淺談基于雙層人工免疫網絡的皮帶秤故障診斷
當前基于神經網絡等傳統(tǒng)算法的皮帶秤的故障診斷方法對樣本數量需求多且易出現局部最優(yōu)解，為提高皮帶秤故障診斷效率及使用精度，引入了人工免疫網絡模型。傳統(tǒng)的 aiNet 網絡模型對已知故障的識別效率高，但難以有效識別未知故障，為彌補這一缺陷，基于生物免疫機制設計了雙層免疫網絡，以克隆選擇算法為核心搭建了適應性診斷層實現對未知故障的學習，并運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 90% 以上，實際運行效果良好。
惡劣的工作環(huán)境易導致皮帶秤在使用過程中出現故障。同時，工作經驗表明: 設備運行環(huán)境的改變會引起故障特征發(fā)生變化，導致現場操作人員難以識別故障特征，此時必須依靠具有豐富經驗的技術人員通過現場調試來診斷故障，如傳感器表面輕微磨損、輸送帶跑偏、卡料等。
目前機械故障診斷的方法主要包括故障樹診斷、模糊理論、神經網絡、貝葉斯網絡等，其中皮帶秤的故障診斷主要是實時監(jiān)控皮帶秤的行為參數，通過發(fā)現其不同于正常狀態(tài)的行為，并利用已有的信息對其進行分析判斷，確定故障類型.但傳統(tǒng)的故障檢測方法存在準確率較低、對新故障的自適應能力差、所需樣本數量多等不足，而改進的 ai-Net 網絡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學習系統(tǒng)，
具有區(qū)別自己與非己的功能，能對自身正常的細胞產生耐受，以此維護機體內環(huán)境的平衡。因此，免疫系統(tǒng)在故障診斷領域得到了廣泛的應用。戴敏等采用免疫優(yōu)化算法對 BP 神經網絡的參數進行優(yōu)化，并設計了一種基于 SOM 算法和 BP 神經網絡的故障診斷模型，將其運用在飛機燃油系統(tǒng)故障的診斷中; DASGUPTA等提出了基于否定選擇機理的高效檢測算法，并用于檢測航天器的故障。
在免疫網絡學說中，免疫系統(tǒng)中每個細胞的克隆都處于一個非獨立的狀態(tài)，這些細胞通過自我識別、相互刺激和相互制約等行為，構成一個動態(tài)平衡的網絡結構，其基礎是抗原與抗體相結合時所表現的獨特型和抗獨特型。JEＲNE 第一個提出獨特型免疫網絡理論; 在此基礎上，CASTＲO 在 2000年提出了 aiNet 網絡模型，其基本機制是克隆選擇算法、免疫網絡理論等。
本文基于生物免疫系統(tǒng)的原理，對 aiNet 網絡模型進行了改進，搭建了多層免疫網絡模型，使改進后的模型具有較好的自適應能力，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 免疫網絡模型并不具有識別，
新故障的功能于是在 aiNet 免疫網絡模型的基礎上設計了雙層診斷結構。雙層 aiNet 故障診斷模型包括: 1) 以改進的 aiNet 免疫網絡為基礎的自有診斷層，通過對已知的皮帶秤故障進行訓練生成自體檢測器，本層主要檢測已知的故障; 2) 以生物免疫機制為原理的適應性診斷層，采用克隆選擇算法對生成的檢測器進行變異，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改進的 aiNet 免疫網絡模型
在aiNet免疫網絡模型中，有些故障數據與多個檢測器之間的親和力相似，此時傳統(tǒng)的通過親和力計算判斷故障類型的方法便會發(fā)生誤判。本文采用 K 近鄰分類法實現對任意樣本的識別具體診斷過程如下。
Step1: 計算待診斷樣本與已有檢測器之間的歐氏距離。
Step2: 找出與待測數據距離最小的 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量最多，則判斷為該類故障; 若出現多類故障模式，即所匹配的檢測器個數相同，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 網絡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，待檢測數據對應于抗原 Ag，通過訓練生成的特征數據為抗體 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，對應于狀態(tài)空間的一個特定位置。
故障診斷時，采集的設備狀態(tài)信息對應于模型中的抗原，每一個狀態(tài)信息對應于形態(tài)空間的一個特征向量。采用 aiNet 網絡模型，對已知的樣本進行學習訓練，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練樣本，直接采用免疫網絡算法對皮帶秤故障進行自學習的具體步驟如下。
Step1: 初始化。將采集的皮帶秤所有的狀態(tài)數據作為抗原，表示為矩陣 Agn ∈ＲN × L ，其中 Ｒ 表示實數，N 表示抗原的個數，L 表示皮帶秤運行狀態(tài)的屬性個數。首先將數據進行歸一化處理，采用式( 1) 對原始數據進行初始化處理:
2.皮帶秤故障診斷實驗
2． 1 部分主要參數設置
剪枝閾值 ξ 。剪枝閾值的設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) 進行計算:
式中: φ 為常數，若 φ 取值大，則閾值小，能識別的范圍大，但是易出現誤診; 若 φ 取值小，故障診斷準確度高，但是識別的范圍小，易出現漏診。通過實驗調試取 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，故應保持抗體之間的親和力 S
3) 抗體生成常數 K。K會影響初始抗體的數目，K值越大初始抗體的數目越多，迭代次數越少，迭代次數太少會導致抗體的多樣性減少; K過小會導致迭代次數過多，增加了系統(tǒng)的運行時間。算法中，K設定為 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生的克隆子集的數目，通過實驗，診斷系統(tǒng)中 β 取為 1。
2． 2 故障診斷實驗
以QPS 皮帶秤全性能實驗中心的 3#與 4#陣列式皮帶秤為實驗對象進行算法驗證。現場數據通過 ＲS － 485 總線進行傳輸，采用 ＲSM485CHT 轉換器和單片機完成接收，上位機采用串口通信實時采集。實驗時，SA600 儀表智能采集和顯示其中一個皮帶秤系統(tǒng)的數據。通過 MATLAB 的串口通信與 SA600 現場儀表通信，對傳感器數據實時讀寫。
3.皮帶秤故障診斷實驗結果
根據工作經驗可知，且會影響皮帶秤計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。由于數據較多，在表 2 中只列出部分正常數據和傳感器接觸不良時的數據。
表 2 中的 w1 ，w2 ，…，w8 分別對應于 8 組稱重傳感器值，將采集的數據經過提取、歸一化處理后作為學習、訓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據作為未知故障數據進行在線學習檢測。在實驗時每個狀態(tài)收集 20 組數據，并將其中的 10 組數據作為訓練樣本，其他的 10 組數據用于診斷檢測，每組數據包括 10 個樣本。最終結果進行整理見表 3。
由表 3 可知，正常模式下識別率達到 100% ，而對于已知的故障診斷率均達到 96% 以上，對于新的故障類型，誤診為正常數據的僅有 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據的僅有 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.結束語
本文在現有的成熟算法的基礎上，對人工免疫系統(tǒng)進行改進，引入 K 近鄰分類法完善 aiNet 免疫網絡模型，并以改進后的網路模型為基礎搭建自有診斷層，實現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據進行訓練，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，彌補了未知故障診斷的盲區(qū)。利用多層免疫網絡檢測皮帶秤系統(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 網絡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。
