傅龍?zhí)?余玉梅

（1.福州外語外貿(mào)學(xué)院,福建福州350011；2.福建廣播電視大學(xué),福建福州350008）

基于人工免疫原理的故障檢測(cè)模型

傅龍?zhí)?,余玉梅2

（1.福州外語外貿(mào)學(xué)院,福建福州350011；2.福建廣播電視大學(xué),福建福州350008）

利用人工免疫算法設(shè)計(jì)了一個(gè)機(jī)器設(shè)備故障檢測(cè)模型,模型包含故障庫和檢測(cè)模塊兩部分.首先通過故障庫快速地識(shí)別已知故障,其次針對(duì)未知故障通過本模型的檢測(cè)模塊來診斷識(shí)別.實(shí)驗(yàn)證明本模型的故障檢測(cè)率較高,并具備較強(qiáng)的自適應(yīng)能力.

人工免疫；故障識(shí)別；故障定位

隨著工業(yè)水平的進(jìn)一步智能化,我國出臺(tái)了“中國制造2025”,出現(xiàn)了越來越多的“無人工廠”,使得勞動(dòng)密集型企業(yè)迅速過渡到了工業(yè)自動(dòng)化,極大地提高了生產(chǎn)效率.企業(yè)中工人的減少意味著機(jī)器設(shè)備的增加,機(jī)器設(shè)備不可避免地會(huì)出現(xiàn)故障,這些故障可能是環(huán)境因素（如電壓不穩(wěn)）、人為誤操作等導(dǎo)致.針對(duì)故障檢測(cè),國內(nèi)外專家學(xué)者做了大量的努力.孫春雨等[1]提出了滾動(dòng)軸承的故障檢測(cè)方法,該方法利用滾動(dòng)軸承的振動(dòng)信號(hào)具有周期性非平穩(wěn)變化的特征,使用正交匹配追蹤算法能有效地檢測(cè)各種故障類型；王福忠等[2]提出了對(duì)變壓器故障的診斷算法,通過檢測(cè)分析變壓器的氣體組分含量來分析推斷故障類型.這兩種方法都是很有效的方法,但都是針對(duì)性非常強(qiáng)的算法,在其他領(lǐng)域可能會(huì)導(dǎo)致無法工作,如王福忠的變壓器故障診斷算法用于檢測(cè)孫春雨的滾動(dòng)軸承故障,可能會(huì)陷入困境.趙越等[3]提出的動(dòng)態(tài)不確定因果圖方法能夠檢測(cè)復(fù)雜機(jī)器設(shè)備的故障,具有很好的普遍適應(yīng)能力,該方法效率很高,精準(zhǔn)度也很高.Ribeiro等[4]和Sheng等[5]都對(duì)DC-DC變換器故障診斷進(jìn)行了研究,前者利用功率開關(guān)管的開路和短路來判定故障,后者通過檢測(cè)飛電容電壓來實(shí)現(xiàn)故障定位.盡管兩者使用不同的原理來實(shí)現(xiàn),但都屬于DC-DC變換器類型,兩者的檢測(cè)效果較為接近.本文利用人工免疫學(xué)原理[6-10],快速識(shí)別已知的故障,對(duì)于未知故障經(jīng)過兩個(gè)階段來定位,能達(dá)到較好的效果.

1 問題分析

為了對(duì)工廠機(jī)器故障進(jìn)行識(shí)別、定位,首先要對(duì)機(jī)器設(shè)備的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行研究,并了解故障傳播的路徑.

1.1 設(shè)備網(wǎng)絡(luò)

工廠的設(shè)備通常以車間為單位,各種設(shè)備錯(cuò)綜復(fù)雜地連接在一起；車間與車間的設(shè)備有可能有連接,也可能沒有連接.設(shè)備之間的連接是圖狀的,可以用圖來描述,如果車間之間的設(shè)備有連接,則可以用圖與圖的連接來描述.為了研究故障識(shí)別和故障定位,不失一般性,選取某車間的部分設(shè)備作為研究對(duì)象,如圖1所示.

圖1設(shè)備網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Device network structure

圖1 所示有7個(gè)設(shè)備（分別是n1,n2…n7結(jié)點(diǎn)）以圖狀連接.假設(shè)n1為故障源結(jié)點(diǎn),則受其影響的設(shè)備結(jié)點(diǎn)有n2、n3、n4、n5、n6、n7；傳播路徑共有3條,分別是n1-n3-n4-n5-n7、n1-n3-n4-n6和n1-n3-n2.以第一條路徑為例,可以在n1和n3之間設(shè)置測(cè)試點(diǎn)d1,同理設(shè)置了d2和d3測(cè)點(diǎn).

