中 分 号ｌ Ｎ９ 田 类 ７Ｉ Ｔ
基 于免疫模 型 的故障诊 断 方法及应 用
刘 勇。 ，尚永爽 ，壬怡苹 “
（ 海军航 空工程 学院 ａ 研究 生管理 大队 ；ｂ 科研部 ，山东 烟 台 ２ ４ ｏ ） ． ． ６ｏ １
曩
妥 ：提出一种基于人工免疫模型 的故 障诊 断方法。根据免疫 系统机理构建 模型框架 ， 模拟 Ｔ细胞和 Ｂ细胞功用 ， 分别设 计模 型中的 Ｔ
ｆ． ａ ｕ ｔ ｔｄ ｎｓ Ａｄ ｎ ｓ ａ ｔ ｉｇ ｄ ； Ｄｅ ｒｍｅ ｔ ｆＳ ｉｎ ｆｃＲｅ ｅ ｒｈ ａ Ｇｒｄ ａｅＳｕ ｅ ｔ’ ｍｉ ｉｔ ｎ ｒ Ｂｒ ａ ｅ ｂ． ｐａｔ ｎ ｃｅ ｔ ｉ ｓａ ｃ ， ｏ ｉ
Ｎａ ａＡｅｏ ａ ｔ ａ ｄＡｓ ｏ ａｔ ａ Ｕ ｖｒｉ ， ａｔ ６ ０ １Ｃｈｎ ） ｖｌ ｒｎ ｕ ｃ ａ ｔ ｎｕ ｃ ｎ ｅｓｙ Ｙ ａ２ ４ ０ ， ｉａ ｉｌｎ ｒ ｉｌ ｉ ｔ ｎ ｌ
ｃ ｅ ｔｄ Ｔｈ ｍ ｏ ｕｌ ｄＢ． ｄ ｌ ｆｔｅｍｏ ｅ ｒ ｅｉｎｅ ｉ ｒａｅ ． ｅＴ－ ｄ ｅａ ｍｏ ｕｅｏ ｄ ｌ ｅｄ ｓｇ ｄｂｙｓｍｕｌｔｎ ｃ ｏ ｓｏ － ｅｌ ｄＢ—ｅｌ． ｅＴ ｍｏ ｕ ｅｄ ｓｒｍｉ ｔｓａ ｏ ｌ ｎ ｈ ａ ａ ｇｆ ｔ ｎ ｆＴ ｃ ｌｓａ ｃ ｌ Ｔｈ － ｄ ｌ ｉｃ ｉ ｕｎ ｉ ｎ ｓ ｉ ｎａｅ ｍａｙ ｎ ｓａｅ ｒ ｍ ｅｓ ｔｓｏ ｅｓ ｓｅ ． ｅＢ－ ｏ ｕｅｒ ｓ ｏ ｄ ｅａ ｔａ ｔｔｓｏ ｙ ｔｍ ｄｄ ｎ ｍｉａｌ ｖ ｌ ｅ ｓｎ ｌｓ ｒｎ ｒｎ ｉ ｌ． ｅａｅｔ ｔｔｓｆｏ ｔ ｔ ｅ ｆｔ ｙ ｔｍ Ｔ ｍ ｄ ｌ ｐ ｎ ｓｔ ｃｕ ｓａｅ ｆｓ ｓｅ ａ ｙ ａ ｃ ｙｅ ｏｖ ｓｕ ｉｇｃｕ ｔ ｉｇｐ ｃｐｅ Ｔ ｒ ｈ ａ ｈ ｈ ｅ ｈ ｌ ｎ ｌ ｅ ｉ ｈ ｌ ｉｆ ｒ ｔ ｎ ｉ ｅ ａ ｋ ｔ ｈ － ｄ ｌ．Ｔ ｅ ｉｔｒｃ ｏ ｆｔｅ ｅ ｔ ｄ ｌｓ ｍａ ｅ ｔｅ ｓ ｓｅ ｔ ｃ ｅ ｅ ｏ —ｉ ｅｅ ｔ ｎ ｎ ｏ ｍａｉ ｓ ｆｄ ｂ ｃ ｏ ｔ ｅ Ｔ ｍｏ ｕｅ ｈ ｎｅ ａ ｔ ｎ ｏ ｈ ｓ ｗｏ ｍｏ ｕ ｅ ｄ ｙ ｔｍ ｏ ａ ｈ ｖ ｎ ｌ ｏ ｉ ｈ ｉ ｎｅ ｄ ｔｃ ｏ ．Ｔｈｓ ｍｏ ｅ ｓ ｉ ｉ ｄ ｌｉ
时辅助 Ｔ细胞激活 Ｂ细胞。Ｂ细胞再识别特异抗原， 经克隆 选择大部分变为浆细胞并产生抗体，还有部分返回到静止状
作者膏介： 刘 ￣（９２ ， ｊ１８ 一） 男， 博士研究生，主研方向： 复杂系统 故 障诊断 ；尚永爽 ，博士研究 生；王怡苹 ，讲师 、博士研 究生 收藕日撕：２ １—３ １ ０１ － ００ Ｅｍａ ：ｙ ｊｙ ｌ＠１３ ｏ － ｉ ｔｈ ｌ５ ６ ． ｒ ｌ ｈ ｃｎ
对应于免疫系统，故障诊断模型包括 ２个主要功能模
块 ， 如图 １ 所示。其中， Ｔ模块模拟人体 Ｔ细胞的作用， 用于区分 ｓ ｆ ｎ ｎ ｌ Ｂ模块类似于人体 Ｂ细胞 ，分析、 ｅ 和 ｏｓ ｆ ｌ ｅ； 处理新出现的状态向量（ 正常和异常） ，并将结果反馈给 Ｔ模
基金硬 目：国家部委基金资 助项 目
