一种轮胎硫化机疏水阀蒸汽内漏的协同免疫检测方法与流程
本发明涉及疏水阀蒸汽内漏检测技术领域，尤其涉及一种轮胎硫化机疏水阀蒸汽内漏的协同免疫检测方法。
背景技术：
在轮胎硫化车间中，生胎在高温高压下被定型为规定形状、高强度、高弹性的成品轮胎，蒸汽是硫化工序中最常用的热源和压力介质，大量的蒸汽消耗导致了硫化工序高昂的能耗成本和环境污染成本；而疏水阀蒸汽内漏(以下简称疏水阀内漏)是硫化车间中常见的异常事件，常常引发大量的蒸汽浪费，降低硫化的能源效率；一台存在疏水阀内漏的硫化机工作过程中的蒸汽消耗是正常时的3倍以上，泄漏的蒸汽消耗经常接近硫化车间蒸汽总用量的15％。显然，及时发现疏水阀内漏将有利于降低生产成本、安全隐患和污染物排放。
现代轮胎硫化工序均由硫化机自动完成，硫化机的结构原理如图4所示，硫化时，一个生胎1首先被固定在硫化机的蒸汽室2和胶囊3之间，然后高压过饱和蒸汽分别充入蒸汽室和胶囊，加热生胎并诱发硫化反应。一段时间后，高压氮气充入胶囊，提供定型压力。疏水阀4连接蒸汽管道与蒸汽室，及时排出硫化过程中产生的冷凝水。但疏水阀内漏导致蒸汽在未冷凝的状态下排出，从而造成能源浪费。由于技术和成本的限制，很少有单台硫化机配备蒸汽计量表，很难通过简单观察发现故障。在实际生产中，车间一般依靠定期的人工检测(拆卸或检漏仪)来发现故障，但耗时长，效率低。疏水阀内漏在轻微状态下不影响生产，许多企业甚至没有意识到疏水阀内漏的严重性。而部分研究者建议将疏水阀内漏纳入管道泄漏的范围，并且通过分析潜在泄漏点周围的温度、压力、流速、震动和声波等状态参数检测法来发现故障，虽然能在短时间内发 现泄漏故障，并较为准确地定位泄漏点，但状态参数检测法仅仅对形状简单、流速稳定的传输管道系统较为有效，很难应用于管道拓扑复杂，流速不稳定的硫化车间。
对于疏水阀内漏事件而言，利用能效评估来识别需要设备级的能耗计量支持，而这正是绝大部分轮胎制造企业所缺乏的计量，虽然现有的研究为硫化机疏水阀蒸汽内漏问题奠定了理论基础，但是开发一种针对该问题的有效检测方法还需要克服以下三个难点：设备级计量的局限、能效评估的准确性、硫化机温度和压力的扰动因素；即(1)因成本和工艺，设备级的蒸汽计量在硫化车间存在困难，特别是蒸汽流量计的阻汽作用会影响对硫化温度和压力的精确控制，通常硫化机不配备蒸汽计量，仅配备蒸汽室和胶囊的温度和压力传感器，不具备依赖单台硫化机蒸汽用量的变化进行泄漏检测的条件；(2)硫化能效受生产速度、工艺参数、环境温度等因素的影响，给车间能效简单设置阈值检测该故障，会引发高误检率和漏检率，且无法定位泄漏硫化机；(3)蒸汽源压力和蒸汽流速的扰动，会掩盖疏水阀内漏引发的蒸汽温度和压力的变化，独立运用硫化机温度和压力的变化去检测该故障同样会产生较高的误检率和漏检率。因此，在现有计量条件下，简单通过工艺参数和能效评估均无法实现疏水阀内漏的有效检测。
技术实现要素：
本发明的目的在于提出一种将车间级蒸汽用量和设备级工艺参数相结合的轮胎硫化机疏水阀蒸汽内漏的协同免疫检测方法，其漏检率和误检率明显降低，可以有效控制漏检率和误检率分别在2.62％和5.26％。
为达此目的，本发明采用以下技术方案：
一种轮胎硫化机疏水阀蒸汽内漏的协同免疫检测方法，基于计算机的人工 系统，包括如下步骤：
A：计算主机系统的初始化：
(1)危险阈值模型的构建：通过建立车间级蒸汽用量与设备级工艺参数之间的动态基线回归模型，产生动态危险基线，设定危险阈值；
(2)检测模型的构建：利用硫化机状态参数和蒸汽管道状态参数，通过人工免疫网络聚类产生泄漏硫化机的检测器；
B：计算机每次运行的协同免疫检测方法：
协同免疫检测模型的构建：将所述动态基线回归模型和所述检测器进行协同免疫检测。
进一步说明，所述协同免疫检测是将所述硫化机疏水阀内漏事件作为抗原，所述设备级工艺参数中的硫化机的外压和外温(pVO和tVO)作为抗原决定基，所述车间级蒸汽用量(M)为危险信号源；
对所述车间级蒸汽用量(M)进行周期性统计和检测，当所述车间级蒸汽用量(M)超出危险阈值范围，则发出危险信号，触发所述硫化机的外压和外温(pVO和tVO)与所述检测器的匹配，如果匹配成功，则确认故障发生，触发报警；其中所述硫化机的外压和外温(pVO和tVO)可进行多次采样检测。