當(dāng)設(shè)備結(jié)點(diǎn)n1發(fā)生故障時(shí),如果沿著第一條傳播路徑n1-n3-n4-n5-n7（其他傳播路徑原理相同）,以時(shí)間為參數(shù),對(duì)沿途的各設(shè)備結(jié)點(diǎn)將產(chǎn)生抑制作用,如圖1的n1到n3、n3到n4、n4到n5、n5到n7的彎曲箭頭所示,該方向的傳播反映了故障的傳播強(qiáng)度；同時(shí)沿著傳播路徑的反方向（即n7-n5-n4-n3-n1）產(chǎn)生激勵(lì)作用,也是以時(shí)間為參數(shù)的傳播過程.

1.2 形式化定義

根據(jù)上述的設(shè)備網(wǎng)絡(luò)結(jié)構(gòu),對(duì)問題進(jìn)行形式化定義,以便后續(xù)運(yùn)算.每種設(shè)備都有各自的特征信息,收集機(jī)器的各種特征信息是故障識(shí)別定位的首要前提.

定義1機(jī)器設(shè)備特征信息向量,記為V.由特征向量構(gòu)成的空間定義為狀態(tài)空間,記為U,該狀態(tài)空間分成兩類,即正?？臻g和異?？臻g,分別記為Un和Uab.

定義2自體集定義.當(dāng)機(jī)器設(shè)備正在運(yùn)行并且處于正常狀態(tài),此時(shí)收集其特征向量,組成的狀態(tài)空間定義為自體集.

自體集是正常狀態(tài)空間的一個(gè)真子集,為了避免出現(xiàn)正常特征向量誤診為異常狀態(tài),應(yīng)盡可能地多收集正常狀態(tài)下的特征向量值,使得收集到的自體集盡可能反映正常狀態(tài)的全局.

定義3抗原定義.本文把機(jī)器設(shè)備的所有狀態(tài)（包括正常狀態(tài)和異常狀態(tài)）定義為抗原,即待檢測(cè)的特征向量,設(shè)抗原有i個(gè)特征向量.

定義4檢測(cè)器定義.本文把B細(xì)胞和抗體集定義為檢測(cè)器,把設(shè)備故障特征及其故障原因映射為抗體,由眾多抗體組成一個(gè)檢測(cè)器集合,抗體記為Ab.

定義5故障傳播結(jié)點(diǎn)定義.為了定位未知的故障,首先應(yīng)定義故障傳播結(jié)點(diǎn),機(jī)器設(shè)備發(fā)生故障時(shí),將把其異常特征向量沿著各個(gè)結(jié)點(diǎn)傳播,設(shè)傳播的結(jié)點(diǎn)有限集合為Node.

定義6測(cè)點(diǎn)集合定義.當(dāng)故障發(fā)生時(shí),沿著Node集合的結(jié)點(diǎn)傳播,為了檢測(cè)特征向量,Node集合中的兩個(gè)設(shè)備之間視為可測(cè)點(diǎn),測(cè)點(diǎn)記作Detect.

2 模型設(shè)計(jì)

為了解決上述問題,本文設(shè)計(jì)了一個(gè)故障檢測(cè)模型LY_Model.模型分成兩個(gè)模塊,模塊一是已知故障類型的識(shí)別,模塊二是未知故障的定位,如圖2所示.抗原進(jìn)入模型首先在模塊一中進(jìn)行已知故障識(shí)別,無法識(shí)別的進(jìn)入模塊二進(jìn)行故障定位,定位成功后存入故障庫變成已知故障.

2.1 模型概述

初始狀態(tài)下,首先收集自體集數(shù)據(jù),如前述定義,在機(jī)器設(shè)備正常運(yùn)轉(zhuǎn)時(shí)收集其特征向量,收集多次直到自體集數(shù)據(jù)能反映正常狀態(tài)的全局即可；其次初始化故障庫,如果有現(xiàn)成的故障特征數(shù)據(jù),則經(jīng)處理后導(dǎo)入故障庫,這樣能迅速識(shí)別已知故障,如果沒有則故障庫為空集,也可運(yùn)行.