这些能力协同激励、多样性、适应性等将对故障诊断领域的 研究提供新思想和新方法。免疫系统的一些机理和特点非常 适 用于复 杂设备的故障检测 口，如独特性 、多样性 、学 习和 ｊ
记忆等 。
３ 免疫模型的建立与分析
３ 模型框架 ． １ 免疫 系统可抽象为一个 ｜ Ⅳ维向量空间 ， 其中包括正常 状态（ ｌ集合和异常状 态（ ｎｅ） ｓｆ ｅ） ｎ ｓｌ集合。为便于研究 ，本文 ｏ ｆ
从 Ｎ 中随机选择若干点以 ‘ 为半径 形成检测器 。
在 Ｄ 的训练阶段 ， 随机产 生检测器（ 均匀分布） 若与 ｓｌ ， ｅｆ
圈 ３ 变异检■暑 区■
化来找 出故障类型和故障发生的部位。当前故障诊断的主要
思想是将 人们 掌握 的有关故障的知识加工成智能诊断系统所
能接受 的语言 或语 法 ，并将 其存储记录下来 ，检测与诊断过 程的实质是待诊样本与系统所记忆的故障知识的匹配过程， 常 用的方法包括模糊诊 断、专 家系统、人工神经 网络 等ｕ。 受 限于实 际条件 ， 复杂设备 的故障样 本等先验知识获取 困难 ， 从而严重 影响 故障诊 断的准确性和 鲁棒 性，尤其对 新出现的 故障特征 缺乏 自 在线 学习能力 ，传统的故障诊断方法往往 主 难 以在工 程实践中发挥出预期的效能 。为此 ，本文提 出一种 基于人工免疫模型的故障诊断方法，并将该模型应用于某型 无人机方 向舵 的故 障诊 断。
［ ｓ ａ ｔ ｈｓ ａｅ ｒｓｎｓａｆｕｔ ｉｇ ｏｉ ｍｅｈ ｄｕ ｉｇａｔ ｃａ Ａｂ ｔ ｃｌＴ ｉ ｐ ｐ ｒ ｅｅ ｔ ｌｄａ ｎ ｓ ｔｏ ｓ ｒｆ ｉ ｉ ｒ ｐ ａ ｓ ｎ ｉ ｌ ｍｍｕ ｅｍｏ ｅ． ｉｇｉ ｎ ｌｇｃ ｒ ｃｐｅ，ｈ ａ ｆｍｏ ｅ ｉ ｉ ｎ ｄ １Ｕｓ ｎ ｍｍｕ ｏｏ ｉａ ｐｉ ｉｌｓｔｅｆ ｍｅｏ ｄｌ ｓ ｌ ｎ ｒ
Ｂ模块中向量 总体分布受设备运行状态 』 ｌ ｆ的影响 ， Ｂ 对
模块来说， 每个 ｍ 都看作一个外部状态 ， 其对 应坐标为外部
点。Ｂ模块响应 ＾ ｆ的过程称为进化 ，可分为 ２ 阶段 ：变异 个
Ｌ 龟ｊ Ｌ 一 墨 。 一
和克隆。
（） １ 变异
系统中只要有外部点 ｍ 出现 ，分布在 ｍ 周围的样本集
３ Ｔ模块设计 ． ２ 受胸腺产生 Ｔ细胞机制 的启发 ，Ｔ模块采 用阴性选择算 法［ ］ ５ 进行异常检测 ， － ８ 实际上就是检测器集合 Ｄ Ｄｃ＾ 。 （ Ｄ 免疫
系统 中常 用 亲合力”来表示抗体对抗原 的识 别程 度，这里 检测 器与 ｓｆ以及 其他检测器之 间的亲合力 用欧氏距离度 ｅ ｌ 量 。每个 检测 器 ∈ Ｄ的检测能力为 ‘，即在 以 为半径 的 超球体范 围内的任何 ｎｎｅ 都能够被检测到 。 ｏ ｓｆ ｌ 也就是说 ， 如
将 问题空 间简化为二维 ，并进行正规化 ，得到一个 【， 问题 ０１ 】 空间，目的是识别 ｕ中的一个新元素为 ｓｌ或 ｎ ｎｅ 。将正 ｅ ｆ ｏ Ｓｌ ｆ
２ 免疫系统
２ 免疫应答梳理 ． １ 淋 巴细胞是免疫 系统中起主 要作 用的微小 自细胞 ，分为
Ｂ细 胞和 Ｔ细胞 ，能被它们识别且能刺激它们进行特异性应 答 的病原体 叫做抗 原。由于 抗体 不能对 自体抗原产生应答 ，