进一步说明，所述动态基线回归模型的建立包括硫化能耗的热平衡模型的建立和车间蒸汽用量的危险阈值回归分析。
进一步说明，所述硫化能耗的热平衡模型用公式表示为： 其中QV为周期内轮胎硫化消耗的热量；QVi是硫化工序i消耗的总热量；KH为硫化工序中生胎的比热，mTRi生胎质量，ΔtOi为tO和tAi之差，tO和tAi分别为硫化温度和环境温度； KS为硫化机表面传热系数，Ai硫化机蒸汽室表面积，△tSi为tS和tAi之差，tS为硫化机蒸气室表面温度，tAi为环境温度，τi为硫化周期内硫化机开机时间；KI为归并后的系数；DTRj和BTRi分别为轮胎外径和宽度。
进一步说明，所述车间蒸汽用量的危险阈值回归分析是基于所述热平衡模型的多元线性回归预测来评估车间蒸汽用量(M)的合理区间，区间上限为危险阈值，当实测的车间蒸汽用量(M)超出危险阈值，则发出疏水阀内漏的危险信号。
进一步说明，所述人工免疫网络聚类是根据硫化工况特征和疏水阀内漏特征，提取硫化机状态参数的內温tVI、内压pVI，以及其外温tVO、外压pVO与蒸汽管道状态参数的外压蒸汽温度tO、压力pO的差值，则聚类样本特征S用公式表示为：S＝<pVI,tVI,△pVO,△tVO＞，△pVO＝pVO-pO，△tVO＝tVO-tO。
进一步说明，所述人工免疫网络聚类包括免疫压缩和免疫聚类；所述免疫压缩模拟生物免疫系统的克隆选择和免疫禁忌，设训练样本为SPL，输入基于克隆选择机理的aiNet算法后输出记忆网络(MD)，所述免疫压缩包括如下算法步骤：
(1)初始化参数n,ξ,σs,σd,σf，随机产生一个抗体网络A；
(2)进入以下迭代
(2.1)MD＝Φ
(2.2)对于每一个ag∈SPL,进入以下循环；
(2.2.1)计算ag与ab(ab∈A)的距离，得到距离矩阵D；
(2.2.2)从A中选择n个与抗原亲和力最高的抗体；
(2.2.3)克隆n个被选抗体，并入A，亲和力越高的抗体克隆数越多，设克隆总数为Nc；
(2.2.4)按照式A＝A-ψ(A-X)对Nc个克隆抗体进行变异，式中，ψ变化率向量，与抗原亲和力有关，亲和力越高的抗体变异率越低；
(2.2.5)计算抗原ag与Nc个变异抗体的距离；
(2.2.6)选择ξ个具有最大抗原亲和力的抗体，形成一个记忆网络Mp；
(2.2.7)从Mp中移除与抗原ag距离小于阈值σd的抗体；
(2.2.8)计算Mp中抗体之间的距离sij；
(2.2.9)克隆抑制，从Mp中移除sij<σd的抗体；
(2.2.10)合并Mp到MD，即MD＝[MD；Mp]；
(2.3)克隆禁忌，设抗原ag将被距离小于阈值σs的抗体捕获，如果某
个抗体捕获的抗原数小于阈值σf，则从MD中清除。
(2.4)再次克隆抑制，从MD清除sij<σd的抗体；
(2.5)随机产生一个新的抗体群A，然后与MD合并，即A＝[A；MD]；
(3)计算MD中抗体之间的平均距离，如果循环次数超过最大值，或者平均距离与上一次迭代比较小于某个阈值，则停止迭代；否则返回步骤(2)继续迭代。
进一步说明，所述免疫聚类是对记忆网络(MD)的聚类，记忆网络(MD)可视为顶点数为抗体数，边权值为抗体间亲和力的一个完全图；从记忆网络(MD)中生成一颗最小生成树；设剪枝阈值为λ，完全图中边权值大于λ的边将被剪除，然后完全图被分割为多个连通子图，每一个连通子图即为一个聚簇，每一个聚簇代表一个工况的特征空间。
本发明的有益效果：本发明提出了一种车间级蒸汽用量和设备级工艺参数相结合的疏水阀蒸汽内漏的协同免疫检测方法，基于车间级蒸汽用量和设备级状态参数建立了协同免疫检测模型，克服设备级蒸汽用量缺失带来的检测困难； 从硫化能耗机理上建立了车间级蒸汽用量与设备级工艺参数之间的动态基线回归模型，产生准确的动态危险基线来发现能效下降；基于硫化机状态参数和蒸汽管道状态参数，利用人工免疫网络聚类产生泄漏硫化机的检测器，来克服扰动因素的干扰；所述协同免疫检测方法能准确地检测出硫化机是否存在疏水阀蒸汽内漏事件，漏检率和误检率分别控制在2.62％和5.26％，与传统的设备级状态参数检测方法相比，漏检率和误检率分别降低6.67％和14.28％。
附图说明
图1是本发明一个实施例的轮胎硫化机疏水阀蒸汽内漏的协同免疫检测方法的系统示意图；
图2是本发明一个实施例轮胎硫化机疏水阀蒸汽内漏的协同免疫检测方法的模块图；