當(dāng)抗原進(jìn)入檢測(cè)器,檢測(cè)器根據(jù)現(xiàn)有的故障庫和自體集,首先把抗原與自體集匹配,如果匹配成功則說明機(jī)器設(shè)備是正常運(yùn)轉(zhuǎn)的；其次抗原與故障庫匹配,如果匹配成功則表示識(shí)別了已知故障,否則轉(zhuǎn)入模塊二；在模塊二中首先進(jìn)行初步定位,篩選出候選故障節(jié)點(diǎn),即先圈定故障結(jié)點(diǎn)范圍,然后再進(jìn)行精確定位,通過一系列運(yùn)算最后確定故障節(jié)點(diǎn),并把其故障特征向量加入到故障庫,為以后發(fā)生同種故障能快速識(shí)別做準(zhǔn)備.如此不斷迭代,故障庫的數(shù)據(jù)將越來越豐富,能快速識(shí)別的故障越來越多,效率將顯著提高.

圖2 故障檢測(cè)模型：LY_ModelFig.2 Faultdetectionmodel：LY_model

2.2 故障識(shí)別

LY_Model模型的模塊一主要負(fù)責(zé)故障識(shí)別,在自體集、故障庫存儲(chǔ)了初始化數(shù)據(jù)后即可開始故障識(shí)別.為了實(shí)現(xiàn)抗原與自體集、故障庫的匹配,必須定義一個(gè)識(shí)別函數(shù),在免疫學(xué)原理中稱為親和力,即匹配規(guī)則.

定義7親和力定義.為了描述抗原與自體集、抗原與故障庫的匹配程度,需首先定義一個(gè)匹配規(guī)則.本文采用Euclidean距離公式更為適合,設(shè)長度為L的抗原和抗體的距離為

親和力函數(shù)定義見式（1）

設(shè)檢測(cè)半徑為r,并設(shè)定抗體的檢測(cè)閾值為δ,定義見式（2）

當(dāng)Fit（Ag,self）=0則表示正常狀態(tài)；當(dāng)Fit（Ag,self）=δ判定抗體已識(shí)別了抗原,即根據(jù)現(xiàn)有已知的故障識(shí)別了抗原；當(dāng)Fit（Ag,self）＜δ判定為未知故障,進(jìn)入模塊二進(jìn)行故障定位.

2.3 故障初步定位

當(dāng)有無法識(shí)別的故障類型進(jìn)入模塊二后,首先啟動(dòng)初步定位操作.初步定位是在故障傳播路徑中設(shè)置若干個(gè)測(cè)點(diǎn),根據(jù)這些測(cè)點(diǎn)的實(shí)測(cè)數(shù)據(jù),通過運(yùn)算初步獲得可能的候選故障節(jié)點(diǎn).

首先,任意選定一條傳播路徑,設(shè)測(cè)點(diǎn)集合為Detect=（d1,d2…dq）,測(cè)點(diǎn)di對(duì)應(yīng)的候選故障結(jié)點(diǎn)集合為Mi,如圖1選定第一條路徑（n1-n3-n4-n5-n7）,測(cè)點(diǎn)d2的故障候選結(jié)點(diǎn)為｛n1,n3,n4］.

第二,把各個(gè)測(cè)點(diǎn)的候選故障結(jié)點(diǎn)集合進(jìn)行分類,把所有正常測(cè)點(diǎn)的候選故障結(jié)點(diǎn)集合求并集操作,即把所有正常的設(shè)備找出來,見式（3）

如圖1第一條路徑（n1-n3-n4-n5-n7）,假設(shè)只有測(cè)點(diǎn)d1的實(shí)測(cè)數(shù)據(jù)是正常的,則CN=｛n1］,即只有一個(gè).

第三,把所有異常測(cè)點(diǎn)的候選故障結(jié)點(diǎn)集合求交集操作,把所有共同的故障候選結(jié)點(diǎn)集合篩選出來,見式（4）

如圖1,設(shè)d2和d3測(cè)點(diǎn)的實(shí)測(cè)數(shù)據(jù)是異常的,則各自的故障候選結(jié)點(diǎn)集合分別是：｛n1,n3,n4］和｛n1,n3, n4,n5］,求交集后得到CM=｛n1,n3,n4］.

最后,計(jì)算出故障源的候選結(jié)點(diǎn)集合,即從第三步的候選故障結(jié)點(diǎn)集合中進(jìn)一步篩選,扣除正常結(jié)點(diǎn),即可得到真正可能的故障源候選結(jié)點(diǎn)集合,見式（5）

CE=｛n1,n3,n4｝-（｛n1,n3,n4｝∩｛n1｝）=｛n3,n4］,因此圖1的第一條故障傳播路徑,當(dāng)測(cè)點(diǎn)d1正常,d2和d3異常時(shí)其可能的故障候選集合為｛n3,n4］,也就是機(jī)器設(shè)備n3和n4可能發(fā)生了故障,初步圈定了故障的范圍.

