专利名称：一种基于复杂免疫网络算法的机械故障诊断方法
技术领域：
本发明涉及设备故障诊断领域，特别是涉及一种基于免疫网络算法的机械故障诊断方法。该方法可用于解决机械故障诊断中故障识别及分类问题。
背景技术：
机械故障诊断是上世纪六七十年代产生并发展起来的一门综合性边缘学科。随着科学技术的不断进步和现代化工业的迅速发展，现代设备的日趋大型化、集成化、精密化、 复杂化、自动化和连续化。机械设备的故障诊断技术越来越受到重视，如果某台设备出现故障而又未能及时发现和排除，其结果不仅会导致设备本身损坏，甚至可能会给生产和质量以至人们的生命财产安全造成难以估计的严重后果。因此，研究和开发高效、实用的机械故障诊断技术，保障生产的连续性与安全性，对于减少安全事故，提高现代化大生产的经济效益和社会效益都具有非常重要的意义。近年来，虽然陆续有一系列的故障检测和诊断方法被提出，但该领域依然存在一些问题1)故障样本难以获取，随着自动化水平的提高及计算机的飞速发展，对于大多数设备来说，大量的反映设备运行状态正常的数据容易获取，而故障数据的获取比较困难。这就使得一些依赖于大量样本数据的故障诊断方法难以实施，影响了故障诊断工作的开展和推广。2)缺乏具有连续学习能力的故障诊断方法，对于实际设备来说，很难一次性获取大量故障样本，随着时间的推移，会不断有新的故障样本出现。对于一些智能故障诊断方法 (如神经网络方法)，需要用新获取的样本与原先训练使用的样本一起对智能诊断系统进行训练，这将会耗费大量时间；如果原先的故障样本丢失，新的样本就不能参与对智能系统的再训练，否则原先样本训练的结果将会被刷新，造成无法弥补的损失。3)故障诊断结果的可解释性差，如基于规则的专家系统、故障树方法等。
发明内容
本发明的目的在于提供一种基于复杂网络算法的机械故障故障诊断方法，以解决传统故障诊断方法中对故障样本数量要求高，自组织、自学习能力差等问题，为提高机械故障诊断效率及准确率提供新的方法。为实现上述目的，本发明提供的基于复杂网络算法的机械故障故障诊断方法，其主要步骤如下1)将机械故障样本作为复杂免疫算法网络的抗原，设达到算法循环次数G为终止条件；2)首次迭代时，进化代数k = 0，随机产生P个实数编码的抗体作为抗体群Ab，若入侵的抗原为以前出现过的，则从记忆矩阵中选出数量为C的记忆细胞，与新产生的抗体组成初始抗体群；
5
3)逐一计算抗体Ab和抗原Ag之间的亲和力& ；4)根据亲和力大小将抗体群依次平均分为多个子群体；将每个子群体分别进行变异，用新产生的抗体集中改进成员替代原抗体成员，产生新的抗体群；5)将步骤4中产生的新抗体群输入复杂免疫网络模型进行调节5-i)计算网络中每个抗体群的受刺激程度Ai ；5-ii)通过资源分配机制，克隆受刺激程度高的抗体群，去除受刺激程度很低的抗体群；5-iii)对经过上述分配机制剩下的抗体群根据受激程度进行高频变异；5-iv)将受刺激程度高的抗体群与变异后的抗体群组合，形成新的免疫网络；5-v)循环执行步骤1-步骤4，达到循环上限H次时终止；6)进化代数k自增1，即k = k+Ι ；若满足终止条件k = G，则终止计算，否则回到步骤3 ；7)输入待测样本，计算待测样本与上述算法中所得抗体的亲和度，当该距离小于阈值Q时，该抗体对应故障的计数器CiW 1，则该故障征兆属于故障i的概率为& = Ci/N(i =1，2，. . .，n，)，其中Q为常数，N为初始抗体数，以此得到故障诊断结果。所述步骤2中抗体群Ab中抗体的个数P为20。所述步骤2中从记忆矩阵中选出记忆细胞的数量C为5%。所述步骤3中逐一计算抗体Ab和抗原Ag之间的亲和力fi j的方法为Λ;击其中，
权利要求
1.一种基于复杂免疫网络算法的机械故障诊断方法，主要步骤如下1)将机械故障样本作为复杂免疫算法网络的抗原，设达到算法循环次数G为终止条件；2)首次迭代时，进化代数k= 0，随机产生P个实数编码的抗体作为抗体群Ab，若入侵的抗原为以前出现过的，则从记忆矩阵中选出数量为C的记忆细胞，与新产生的抗体组成初始抗体群；3)逐一计算抗体Ab和抗原Ag之间的亲和力&；4)根据亲和力大小将抗体群依次平均分为多个子群体；将每个子群体分别进行变异， 用新产生的抗体集中改进成员替代原抗体成员，产生新的抗体群；5)将步骤4中产生的新抗体群输入复杂免疫网络模型进行调节 5-i)计算网络中每个抗体群的受刺激程度Ai ；5-ii)通过资源分配机制，克隆受刺激程度高的抗体群，去除受刺激程度很低的抗体群；5-iii)对经过上述分配机制剩下的抗体群根据受激程度进行高频变异； 5-iv)将受刺激程度高的抗体群与变异后的抗体群组合，形成新的免疫网络； 5-v)循环执行步骤1-步骤4，达到循环上限H次时终止；6)进化代数k自增1，即k= k+Ι ；若满足终止条件k = G，则终止计算；否则回到步骤3 ；7)输入待测样本，计算待测样本与上述算法中所得抗体的亲和度，当该距离小于阈值 Q时，该抗体对应故障的计数器Ci加1，则该故障征兆属于故障i的概率为\ = Ci/N(i = 1，2，. . .