图3是本发明一个实施例的协同免疫检测与生物免疫机理的框架映射图；
图4是本发明一个实施例的轮胎硫化机的结构示意图；
图5是本发明一个实施例的胶囊內温和内压的周期曲线；
图6是本发明一个实施例的硫化车间蒸汽管道系统原理图；
图7是本发明一个实施例的车间蒸汽用量实测值和检测基线；
图8是本发明一个实施例的剪枝后免疫网络最小生成树距离图；
其中：生胎1，蒸汽室2，胶囊3，疏水阀4。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
一种轮胎硫化机疏水阀蒸汽内漏的协同免疫检测方法，基于计算机的人工系统，包括如下步骤：
A：计算主机系统的初始化：
(1)危险阈值模型的构建：通过建立车间级蒸汽用量与设备级工艺参数之间的动态基线回归模型，产生动态危险基线，设定危险阈值；
(2)检测模型的构建：利用硫化机状态参数和蒸汽管道状态参数，通过人工免疫网络聚类产生泄漏硫化机的检测器；
B：计算机每次运行的协同免疫检测方法：
协同免疫检测模型的构建：将所述动态基线回归模型和所述检测器进行协同免疫检测。
在轮胎硫化车间中，硫化机疏水阀蒸汽内漏常常导致巨大的蒸汽浪费，因为设备级蒸汽用量的缺失，加之蒸汽源、管道流速、不定时疏水等因素的扰动，仅凭蒸汽室温度和压力变化进行检测存在较高的漏检率和误检率。
本发明提出了一种车间级蒸汽用量和设备级工艺参数相结合的疏水阀蒸汽内漏协同免疫检测方法，运用三个创新来克服了目前开发关于硫化机疏水阀蒸汽内漏问题的检测方法的三个难点，即(1)基于车间级蒸汽用量和设备级状态参数建立了协同免疫检测模型，克服设备级蒸汽用量缺失带来的检测困难；(2)从硫化能耗机理上建立了车间级蒸汽用量与设备级工艺参数之间的动态基线回归模型，产生准确的动态危险基线来发现能效下降；(3)基于硫化机状态参数和蒸汽管道状态参数，利用人工免疫网络聚类产生泄漏硫化机的检测器，来克服扰动因素的干扰。所述协同免疫检测方法能准确地检测出硫化机是否存在疏水阀蒸汽内漏事件，漏检率和误检率分别控制在2.62％和5.26％，与传统的设备级状态参数检测方法相比，漏检率和误检率分别降低6.67％和14.28％。图1为轮胎硫化机疏水阀蒸汽内漏的协同免疫检测方法的系统示意图；图2为轮胎硫化机疏水阀蒸汽内漏的协同免疫检测方法的模块图。
进一步说明，所述协同免疫检测是将所述硫化机疏水阀内漏事件作为抗原， 所述设备级工艺参数中的硫化机的外压和外温(pVO和tVO)作为抗原决定基，所述车间级蒸汽用量(M)为危险信号源；
对所述车间级蒸汽用量(M)进行周期性统计和检测，当所述车间级蒸汽用量(M)超出危险阈值范围，则发出危险信号，触发所述硫化机的外压和外温(pVO和tVO)与所述检测器的匹配，如果匹配成功，则确认故障发生，触发报警；其中所述硫化机的外压和外温(pVO和tVO)可进行多次采样检测。
在生物免疫系统中的危险理论提出，一个免疫系统仅仅对有害的抗原产生免疫反应，T淋巴细胞和B淋巴细胞必须满足两个条件才能被激活，一是它们与抗原的亲和力必须大于匹配阈值，二是必须接收到协同刺激信号。当抗原入侵肌体并引发细胞异常死亡，一个危险信号将由T淋巴细胞发出，然后传递给B淋巴细胞做出免疫反应。B淋巴细胞直到接收到协同刺激信号才做出反应。生物免疫系统中，自体/非自体的识别由T淋巴细胞通过阴性选择规则来执行；有害/无害抗原的识别则由受损细胞通过危险阈值来执行。有害/无害抗原的识别保证了免疫系统不对无害抗原产生免疫反应，从而有效地抑制了错误反应的发生。
本发明根据生物免疫系统中的危险理论，对所述硫化机疏水阀内漏事件的协同免疫检测是基于以下两个事实进行开发：(1)疏水阀内漏会降低故障硫化机的外压(pVO)和外温(tVO)，视为免疫反应；(2)疏水阀内漏会显著降低故障硫化机的能源效率，从而引发车间蒸汽用量(M)上升，视为危险信号；
所述协同免疫检测与生物免疫机理的框架映射如图3所示，即通常车间级蒸汽用量(M)是被周期性统计和监控，当超出危险阈值范围，则发出危险信号，将硫化机的外压和外温(pVO和tVO)的工序参数进行检测和提呈，并通过检测器进行疏水阀内漏检测；因此当硫化机的外压和外温(pVO和tVO)，以及车间级蒸汽用量(M)均变化到一定极限后才触发故障报警，用以其抑制误检率；而为 了抑制漏检，硫化机的外压和外温(pVO和tVO)可多次采样进行检测，以降低扰动因素的随机干扰。