2.4 故障精確定位

精確定位是在初步定位圈定的候選結(jié)點(diǎn)中進(jìn)一步定位.人工免疫系統(tǒng)中的B細(xì)胞網(wǎng)絡(luò),結(jié)點(diǎn)故障率隨著左右兩邊相鄰結(jié)點(diǎn)的激勵(lì)和抑制作用的變化而變化,這反映了故障傳播強(qiáng)度.當(dāng)故障發(fā)生時(shí)B細(xì)胞結(jié)點(diǎn)ni受結(jié)點(diǎn)ni+1激勵(lì),同時(shí)被結(jié)點(diǎn)ni-1抑制,B細(xì)胞結(jié)點(diǎn)ni的故障率比結(jié)點(diǎn)ni+1的大,則意味著結(jié)點(diǎn)ni為故障源的可能性更大.所以設(shè)備故障率的變化是以故障源為基礎(chǔ)的,即設(shè)備故障率增加,則該設(shè)備是故障源的可能性增加,反之降低.如圖1中,設(shè)故障源是結(jié)點(diǎn)n1,選取其中一條傳播路徑n1-n3-n4-n5-n7（其他傳播路徑原理相同）,則測(cè)點(diǎn)d1、d2、d3在80ms、100ms、150ms等不同時(shí)間點(diǎn)測(cè)得的激勵(lì)值和抑制值是不同的（如果沒有故障則沒有激勵(lì)和抑制作用）,然后再分別計(jì)算各個(gè)結(jié)點(diǎn)的故障率,最后獲得故障源結(jié)點(diǎn).因此故障精確定位的關(guān)鍵在于計(jì)算激勵(lì)作用、抑制作用和故障率.

定義8抑制作用定義.由于設(shè)備網(wǎng)絡(luò)是網(wǎng)狀的,結(jié)點(diǎn)ni在不同時(shí)間點(diǎn)t可能受到多個(gè)結(jié)點(diǎn)的抑制作用,假設(shè)結(jié)點(diǎn)ni受到n個(gè)結(jié)點(diǎn)抑制,則結(jié)點(diǎn)ni的抑制值見式（6）

定義9激勵(lì)作用定義.與抑制作用一樣設(shè)結(jié)點(diǎn)ni受到m個(gè)結(jié)點(diǎn)激勵(lì),則結(jié)點(diǎn)ni的激勵(lì)值見式（7）

定義10故障率定義.當(dāng)故障發(fā)生時(shí),隨著時(shí)間的推移,在不同特定時(shí)間點(diǎn)各結(jié)點(diǎn)設(shè)備的響應(yīng)也不一樣,受到的抑制、激勵(lì)程度也不同,只需計(jì)算出各自的故障率,通過比對(duì)即可斷定哪個(gè)結(jié)點(diǎn)是故障源.

式（8）、式（9）中：L是[0,1]區(qū)間的常量,γ是人工免疫網(wǎng)絡(luò)的平衡因子,t為時(shí)間參數(shù).故障率的微分表達(dá)式以時(shí)間為參數(shù),反映了故障傳播強(qiáng)度和故障發(fā)生率.

3 算法設(shè)計(jì)

故障模型的算法涉及到兩個(gè)模塊的3個(gè)算法：（已知）故障識(shí)別算法、初步定位算法、精確定位算法.根據(jù)前述定義,首先設(shè)置算法變量,如下所示：

#define n 20//設(shè)機(jī)器設(shè)備特征信息向量有20個(gè),可根據(jù)實(shí)際需要修改

#define m 5//設(shè)測(cè)點(diǎn)有5個(gè),可根據(jù)實(shí)際需要修改

#define p 10//設(shè)設(shè)備結(jié)點(diǎn)有10個(gè),可根據(jù)實(shí)際需要修改

float V[n]；//定義機(jī)器設(shè)備特征信息向量數(shù)組,為一維數(shù)組

float self[n][]；//定義自體集,為二維數(shù)組

float Ag[n][],Ab[n][]；//定義抗原、檢測(cè)器,均為二維數(shù)組

float Detect[m],M[]；//定義測(cè)點(diǎn)集合、每個(gè)測(cè)點(diǎn)對(duì)應(yīng)的候選結(jié)點(diǎn)集合,為一維數(shù)組

float Node[n][p]；//定義設(shè)備結(jié)點(diǎn)集合,為二維數(shù)組

int r；//定義檢測(cè)半徑

float Inhibit,Excitation,FailureRate；//定義測(cè)點(diǎn)的抑制值、激勵(lì)值、故障率

3.1 故障識(shí)別算法

故障識(shí)別算法首先把輸入的抗原與自體集比對(duì),判定設(shè)備運(yùn)轉(zhuǎn)是否正常,然后與故障庫進(jìn)行比對(duì),判定設(shè)備是否處于故障狀態(tài),如果無法識(shí)別則可能是未知故障,應(yīng)進(jìn)入模塊二.實(shí)現(xiàn)過程（偽代碼描述）如下所示：

