淺談基于雙層人工免疫網(wǎng)絡(luò)的皮帶秤故障診斷
當(dāng)前基于神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)算法的皮帶秤的故障診斷方法對樣本數(shù)量需求多且易出現(xiàn)局部最優(yōu)解，為提高皮帶秤故障診斷效率及使用精度，引入了人工免疫網(wǎng)絡(luò)模型。傳統(tǒng)的 aiNet 網(wǎng)絡(luò)模型對已知故障的識別效率高，但難以有效識別未知故障，為彌補(bǔ)這一缺陷，基于生物免疫機(jī)制設(shè)計(jì)了雙層免疫網(wǎng)絡(luò)，以克隆選擇算法為核心搭建了適應(yīng)性診斷層實(shí)現(xiàn)對未知故障的學(xué)習(xí)，并運(yùn)用在皮帶秤的故障檢測中。該方法對已有故障的識別率保持在 95% 以上，對新故障的識別率也高達(dá) 90% 以上，實(shí)際運(yùn)行效果良好。
惡劣的工作環(huán)境易導(dǎo)致皮帶秤在使用過程中出現(xiàn)故障。同時(shí)，工作經(jīng)驗(yàn)表明: 設(shè)備運(yùn)行環(huán)境的改變會引起故障特征發(fā)生變化，導(dǎo)致現(xiàn)場操作人員難以識別故障特征，此時(shí)必須依靠具有豐富經(jīng)驗(yàn)的技術(shù)人員通過現(xiàn)場調(diào)試來診斷故障，如傳感器表面輕微磨損、輸送帶跑偏、卡料等。
目前機(jī)械故障診斷的方法主要包括故障樹診斷、模糊理論、神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)等，其中皮帶秤的故障診斷主要是實(shí)時(shí)監(jiān)控皮帶秤的行為參數(shù)，通過發(fā)現(xiàn)其不同于正常狀態(tài)的行為，并利用已有的信息對其進(jìn)行分析判斷，確定故障類型.但傳統(tǒng)的故障檢測方法存在準(zhǔn)確率較低、對新故障的自適應(yīng)能力差、所需樣本數(shù)量多等不足，而改進(jìn)的 ai-Net 網(wǎng)絡(luò)模型求解方法可以較好地解決這些問題。
生物免疫系統(tǒng)是一種高級的自適應(yīng)學(xué)習(xí)系統(tǒng)，
具有區(qū)別自己與非己的功能，能對自身正常的細(xì)胞產(chǎn)生耐受，以此維護(hù)機(jī)體內(nèi)環(huán)境的平衡。因此，免疫系統(tǒng)在故障診斷領(lǐng)域得到了廣泛的應(yīng)用。戴敏等采用免疫優(yōu)化算法對 BP 神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，并設(shè)計(jì)了一種基于 SOM 算法和 BP 神經(jīng)網(wǎng)絡(luò)的故障診斷模型，將其運(yùn)用在飛機(jī)燃油系統(tǒng)故障的診斷中; DASGUPTA等提出了基于否定選擇機(jī)理的高效檢測算法，并用于檢測航天器的故障。
在免疫網(wǎng)絡(luò)學(xué)說中，免疫系統(tǒng)中每個細(xì)胞的克隆都處于一個非獨(dú)立的狀態(tài)，這些細(xì)胞通過自我識別、相互刺激和相互制約等行為，構(gòu)成一個動態(tài)平衡的網(wǎng)絡(luò)結(jié)構(gòu)，其基礎(chǔ)是抗原與抗體相結(jié)合時(shí)所表現(xiàn)的獨(dú)特型和抗獨(dú)特型。JEＲNE 第一個提出獨(dú)特型免疫網(wǎng)絡(luò)理論; 在此基礎(chǔ)上，CASTＲO 在 2000年提出了 aiNet 網(wǎng)絡(luò)模型，其基本機(jī)制是克隆選擇算法、免疫網(wǎng)絡(luò)理論等。
本文基于生物免疫系統(tǒng)的原理，對 aiNet 網(wǎng)絡(luò)模型進(jìn)行了改進(jìn)，搭建了多層免疫網(wǎng)絡(luò)模型，使改進(jìn)后的模型具有較好的自適應(yīng)能力，并將其用于皮帶秤故障的在線檢測中，為皮帶秤精度的提高提供了一種新的方法。