进一步说明，所述动态基线回归模型的建立包括硫化能耗的热平衡模型的建立和车间蒸汽用量的危险阈值回归分析。
进一步说明，所述硫化能耗的热平衡模型用公式表示为： 其中QV为周期内轮胎硫化消耗的热量；QVi是硫化工序i消耗的总热量；KH为硫化工序中生胎的比热，mTRi生胎质量，ΔtOi为tO和tAi之差，tO和tAi分别为硫化温度和环境温度；KS为硫化机表面传热系数，Ai硫化机蒸汽室表面积，△tSi为tS和tAi之差，tS为硫化机蒸气室表面温度，tAi为环境温度，τi为硫化周期内硫化机开机时间；KI为归并后的系数；DTRj和BTRi分别为轮胎外径和宽度。
轮胎硫化过程中消耗的能量主要由蒸汽和氮气提供，能量消耗主要用于加热和定型生胎，定型主要由高压氮气完成，并且其能耗远远低于加热能耗。氮气做功和定型能耗，以及硫化化学热均忽略不计，主要从热平衡的角度分析蒸汽供能和加热能耗。
对于单道硫化工序而言，其能量平衡如式(1)所示：
QVi＝QHi+QSi+QIi+QOi (1)
式中，QVi是硫化工序i消耗的总热量，QHi是加热生胎吸收热量，QSi是从硫化机蒸气室表面散发的热量，QIi是胶囊蒸汽排放热量,QOi是蒸汽室冷凝水排放热量,。
根据吸热原理，QHi如式(2)所示：
QHi＝KHmTRi(tO-tAi)＝KHmTRi△tOi (2)
式中,KH为硫化工序中生胎的比热，mTRi生胎质量(同表1中mTR),tO和tAi分别为硫化温度(同外压蒸汽温度)和环境温度，ΔtOi为两者之差。
根据传热原理，QSi描述如式(3)所示：
QSi＝αSAi(tS-tAi)τi＝KSAi△tSiτi (3)
式中，αS为硫化机表面传热系数,Ai硫化机蒸汽室表面积,tS为硫化机蒸气室表面温度，近似为常数，tAi为环境温度，△tSi为两者之差，τi为硫化周期内硫化机开机时间，包括待机准备时间,KS为系数，同αS。
QIi与工作时胶囊充气体积成正比，如式(4)所示：
式中，qI是胶囊蒸汽排出时的蒸汽余热系数，DTRj和BTRi即轮胎外径和宽度，与表1中DTR和BTR含义相同，KI为归并后的系数。
QOi是指从蒸汽室排出冷凝水的热量，其冷凝水是内压蒸汽压力下的饱和水，根据冷凝原理，冷凝水量与QHi和QSi成正比，如式(5)所示：
QOi＝KO(QHi+QSi) (5)
式中，KO为冷凝系数。
热平衡估算中，可以将KO归并到KH和KS中,不需要单独列出。对于一个统计周期而言，假设该周期内完成了n个硫化工序，则该周期内消耗的热量QV如式(6)所示：
所述硫化能耗的热平衡模型的公式表达了车间蒸汽用量(M)与硫化工艺参数之间的推理关系。在正常情况下，实测的车间蒸汽用量(M)应与推理所得的 QV近似相等，QV的估计值可作为(M)的危险阈值，当M与QV相差较大时，则车间可能发生疏水阀泄漏事件。
将式(6)转换为式(7)：
QV＝KHXH+KSXS+KIXI+K0 (7)
式中，XH、XI、XS为解释变量，分别与式(6)中的统计项对应,K0为回归分析所需的常数项，接近于0。
基于式(7)的多元线性回归预测来评估车间蒸汽用量的合理区间，区间上限即为危险阈值，多元线性回归预测步骤如下：
(1)从历史数据中获取一个回归样本，QV的观察值即统计周期内实测的车间蒸汽用量M,XH、XI、XS分别根据硫化工艺参数进行统计，设样本为矩阵<Q,X>,Q为M的观察值向量，X为XH、XI、XS的观察值矩阵；
(2)基于样本<Q,X>对KH、KI、KS、K0参数进行最小二乘估计，设 为估计参数向量，则其估计值如式(8)所示：
(3)对于样本个体<QVf,XHf,XIf,XSf>，QVf对应的点预测值如式(9)：
(4)计算预测值与观察值的误差εf，如式(10)所示：
(5)计算样本<Q,X>的误差方差σ2，如式(11)所示：
式中，m是样本数量，m-4是自由度(4表示系数个数)。
(6)构造统计量t如式(12)：
则t服从自由度为m-4的t分布。
(7)给定显著性水平α，得临界值tα/2(m-4),则置信度1-α的QVf预测区间如式(13)：
因为疏水阀蒸汽内漏只会引发蒸汽用量异常上升，不会引发异常下降，所以只需做单边检测，取为危险阈值，一旦实测的M值超出危险阈值，则发出疏水阀内漏的危险信号。
