基于人工免疫系統(tǒng)的數(shù)控機(jī)床故障診斷系統(tǒng)研究

張春霞

（天津市渤?；ぢ毠W(xué)院，天津300450）

0 引言

數(shù)控機(jī)床由機(jī)床、數(shù)控裝置、伺服系統(tǒng)、程序載體、檢測裝置、反饋裝置等多個子系統(tǒng)構(gòu)成［1］，其中機(jī)床發(fā)生的故障約占所有故障的57%，數(shù)控裝置故障約占5.5%，電氣裝置故障約占37.5%，故障種類多且復(fù)雜［2］。因此，有必要采用人工免疫系統(tǒng)技術(shù)對數(shù)控機(jī)床故障進(jìn)行分析，創(chuàng)建一種完善有效的故障診斷系統(tǒng)。

1 人工免疫系統(tǒng)技術(shù)分析

人工免疫系統(tǒng)是受自然界生物免疫機(jī)理的啟示而提出的，通過對生物免疫系統(tǒng)的原理和特征進(jìn)行借鑒和模擬，進(jìn)而發(fā)展為可以在工程中應(yīng)用的信息處理技術(shù)。免疫系統(tǒng)主要包括免疫分子、免疫細(xì)胞、免疫組織和器官三部分，具有識別和自我修復(fù)能力，能夠檢測并消除因自體病變和外界病原體引發(fā)的功能紊亂［3］。

模式識別可分為兩步：（1）進(jìn)行樣本學(xué)習(xí)；（2）用經(jīng)過學(xué)習(xí)的系統(tǒng)對實(shí)測數(shù)據(jù)進(jìn)行分類。

基于人工免疫系統(tǒng)的數(shù)控機(jī)床故障診斷也需要按模式識別劃分為兩步：（1）利用故障的已知癥狀（疫苗）進(jìn)行學(xué)習(xí)產(chǎn)生檢測器集（抗體）；（2）再利用已經(jīng)形成的檢測器對測得的信號（抗原）進(jìn)行判斷，如果異常再判斷屬于哪一類故障［1］。

2 模型建立

基于免疫機(jī)理，建立一個數(shù)控機(jī)床故障診斷系統(tǒng)。首先給出與系統(tǒng)相關(guān)的定義，然后建立故障診斷系統(tǒng)模型。

2.1 相關(guān)定義

定義1：系統(tǒng)狀態(tài)集。收集數(shù)控機(jī)床系統(tǒng)運(yùn)行時的一些信息參數(shù)作為狀態(tài)特征向量，記為A＝（A1，A2，…，An），其中Ai（i＝1，2，…，n）表示系統(tǒng)的某個特征屬性。由狀態(tài)特征向量構(gòu)成系統(tǒng)狀態(tài)集，記為S。分別用Snormal和Sabnormal表示正常和異常兩種狀況。信息參數(shù)的選取應(yīng)盡量反映系統(tǒng)運(yùn)行全貌。

定義2：自體集。數(shù)控機(jī)床系統(tǒng)正常運(yùn)行時的狀態(tài)特征向量的集合，用U來表示，U∈Snormal。自體集盡量全面地收集系統(tǒng)正常運(yùn)行狀態(tài)的特征向量，以避免將正常數(shù)據(jù)誤判為異常，可以在收集正常樣本時盡量用較長的時間段，以使正常狀態(tài)集被較完全地覆蓋。

定義3：檢測器空間。記為B＝（B1，B2，…，Bn）。指定特征參數(shù)的幅度，在此幅度內(nèi)生成檢測器。

定義4：檢測器集。通過定義檢測器集來發(fā)現(xiàn)系統(tǒng)是否發(fā)生新異常。隨機(jī)生成檢測器并在自體集中檢測是否耐受成功，成功則加入正常檢測器集中，檢測不成功的抗體則在變異后繼續(xù)檢測耐受，直到指示器顯示達(dá)到指定閾值、抗體死亡。

定義5：記憶檢測器集。系統(tǒng)在異常狀態(tài)下收集得到的檢測器，記為N，用來表示曾經(jīng)檢測到的系統(tǒng)故障。當(dāng)發(fā)現(xiàn)這種過去曾檢測到過的系統(tǒng)故障時，就能快速報警。

定義6：閾值。由于對自體集進(jìn)行分類要使得每個自體有代表性，從而實(shí)現(xiàn)反映系統(tǒng)運(yùn)行狀態(tài)正常的全面性，在分類時需通過自體之間親和力能否達(dá)到閾值來判斷。當(dāng)判斷檢測器是否耐受成功時也需設(shè)定抗體與自體抗原的親和力閾值；對一個未知新樣本進(jìn)行檢測時也需確定一個閾值，達(dá)到該值則激活檢測器。

定義7：異常度。辨識需檢測樣本的異常程度。設(shè)樣本與抗體的最大親和力為hb，抗原與該樣本最大親和力為hg，異常度定義為C＝hb／（hb－h(huán)g），C＝0時為正常，C＝1時為異常。