1.雙層 aiNet 故障診斷
由于傳統(tǒng)的 aiNet 免疫網(wǎng)絡(luò)模型并不具有識別，
新故障的功能于是在 aiNet 免疫網(wǎng)絡(luò)模型的基礎(chǔ)上設(shè)計(jì)了雙層診斷結(jié)構(gòu)。雙層 aiNet 故障診斷模型包括: 1) 以改進(jìn)的 aiNet 免疫網(wǎng)絡(luò)為基礎(chǔ)的自有診斷層，通過對已知的皮帶秤故障進(jìn)行訓(xùn)練生成自體檢測器，本層主要檢測已知的故障; 2) 以生物免疫機(jī)制為原理的適應(yīng)性診斷層，采用克隆選擇算法對生成的檢測器進(jìn)行變異，檢測未知故障，并將新的檢測器加入到故障知識庫。模型如圖 1 所示。
1． 1改進(jìn)的 aiNet 免疫網(wǎng)絡(luò)模型
在aiNet免疫網(wǎng)絡(luò)模型中，有些故障數(shù)據(jù)與多個檢測器之間的親和力相似，此時(shí)傳統(tǒng)的通過親和力計(jì)算判斷故障類型的方法便會發(fā)生誤判。本文采用 K 近鄰分類法實(shí)現(xiàn)對任意樣本的識別具體診斷過程如下。
Step1: 計(jì)算待診斷樣本與已有檢測器之間的歐氏距離。
Step2: 找出與待測數(shù)據(jù)距離最小的 k 個檢測器。
Step3: k 個檢測器中若某一類檢測器匹配的抗原數(shù)量最多，則判斷為該類故障; 若出現(xiàn)多類故障模式，即所匹配的檢測器個數(shù)相同，則取與抗原的親和力最大的檢測器，并確診為此檢測器所能檢測的故障。
1． 2 自有診斷層
aiNet 網(wǎng)絡(luò)模型可以看做是聚類問題，每個抗體代表一個皮帶秤的故障類型，待檢測數(shù)據(jù)對應(yīng)于抗原 Ag，通過訓(xùn)練生成的特征數(shù)據(jù)為抗體 Ab，抗體與抗原的相似程度與它們之間的親和力成反比。模型中，Ag 和 Ab 都代表一個 L 維的向量，對應(yīng)于狀態(tài)空間的一個特定位置。
故障診斷時(shí)，采集的設(shè)備狀態(tài)信息對應(yīng)于模型中的抗原，每一個狀態(tài)信息對應(yīng)于形態(tài)空間的一個特征向量。采用 aiNet 網(wǎng)絡(luò)模型，對已知的樣本進(jìn)行學(xué)習(xí)訓(xùn)練，得到抗體即識別樣本的檢測器，由于抗體與抗原不完全的匹配性，使得一種檢測器可以識別不同的訓(xùn)練樣本，直接采用免疫網(wǎng)絡(luò)算法對皮帶秤故障進(jìn)行自學(xué)習(xí)的具體步驟如下。
Step1: 初始化。將采集的皮帶秤所有的狀態(tài)數(shù)據(jù)作為抗原，表示為矩陣 Agn ∈ＲN × L ，其中 Ｒ 表示實(shí)數(shù)，N 表示抗原的個數(shù)，L 表示皮帶秤運(yùn)行狀態(tài)的屬性個數(shù)。首先將數(shù)據(jù)進(jìn)行歸一化處理，采用式( 1) 對原始數(shù)據(jù)進(jìn)行初始化處理:
2.皮帶秤故障診斷實(shí)驗(yàn)
2． 1 部分主要參數(shù)設(shè)置
剪枝閾值 ξ 。剪枝閾值的設(shè)定直接影響到抗體對故障抗原的識別能力，抗體的剪枝閾值取值按照公式( 10) 進(jìn)行計(jì)算:
式中: φ 為常數(shù)，若 φ 取值大，則閾值小，能識別的范圍大，但是易出現(xiàn)誤診; 若 φ 取值小，故障診斷準(zhǔn)確度高，但是識別的范圍小，易出現(xiàn)漏診。通過實(shí)驗(yàn)調(diào)試取 φ = 0． 02。
2）抑制閾值 σs 。抑制閾值在免疫診斷中起著保證抗體多樣性的作用，抗體之間重疊區(qū)間越小故障識別的準(zhǔn)確度越高，若抗體之間太相似不利于故障診斷，并會使一個故障被多個抗體所識別，故應(yīng)保持抗體之間的親和力 S