进一步说明，所述车间蒸汽用量的危险阈值回归分析是基于所述热平衡模型的多元线性回归预测来评估车间蒸汽用量(M)的合理区间，区间上限为危险阈值，当实测的车间蒸汽用量(M)超出危险阈值，则发出疏水阀内漏的危险信号。
进一步说明，所述人工免疫网络聚类是根据硫化工况特征和疏水阀内漏特征，提取硫化机状态参数的內温tVI、内压pVI，以及其外温tVO、外压pVO与蒸汽管道状态参数的外压蒸汽温度tO、压力pO的差值，则聚类样本特征S用公式表示为：S＝<pVI,tVI,△pVO,△tVO>，△pVO＝pVO-pO，△tVO＝tVO-tO。
所述硫化机状态参数的內温tVI和内压pVI主要表征不同硫化工况；硫化机状态参数的外温tVO、外压pVO与蒸汽管道状态参数的外压蒸汽温度tO、压力pO的差值主要用来判断疏水阀内漏事件。
补充说明：在硫化过程中，外压蒸汽从蒸汽管道通过节流阀进入蒸汽室，经过膨胀和传热后，温度和压力均会有所下降。当疏水阀内漏时，蒸汽室内蒸汽可视为异常膨胀，引发温度和压力随之异常下降。但是，蒸汽源温度和压力、 管道蒸汽流速以及正常疏水动作的波动，同样会引发蒸气室温度和压力波动，因此，简单地对蒸汽室内温度和压力设定阈值，并不能有效发现疏水阀蒸汽内漏，将蒸汽室内温度和压力与管道减压阀后相应值进行比较，将更能突出故障特征。
硫化过程的不同工况对外压蒸汽的消耗速度有较大差异，也会引发蒸气室内温度和压力的变化。硫化各工况的特征可以根据胶囊温度和压力来识别，其特征分析如下：
(1)装模/开模：pVI为大气压，tVI接近tA；钢模对外界散热，外压蒸汽消耗快，pVO稳定，tVO下降。
(2)保温初期：pVI接近pI，tVI初期快速上升；外压蒸汽消耗快，pVO稳定，tVO下降。
(3)保温后期：pVI接近pI，tVI接近tI；外压蒸汽消耗慢，pVO稳定，tVO稳定。
(4)保压：pVI接近pN，tVI下降；外压蒸汽消耗慢，pVO稳定，tVO稳定。
(5)待机：pVI为大气压，tVI接近tVO；外压蒸汽消耗慢，pVO稳定，tVO稳定。
上述工况期间，如遇到疏水动作，pVO和tVO都有下降，但迅速恢复，因此，疏水是一个pVO和tVO的干扰源。
通过历史工艺参数(pVI，tVI，pVO，tVO)对各工况进行聚类，可以提取正常工况下的参数聚类特征，当疏水阀内漏事件发生后，实测的工况特征会偏离正常聚类特征。
进一步说明，所述人工免疫网络聚类包括免疫压缩和免疫聚类；所述免疫压缩模拟生物免疫系统的克隆选择和免疫禁忌，设训练样本为SPL，输入基于克隆选择机理的aiNet算法后输出记忆网络(MD)，所述免疫压缩包括如下算法步骤：
(1)初始化参数n,ξ,σs,σd,σf，随机产生一个抗体网络A；
(2)进入以下迭代
(2.1)MD＝Φ
(2.2)对于每一个ag∈SPL,进入以下循环；
(2.2.1)计算ag与ab(ab∈A)的距离，得到距离矩阵D；
(2.2.2)从A中选择n个与抗原亲和力最高的抗体；
(2.2.3)克隆n个被选抗体，并入A，亲和力越高的抗体克隆数越多，设克隆总数为Nc；
(2.2.4)按照式A＝A-ψ(A-X)对Nc个克隆抗体进行变异，式中，ψ变化率向量，与抗原亲和力有关，亲和力越高的抗体变异率越低；
(2.2.5)计算抗原ag与Nc个变异抗体的距离；
(2.2.6)选择ξ个具有最大抗原亲和力的抗体，形成一个记忆网络Mp；
(2.2.7)从Mp中移除与抗原ag距离小于阈值σd的抗体；
(2.2.8)计算Mp中抗体之间的距离sij；
(2.2.9)克隆抑制，从Mp中移除sij<σd的抗体；
(2.2.10)合并Mp到MD，即MD＝[MD；Mp]；
(2.3)克隆禁忌，设抗原ag将被距离小于阈值σs的抗体捕获，如果某个抗体捕获的抗原数小于阈值σf，则从MD中清除。
(2.4)再次克隆抑制，从MD清除sij<σd的抗体；
(2.5)随机产生一个新的抗体群A，然后与MD合并，即A＝[A；MD]；
(3)计算MD中抗体之间的平均距离，如果循环次数超过最大值，或者平均距离与上一次迭代比较小于某个阈值，则停止迭代；否则返回步骤(2)继续迭代。
为了识别不规则形状的空间特征，因此采用了基于克隆选择机理的人工免疫网络算法(aiNet)，从而获得一个表征特征轮廓的免疫网络作为检测器，增强检测性能。其中关于人工免疫网络算法(aiNet)参数如下表中所示：