2.2 故障診斷系統(tǒng)算法過程描述

步驟1：初始免疫網(wǎng)絡(luò)。由成熟的檢測器集組成，對抗體的允許變異值范圍、閾值等網(wǎng)絡(luò)參數(shù)進(jìn)行設(shè)定。

步驟2：抗體識別。對樣本與記憶檢測器集中每個檢測器的親和力進(jìn)行計算，如果親和力最高值達(dá)到閾值，則樣本標(biāo)記為故障并報告異常，否則進(jìn)入下一個樣本檢測。

步驟3：免疫網(wǎng)絡(luò)識別。對樣本與網(wǎng)絡(luò)中所有檢測器依次計算親和力，當(dāng)親和力最高值達(dá)到閾值，則標(biāo)記故障并報告異常，并將該樣本加入記憶檢測器，否則進(jìn)入下一個樣本檢測。

步驟4：檢測器的克隆變異。根據(jù)親和力得到每個檢測器的變異幅度和克隆數(shù)量?？寺『蟮拿總€檢測器形成新的檢測器子集，再對檢測器子集進(jìn)行隨機(jī)變異，并計算親和力。若親和力比原來檢測器的最大親和力值大，則替換原來的檢測器。

步驟5：抗體抑制。用其他檢測器與替換后的克隆變異檢測器重新進(jìn)行計算，若親和力高于設(shè)定閾值，則刪除克隆變異得來的檢測器。通過抗體在免疫網(wǎng)絡(luò)中的相互抑制作用保證每個檢測器都具有特異性。

步驟6：用新的免疫網(wǎng)絡(luò)進(jìn)行樣本識別，直到指定步數(shù)為止。

步驟7：對無法識別的樣本，計算其親和力并輸出它的異常度。

2.3 模型中的幾個關(guān)鍵點(diǎn)

（1）抗體規(guī)模?？贵w集需要達(dá)到一定規(guī)模才能保持在抗體識別過程中的多樣性，在本文基于遺傳算法的免疫系統(tǒng)識別模式中，識別一種抗原需要16個左右的抗體，需要注意的是，隨著抗體集的規(guī)模增大，計算量會大增。

（2）抗體產(chǎn)生的閾值設(shè)定。閾值是用來控制抗體在產(chǎn)生后是否進(jìn)化成熟的，本系統(tǒng)在數(shù)控機(jī)床的實(shí)際應(yīng)用中，可根據(jù)同類故障的分布情況來確定。閾值太大會混淆抗原種類，降低檢測效果；閾值太小會漏檢錯誤。

（3）檢測樣本時的閾值設(shè)定。在進(jìn)行樣本檢測時，閾值是用來確定實(shí)時狀態(tài)樣本類型的。該值主要用來調(diào)節(jié)抗體空間，閾值太大會混淆錯誤，太小會漏檢錯誤。

（4）抗體間親和力?？贵w需保持其多樣性，一方面是通過進(jìn)化生存，另一方面是通過相互抑制?？贵w間的相互抑制需要通過計算其親和力來實(shí)現(xiàn)。

（5）特征向量的權(quán)重。同一種故障對不同傳感器的敏感度不一樣，提取的特征向量維數(shù)也不相同。在檢測時，計算抗原和抗體兩者之間的歐幾里德距離，不同向量應(yīng)有不同權(quán)重［4－5］。

3 結(jié)語

本文根據(jù)生物免疫機(jī)理對數(shù)控機(jī)床提出的故障診斷系統(tǒng)模型主要優(yōu)勢在于：提取故障樣本的方式快捷方便，對所檢驗(yàn)數(shù)據(jù)預(yù)測精度高，對變異數(shù)據(jù)的跟隨性好。人工免疫系統(tǒng)在故障診斷中的應(yīng)用有著巨大的發(fā)展前景，也需要進(jìn)行更多的研究與探索，建議在數(shù)學(xué)理論方面對該算法進(jìn)行改進(jìn)。

［1］魏巧玲，趙勁松，鐘本和.基于模擬疫苗的人工免疫系統(tǒng)在氯乙烯聚合間歇過程故障診斷中的應(yīng)用［J］.化工學(xué)報，2015，66（2）：635－639.

［2］楊曾芳，呂希勝.基于故障數(shù)的數(shù)控機(jī)床故障診斷系統(tǒng)［J］.科技創(chuàng)新導(dǎo)報，2012（18）：68－69.

［3］張敏，丁躍澆.基于振動分析結(jié)合人工免疫算法的高壓斷路器故障診斷預(yù)測系統(tǒng)研究［J］.機(jī)電一體化，2014（6）：46－50.

［4］楊超.人工免疫系統(tǒng)在入侵檢測系統(tǒng)中的應(yīng)用［J］.信息通信，20，15（1）：6－7.

［5］葉洪濤，羅飛，許玉格.改進(jìn)的免疫算法及其在函數(shù)優(yōu)化中的應(yīng)用［J］.系統(tǒng)工程與電子技術(shù)，2011，33（2）：464－467.