3) 抗體生成常數(shù) K。K會影響初始抗體的數(shù)目，K值越大初始抗體的數(shù)目越多，迭代次數(shù)越少，迭代次數(shù)太少會導(dǎo)致抗體的多樣性減少; K過小會導(dǎo)致迭代次數(shù)過多，增加了系統(tǒng)的運(yùn)行時(shí)間。算法中，K 設(shè)定為 50。
4) 克隆變異中的乘法因子 β。β 值的大小影響著克隆變異所產(chǎn)生的克隆子集的數(shù)目，通過實(shí)驗(yàn)，診斷系統(tǒng)中 β 取為 1。
2． 2 故障診斷實(shí)驗(yàn)
以QPS 皮帶秤全性能實(shí)驗(yàn)中心的 3#與 4#陣列式皮帶秤為實(shí)驗(yàn)對象進(jìn)行算法驗(yàn)證。現(xiàn)場數(shù)據(jù)通過 ＲS － 485 總線進(jìn)行傳輸，采用 ＲSM485CHT 轉(zhuǎn)換器和單片機(jī)完成接收，上位機(jī)采用串口通信實(shí)時(shí)采集。實(shí)驗(yàn)時(shí)，SA600 儀表智能采集和顯示其中一個皮帶秤系統(tǒng)的數(shù)據(jù)。通過 MATLAB 的串口通信與 SA600 現(xiàn)場儀表通信，對傳感器數(shù)據(jù)實(shí)時(shí)讀寫。
3.皮帶秤故障診斷實(shí)驗(yàn)結(jié)果
根據(jù)工作經(jīng)驗(yàn)可知，且會影響皮帶秤計(jì)量精度的常見故障主要包括: 傳感器表面磨損、稱重架卡料、稱重架松動、傳感器接線不良和托輥組托輥被卡等 5 類。每個故障與所測得值具有一一映射關(guān)系，故選取 8 個傳感器信號作為識別故障類型的條件屬性集。由于數(shù)據(jù)較多，在表 2 中只列出部分正常數(shù)據(jù)和傳感器接觸不良時(shí)的數(shù)據(jù)。
表 2 中的 w1 ，w2 ，…，w8 分別對應(yīng)于 8 組稱重傳感器值，將采集的數(shù)據(jù)經(jīng)過提取、歸一化處理后作為學(xué)習(xí)、訓(xùn)練和檢測所使用的樣本，并將傳感器表面磨損、稱重架卡料、稱重架松動和傳感器接線不良這 4 類故障作為已知故障，將托輥組托輥被卡的數(shù)據(jù)作為未知故障數(shù)據(jù)進(jìn)行在線學(xué)習(xí)檢測。在實(shí)驗(yàn)時(shí)每個狀態(tài)收集 20 組數(shù)據(jù)，并將其中的 10 組數(shù)據(jù)作為訓(xùn)練樣本，其他的 10 組數(shù)據(jù)用于診斷檢測，每組數(shù)據(jù)包括 10 個樣本。最終結(jié)果進(jìn)行整理見表 3。
由表 3 可知，正常模式下識別率達(dá)到 100% ，而對于已知的故障診斷率均達(dá)到 96% 以上，對于新的故障類型，誤診為正常數(shù)據(jù)的僅有 1 個，有 92 個樣本被正確地診斷為新的故障類型; 對于整體而言，600 個測試樣本中被誤診為正常數(shù)據(jù)的僅有 1 個，說明該多層檢測模型對于故障的識別率很高，可以滿足皮帶秤系統(tǒng)的故障檢測要求。
4.結(jié)束語
本文在現(xiàn)有的成熟算法的基礎(chǔ)上，對人工免疫系統(tǒng)進(jìn)行改進(jìn)，引入 K 近鄰分類法完善 aiNet 免疫網(wǎng)絡(luò)模型，并以改進(jìn)后的網(wǎng)路模型為基礎(chǔ)搭建自有診斷層，實(shí)現(xiàn)了對已知故障的快速診斷。利用克隆選擇算法對未知故障數(shù)據(jù)進(jìn)行訓(xùn)練，并將新生成的檢測器加入到自有診斷層，完善整個故障診斷模型，彌補(bǔ)了未知故障診斷的盲區(qū)。利用多層免疫網(wǎng)絡(luò)檢測皮帶秤系統(tǒng)的故障，顯著降低了故障的誤診率，使其僅為 0． 17% 。研究表明，雙層 aiNet 網(wǎng)絡(luò)模型可以有效地檢測已知故障與未知故障，對提高皮帶秤使用精度、降低損失有很大意義。