补充说明：免疫压缩模拟生物免疫系统的克隆选择和免疫禁忌，待聚类的数据被视为抗原，抗原被反复刺激后提取出记忆网络，记忆网络形成了抗原仪表的空间图像，但其规模却远远小于抗原数量。因此，记忆网络是抗原集的一个压缩集合。抗体和抗原之间的亲和力用它们之间的欧拉距离表示，距离越小意味着亲和力越强。两个抗体之间的亲和力也用欧拉距离表示，距离越小意味着亲和力越弱。
进一步说明，所述免疫聚类是对记忆网络(MD)的聚类，记忆网络(MD)可视为顶点数为抗体数，边权值为抗体间亲和力的一个完全图；从记忆网络(MD)中生成一颗最小生成树；设剪枝阈值为λ，完全图中边权值大于λ的边将被剪除，然后完全图被分割为多个连通子图，每一个连通子图即为一个聚簇，每一个聚簇代表一个工况的特征空间。
检测时，一个抗原将被距离它最近的抗体捕获，该距离称为抗原与抗体网络的距离，设定一个识别阈值，当该抗原与抗体网络的距离大于识别阈值，则该抗原无法归入某一聚簇，可能是由疏水阀内漏事件产生的异常抗原。
需要补充说明，本发明是对目前较为通用的等压变温硫化工艺来分析其硫化过程，并调研了位于珠三角地区的两家大型乘用车轮胎企业，根据调研的情况来确定可自动感知的能源用量、工艺参数和状态参数，并建立参数之间的关系模型。
温度、压力和硫化时间是硫化工艺的三个关键控制参数，前两者由硫化机蒸汽室和胶囊中的温度和压力决定，后者则是轮胎在硫化机中进行硫化反应的时间。为了保持均匀受热，胶囊和蒸汽室中充入的蒸汽压力和温度参数并不相同，由不同的蒸汽管道系统供应。充入胶囊的蒸汽称为内压蒸汽，硫化结束后通过抽真空排出，胶囊内的温度和压力通常称为内温和内压；充入蒸汽室的蒸汽称为外压蒸汽，其温度和压力低于内压蒸汽，蒸汽室内温度和压力通常称为外温和外压。外温和外压在硫化机工作的整个过程中基本恒定，由外压蒸汽控制。外压蒸汽通过钢模向生胎传递热量，蒸汽室中的冷凝水通过疏水阀定期排出。对于胶囊而言，如果忽略机械操作和冷凝水排水过程，其中的工艺过程可分为保温和保压两个阶段，保温阶段即生胎装入硫化机后，持续充入内压蒸汽，使胶囊保持恒定温度和压力；保压阶段即内压蒸汽停止充入，高压氮气开始充入保压，直至钢模打开，轮胎从硫化机中取出。整个过程中内压蒸汽通过胶囊向生胎传热。图5显示了內温和内压的周期曲线。从温度曲线可以看出，温度在保温开始时迅速上升，然后保持平稳，在保压阶段开始后，温度又迅速升高，然后保持近线性下降，直到结束。压力则在两个阶段均保持平稳。内温和内压的变化曲线清晰地反映了硫化的不同阶段。
状态参数感知时，外温、外压、內温、内压作为关键控制参数，硫化机内均部署传感器，并被过程控制系统(PCS)以近实时的方式自动采集和监控。可获取的硫化机可获取的工艺参数和产品参数如表1所示：
表1硫化机可获取的工艺参数和产品参数
硫化车间蒸汽管道系统原理图如图6所示。蒸汽从主管道进入硫化车间，经历两次转化后进入硫化机。1#和2#减温减压阀将源蒸汽与除氧水混合转化为内压蒸汽，1#和2#蒸汽减压阀则将部分内压蒸汽转化为外压蒸汽。主管道后内压和外压双分支管道是为提高可靠性而设计的冗余管道。为了降低成本，减少阻汽影响，管道系统中仅安装主管道的蒸汽流量计。同时，减温减压阀和减压阀均有测量温度和压力的功能。排凝管后的回收管道在本发明的研究没有关系，可忽略。根据实际情况，车间可获取的有效参数如表2所示：
表2车间的可获取参数
本发明进行了实例验证：
从某一个合作的轮胎企业硫化车间提取了30天的数据样本，包括表1所示的车间参数和表2所示的硫化机参数。车间级参数每5分钟取样一次，共取得4320条记录，其中车间蒸汽用量(M)每小时统计一次，共获得720条记录；车间共有硫化机95台，硫化机参数每工序提取一次，共提取122744条记录，其中包含轮胎直径、宽带、质量等产品参数，保温和保压时间对于单台硫化机而言相对固定，与具体取工序中的具体时刻没有关系，内温、内压、外温、外压属于动态变化参数，从硫化机PCS中随机取样。
经检修记录确认，取样期间，共有4台硫化机的疏水阀存在内漏故障，经技术人员调取故障硫化机的内温、内压、外温、外压参数曲线跟踪分析后，基本确定了4个故障分别从第14、15、15、16天开始，于第18天修复。据此统计，车间蒸汽用量记录中存在105条故障记录，硫化机参数记录中存在1089故障记录。以下测试均在MATLAB R2013Ra编程的基础上，在普通PC机上进行。