，n，)，其中Q为常数，N为初始抗体数，以此得到故障诊断结果。
2.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤2中抗体群Ab中抗体的个数P为20。
3.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤2中从记忆矩阵中选出记忆细胞的数量C为5%。
4.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤3中逐一计算抗体Ab和抗原Ag之间的亲和力fi j的方法为11 1 + ODij其中 θ e (Oa)jDij = Il Abi-Agj Il , i = 1,2,... ,N；
5.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤4中产生新抗体群的方法为4-i)根据亲和力大小将抗体群依次平均分为三个子群体亲和力最大的33%的抗体群分为A子群体，亲和力中等的33%的抗体群为B子群体和亲和力最低的其余抗体群作为 C子群体；4-ii)分别对上述子群体进行变异a)对于亲和力大的A子群体，依次执行以下操作a-Ι)低频变异对于该部分子群体A的抗体空间以变异率T= {Te (0，1)}进行低频变异，得到变异抗体集为* mam =Txama-2)抗体重组用抗体集《1中的改进成员替换原抗体成员；b)对于亲和力中等的B子群体，依次执行以下操作 b-Ι)中频频变异对于该部分子群体B的抗体空间\以变异率σ = α 进行中频变异，得到变异抗体集为b:=bm+axN(0,l)其中，N(0，1)表示期望为0，方差为1的正态分布随机数；0表示变异率；α，β为常数；b-2)抗体重组用抗体集^中的改进成员替换原抗体成员；c)对于亲和力最小的C子群体，依次执行以下操作 C-1)高频变异对该部分子群体C的抗体空间Cm以学习率ρ = {P:,m = [0,1，..刈1进行高频变异，得到变异后的抗体集<，变异时只对抗体的特征变异而不对类别变异，变异采用 cI =Cm - P(Cη, ~Ag, ) C-2)抗体重组用抗体集《中的改进成员替换原抗体成员。
6.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤5的 b-Ι 中，α = 1，β = 2 ；
7.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤5新抗体群输入复杂免疫网络模型进行调节的方法依次为5-i)计算网络中每个抗体群的受刺激程度在整个免疫网络内，对于每一个抗体群，根据下式计算出各自受激程度Ai
8.根据权利要求1所述的基于复杂免疫网络算法的机械故障诊断方法，其中，步骤7中 Q = 100。
全文摘要
一种基于复杂免疫网络算法的机械故障诊断方法将机械故障样本作为复杂免疫算法网络的抗原，达到算法循环次数G为终止条件；首次迭代时进化代数k＝0，随机产生P个实数编码的抗体作为抗体群Ab；逐一计算抗体Ab和抗原Ag之间的亲和力fij；根据亲和力大小将抗体群依次平均分为多个子群体；将每个子群体分别进行变异，用新产生的抗体集中改进成员替代原抗体成员，产生新的抗体群；将步骤4中产生的新抗体群输入复杂免疫网络模型进行调节；进化代数k自增1，即k＝k+1；若满足终止条件k＝G，则终止计算；否则回到步骤3；输入待测样本，计算待测样本与上述算法中所得抗体的亲和度。
文档编号G06N3/00GK102374936SQ201010261148
公开日2012年3月14日 申请日期2010年8月23日 优先权日2010年8月23日
发明者袁眉, 郝伟 申请人:太原理工大学