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(duì)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(duì)已知故障的識(shí)別效率高，但難以有效識(shí)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(duì)未知故障的學(xué)習(xí)，并運(yùn)用在皮帶秤的故障檢測(cè)中。該方法對(duì)已有故障的識(shí)別率保持在 95% 以上，對(duì)新故障的識(shí)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(guò)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(huì)引起故障特征發(fā)生變化，導(dǎo)致現(xiàn)場(chǎng)操作人員難以識(shí)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(guò)現(xiàn)場(chǎng)調(diào)試來(lái)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(shù)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(guò)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(duì)其進(jìn)行分析判斷，確定故障類(lèi)型.但傳統(tǒng)的故障檢測(cè)方法存在準(zhǔn)確率較低、對(duì)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(wèn)題。
生物免疫系統(tǒng)是一種高級(jí)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(duì)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(duì) 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(cè)算法，并用于檢測(cè)航天器的故障。
在免疫網(wǎng)絡(luò)學(xué)說(shuō)中，免疫系統(tǒng)中每個(gè)細(xì)胞的克隆都處于一個(gè)非獨(dú)立的狀態(tài)，這些細(xì)胞通過(guò)自我識(shí)別、相互刺激和相互制約等行為，構(gòu)成一個(gè)動(dòng)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(gè)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(duì) 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(xiàn)檢測(cè)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(shí)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(guò)對(duì)已知的皮帶秤故障進(jìn)行訓(xùn)練生成自體檢測(cè)器，本層主要檢測(cè)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(duì)生成的檢測(cè)器進(jìn)行變異，檢測(cè)未知故障，并將新的檢測(cè)器加入到故障知識(shí)庫(kù)。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(gè)檢測(cè)器之間的親和力相似，此時(shí)傳統(tǒng)的通過(guò)親和力計(jì)算判斷故障類(lèi)型的方法便會(huì)發(fā)生誤判。本文采用 K 近鄰分類(lèi)法實(shí)現(xiàn)對(duì)任意樣本的識(shí)別具體診斷過(guò)程如下。
Step1: 計(jì)算待診斷樣本與已有檢測(cè)器之間的歐氏距離。
Step2: 找出與待測(cè)數(shù)據(jù)距離最小的 k 個(gè)檢測(cè)器。
Step3: k 個(gè)檢測(cè)器中若某一類(lèi)檢測(cè)器匹配的抗原數(shù)量最多，則判斷為該類(lèi)故障; 若出現(xiàn)多類(lèi)故障模式，即所匹配的檢測(cè)器個(gè)數(shù)相同，則取與抗原的親和力最大的檢測(cè)器，并確診為此檢測(cè)器所能檢測(cè)的故障。
1． 2 自有診斷層
aiNet 網(wǎng)絡(luò)模型可以看做是聚類(lèi)問(wèn)題，每個(gè)抗體代表一個(gè)皮帶秤的故障類(lèi)型，待檢測(cè)數(shù)據(jù)對(duì)應(yīng)于抗原 Ag，通過(guò)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(gè) L 維的向量，對(duì)應(yīng)于狀態(tài)空間的一個(gè)特定位置。
故障診斷時(shí)，采集的設(shè)備狀態(tài)信息對(duì)應(yīng)于模型中的抗原，每一個(gè)狀態(tài)信息對(duì)應(yīng)于形態(tài)空間的一個(gè)特征向量。采用 aiNet 網(wǎng)絡(luò)模型，對(duì)已知的樣本進(jìn)行學(xué)習(xí)訓(xùn)練，得到抗體即識(shí)別樣本的檢測(cè)器，由于抗體與抗原不完全的匹配性，使得一種檢測(cè)器可以識(shí)別不同的訓(xùn)練樣本，直接采用免疫網(wǎng)絡(luò)算法對(duì)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(gè)數(shù)，L 表示皮帶秤運(yùn)行狀態(tài)的屬性個(gè)數(shù)。首先將數(shù)據(jù)進(jìn)行歸一化處理，采用式( 1) 對(duì)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(duì)故障抗原的識(shí)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(shí)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(shí)別的范圍小，易出現(xiàn)漏診。通過(guò)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(shí)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(huì)使一個(gè)故障被多個(gè)抗體所識(shí)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(huì)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(huì)導(dǎo)致抗體的多樣性減少; K過(guò)小會(huì)導(dǎo)致迭代次數(shù)過(guò)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(guò)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(duì)象進(jìn)行算法驗(yàn)證?，F(xiàn)場(chǎng)數(shù)據(jù)通過(guò) ＲS － 485 總線(xiàn)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(gè)皮帶秤系統(tǒng)的數(shù)據(jù)。通過(guò) MATLAB 的串口通信與 SA600 現(xiàn)場(chǎng)儀表通信，對(duì)傳感器數(shù)據(jù)實(shí)時(shí)讀寫(xiě)。
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(huì)影響皮帶秤計(jì)量精度的常見(jiàn)故障主要包括: 傳感器表面磨損、稱(chēng)重架卡料、稱(chēng)重架松動(dòng)、傳感器接線(xiàn)不良和托輥組托輥被卡等 5 類(lèi)。每個(gè)故障與所測(cè)得值具有一一映射關(guān)系，故選取 8 個(gè)傳感器信號(hào)作為識(shí)別故障類(lèi)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(duì)應(yīng)于 8 組稱(chēng)重傳感器值，將采集的數(shù)據(jù)經(jīng)過(guò)提取、歸一化處理后作為學(xué)習(xí)、訓(xùn)練和檢測(cè)所使用的樣本，并將傳感器表面磨損、稱(chēng)重架卡料、稱(chēng)重架松動(dòng)和傳感器接線(xiàn)不良這 4 類(lèi)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(xiàn)學(xué)習(xí)檢測(cè)。在實(shí)驗(yàn)時(shí)每個(gè)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(cè)，每組數(shù)據(jù)包括 10 個(gè)樣本。最終結(jié)果進(jìn)行整理見(jiàn)表 3。
由表 3 可知，正常模式下識(shí)別率達(dá)到 100% ，而對(duì)于已知的故障診斷率均達(dá)到 96% 以上，對(duì)于新的故障類(lèi)型，誤診為正常數(shù)據(jù)的僅有 1 個(gè)，有 92 個(gè)樣本被正確地診斷為新的故障類(lèi)型; 對(duì)于整體而言，600 個(gè)測(cè)試樣本中被誤診為正常數(shù)據(jù)的僅有 1 個(gè)，說(shuō)明該多層檢測(cè)模型對(duì)于故障的識(shí)別率很高，可以滿(mǎn)足皮帶秤系統(tǒng)的故障檢測(cè)要求。
4.結(jié)束語(yǔ)
本文在現(xiàn)有的成熟算法的基礎(chǔ)上，對(duì)人工免疫系統(tǒng)進(jìn)行改進(jìn)，引入 K 近鄰分類(lèi)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(duì)已知故障的快速診斷。利用克隆選擇算法對(duì)未知故障數(shù)據(jù)進(jìn)行訓(xùn)練，并將新生成的檢測(cè)器加入到自有診斷層，完善整個(gè)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(cè)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(cè)已知故障與未知故障，對(duì)提高皮帶秤使用精度、降低損失有很大意義。