1.车间蒸汽用量危险阈值检测测试
1.1.危险阈值回归模型的准确性测试
危险阈值的准确性直接影响到检测性能，本发明的危险阈值根据式(6)所示的关系模型通过回归分析产生。企业实际中，经常采用单位质量轮胎的蒸汽消耗量作为硫化能效指标，本发明据此建立一个简单的质量回归模型，与式(6)进行对比，如式(18)所示：
式中，KM是质量系数。
为了区别，式(6)和式(18)所示的回归模型分别称为综合回归模型和质量回归模型，QV的观察值即小时车间蒸汽用量(M)，式右边各解释变量的观察值根据硫化机参数按照小时统计计算获取，得到一个容量为720的样本SM，从正常样本中取240条作为回归样本SMr，其余的480条作为测试样本SMt。
通过回归分析确定各个系数后，回归模型的准确程度用回归样本和测试样本的回归方差σ2ε和修正可决系数来评估。修正可决系数如式(19)所示：
测试结果如表3所示：
表3车间蒸汽用量回归测试结果
回归方差σ2ε从回归预测值与观察值之间的偏离程度来评估回归模型的准确性，值越小表示回归模型越准确。从表3可以看出，无论是测试样本还是回归样本，综合回归模型的回归方差都要显著小于质量回归模型，由此可判断综合回归模型在预测的准确性上要优于质量回归模型。
修正可决系数从回归预测值与观察值之间的线性拟合程度来度量回归模型的准确性，值越大表示模型中解释变量对被解释变量的联合影响程度越大。从表4可以看出，无论是测试样本还是回归样本，综合回归模型的修正可决系数 显著大于质量回归模型，由此可判断，综合回归模型综合了轮胎质量、直径、宽度、硫化时间等诸多能耗影响因素，与单一的轮胎质量相比，能更准确地解释蒸汽消耗，因而可获得更优的预测值。
1.2.危险阈值检测测试
将SM作为测试样本，利用1.1中获得的各个系数和回归样本回归方差，分别采用综合回归模型和质量回归模型，按照式产生危险基线，并对测试样本进行故障检测。将综合回归模型产生的危险阈值线称为综合基线，质量回归模型产生的危险阈值线成为质量基线。
检测性能采用误检率、漏检率和错误率来评价，误检即检测结果中，把确认为正常的记录判断为异常的；漏检即把确认为异常的记录判断为正常的；误检率即误检数与正常数的比例，漏检率即漏检数与异常数的比例，错误率即误检数与漏检数之和与总体样本数的比例。
因为tα/2与置信度1-α相关，本测试中，置信度从90％～99％之间尝试，然后取一个最优置信度参数，来比较综合基线和质量基线的检测性能，得到的测试结果如表4所示。
表4车间蒸汽用量危险阈值检测结果
从表4可以看出，误检率和漏检率是一对相互矛盾的指标，对于同一回归模型产生的危险阈值而言，置信度增加，则误检率下降，漏检率上升。结合三个指标，综合基线在置信度为97％时错误率达到最优水平，分别为1.30％和5.71％； 质量基线在置信度为99％时错误率达到最优水平，分别为5.85％和18.10％。因此，从检测结果来看，综合基线的检测性能显著优于质量基线。
以时间为横坐标，蒸汽用量为横坐标，截取部分时间段的车间蒸汽用量实测值和检测基线显示如图7所示。
通过M值在同一天内总是存在波峰和波谷，是因为一天内环境温度会周期性变化，而轮胎传热和蒸汽室表面散热均与环境温度相关，如果车间生产的产品规格和开机台数没有太大变化，则引起小时蒸汽用量变化的主要因素即是环境温度，因而M值在同一天内随环境温度变化而波动。
通过危险基线可以观察到，综合基线与观察线拟合较强，对观察值变化非常敏感，也获得了良好的检测性能。质量基线因为忽略了环境温度、产品规格参数的影响，主要随产出的轮胎质量而波动，而这个参数在正常生产时只是小幅波动，质量基线与观察线拟合较弱，对观察值变化并不敏感，也产生了较高的误检率和漏检率。进一步分析发现，其误检主要发生在待机较长或者环境温度较低的时段，漏检主要发生在环境温度较高的时段，只有泄漏比较严重时才能发现故障。
为了抑制误检率，质量基线定在置信度较高的水平，但这又导致了漏检率的上升，从图7中可以看出，当只有一台和两台硫化机疏水阀内漏的情况下，质量回归模型危险基线并没有发现故障，直到三台疏水阀内漏同时发生，车间蒸汽用量显著上升，才检测到该故障。
综上分析，综合基线能抑制因待机、产品规格等因素对硫化能效的影响，比质量基线能更加有效地发生疏水阀内漏事件。
2.硫化机温度和压力参数免疫检测
从硫化机参数样本中提取出内温、内压、外温、外压等4个参数，然后从 车间参数中提取出蒸汽管道中外压蒸汽的温度和压力，再将硫化机外温、外压与外压蒸汽温度和压力相减，得到外温差和外压差，计算时，根据硫化机参数提取时间，找到与之时间最近的车间参数，两者之间参数对应相减。这样，获得一个如式(14)所示的硫化机检测参数样本SV，样本容量为122744，故障子样本容量为1089。设正常子样本为SVn，故障子样本为SVa。
2.1.免疫网络生成测试
从SVn中随机提取10％组成训练样本SVt,用于产生免疫网络。为了方便设置aiNet算法中的经验参数，样本SVr中各维度数据均进行了规范化处理，即各维度数据的取值区间均压缩或拉伸到区间[0，1]。aiNet算法中，n,ξ，σf和σd仅影响收敛速度，不会影响收敛质量，根据经验分别设为4、10，5和1。
虽然剪枝阈值λ是影响免疫网络的关键参数，但是它并不是一个敏感参数，其值可用试探法，根据免疫网络最小生成树距离图进行可视化观察后确定。一个免疫网络最小生成树距离图如图8所示，图中横坐标表示免疫网络最小生成树的边号，纵坐标为边的距离。从图中可以看出，有4个柱的高度(即距离)显著高于其它相邻边，说明这是不同聚簇之间的连接边，应该要剪除。只要剪枝阈值设为最大普遍边距离与最小连接边距离之间，则算法就能正确剪枝，剪枝后免疫网络最小生成树即分裂为5棵子树，5棵子树的节点构成5个聚簇，正确区分了硫化的各个工况。从图8来看，λ的合适区间为[0.12,0.20]，在后续实验中，将设为0.15。
压缩阈值σs是影响免疫网络的另一个关键参数，过大则可能影响正确聚类，过小则免疫网络过大，影响压缩率。在此，采用试探法，让σs从较大值逐步递减，先生成免疫网络，然后再组织一个测试样本进行检测，观察检测性能，找出能保持检测性能最佳的最大σs。
2.2.免疫检测测试
从SVn-SVr中随机提取5000个样本，与SVa合并组成测试样本SVd。将压缩阈值σs在0.11至0.01之间变化，每次减少0.02，基于训练样本SVt产生免疫网络，抗原与聚簇之间的识别距离设为2σs，随后利用免疫网络对SVd进行检测，观察其是否能正确区分正常样本和故障样本。检测结果如表5所示：
表5不同σs下的免疫检测结果
从表5中可以看出，当σs下降到0.05后，误检率和漏检率不再发生变化，但是免疫网络规模随着σs下降而增大，会影响检测效率。因此，σs设为0.05是较为合适的，即能保证检测效率，又能保持较好的检测性能。从检测结果来看，误检率和漏检率分别达到9.39％和20.50％，主要是因为蒸汽源参数、蒸汽用量、不定时疏水等扰动因素，干扰了正常和故障的特征识别，检测性能并不理想。
2.3.免疫协同检测
按照协同免疫检测方法的逻辑流程，先针对每小时车间蒸汽用量进行检测，如果超出危险阈值，则发出危险信号，依次提取本小时内各硫化机工艺参数进行检测。因为硫化机工艺参数为每工序提取一次，一台硫化机一小时内存在多个工序参数样本，免疫网络检测时，一台硫化机对应的工序参数样本只要检测到一个为异常，即认为存在疏水阀内漏事件，通过多个样本验证抑制漏检率。
检测时，危险阈值检测沿用1.2的检测样本和置信度，其检测结果与1.2是相同的，因此不做重复测试。硫化机温度和压力参数免疫检测采用样本SV，沿用4.2.1中σs＝0.05时生成的免疫网络，测试中同时统计了硫化机温度和压力参数免疫检测(也称为工序参数独立检测)的检测结果。测试结果如表6所示：
表6协同免疫检测结果
从检测结果可以看出，协同免疫检测的漏检率和误检率均显著低于硫化机温度和压力参数单独检测，特别是漏检率得到很大改善。协同免疫检测漏检率下降的主要原因是硫化机疏水阀内漏直接导致车间蒸汽用量提升，反应比硫化机温度和压力变化敏感，因此漏检率得到抑制。而协同检测与工序参数独立检测相比，对相应时段的多个工序参数取样检测，消除了部分取样的随机误差，漏检率得到抑制。从最终较低的检测率和误检率来看，该检测方法已基本满足应用要求，即使偶有漏检，也会在下一轮检测中得到修正。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！