輸入：抗原、自體集、故障庫

輸出：可能為正常狀態(tài)、故障狀態(tài)、未知故障

Procedure FaultRecognition（）

Begin

AgInput（）；SelfInput（）；FailureLibInput（）；//抗原、自體集、故障庫輸入

foreach（s in self）//第一步：在自體集中比對(duì)

{

if（Fit（Ag,s）=0）

{

NormalOutput（）；//根據(jù)公式（1）,如果比對(duì)成功則表示設(shè)備正常

stop；//比對(duì)成功,退出

}

}

foreach（f in FailureLib）//第二步：在故障庫中比對(duì)

{

if（Fit（Ag,f）≥δ）

{

AbnormalOutput（）；//根據(jù)公式（1）,則表示設(shè)備處于故障狀態(tài)

stop；

}

}

//第三步：在自體集、故障庫中都無法比對(duì)成功,則可能是未知故障,調(diào)用初步定位算法

PreliminaryLocation（）；

End；

3.2 初步定位算法

根據(jù)測(cè)得的實(shí)際數(shù)據(jù),分成正常測(cè)點(diǎn)和異常測(cè)點(diǎn),進(jìn)行如式（3）至式（5）運(yùn)算,實(shí)現(xiàn)過程（偽代碼描述）如下所示：

輸入：傳播路徑、測(cè)點(diǎn)集合

輸出：故障源候選結(jié)點(diǎn)集合

Procedure PreliminaryLocation（）

Begin

//第一步：輸入傳播路徑、測(cè)點(diǎn)集合

PropagationPathInput（）；TestNodeInput（）；

//第二步：根據(jù)公式（3）獲得所有正常測(cè)點(diǎn)的候選故障結(jié)點(diǎn)集合的并集

GetCN（）；

//第三步：根據(jù)公式（4）獲得所有異常測(cè)點(diǎn)的候選故障結(jié)點(diǎn)集合的交集

GetCM（）；

//第四步：根據(jù)公式（5）獲得該路徑上的故障源候選結(jié)點(diǎn)集合

GetCE（）；

//第五步：調(diào)用精確定位算法

End；

3.3 精確定位算法

在初步定位算法中獲得了故障候選結(jié)點(diǎn),通過精確定位算法的輸入進(jìn)一步定位,根據(jù)式（6）至式（9）的動(dòng)力學(xué)函數(shù),實(shí)現(xiàn)過程（偽代碼描述）如下所示：

輸入：故障源候選結(jié)點(diǎn)集合、各測(cè)點(diǎn)實(shí)測(cè)得的激勵(lì)值和抑制值

輸出：故障結(jié)點(diǎn)

Procedure AccurateLocation（）

Begin

//第一步：輸入故障源候選結(jié)點(diǎn)集合、各測(cè)點(diǎn)實(shí)測(cè)得的激勵(lì)值和抑制值

CEInput（）；TestNodeInput（）；

//第二步：根據(jù)公式（6）獲得所有測(cè)點(diǎn)的抑制值

Get Inhibit（）；

//第三步：根據(jù)公式（7）獲得所有測(cè)點(diǎn)的激勵(lì)值

GetExcitation（）；

//第四步：根據(jù)公式（8）獲得候選結(jié)點(diǎn)的故障率

Get FailureRate（）；

//第五步：故障率最高的結(jié)點(diǎn)即是故障源結(jié)點(diǎn)

GetFailureNode（）；

End；

4 仿真實(shí)驗(yàn)

為了驗(yàn)證本文提出的基于人工免疫原理的故障檢測(cè)模型LY_Model,我們直接到某服裝廠實(shí)地考察,在該廠生產(chǎn)車間設(shè)計(jì)了一系列的實(shí)驗(yàn),以獲得本模型的故障識(shí)別和故障定位能力.

4.1 實(shí)驗(yàn)環(huán)境

某服裝廠有23個(gè)生產(chǎn)車間,隨機(jī)選取其中一個(gè)生產(chǎn)車間作為實(shí)驗(yàn)場所,該車間有兩條生產(chǎn)線,共18臺(tái)機(jī)器設(shè)備,設(shè)備結(jié)構(gòu)圖如圖3所示.

圖3 車間設(shè)備結(jié)構(gòu)Fig.3 Workshop equipmentchart

為了使圖3更清晰簡單,僅畫出了激勵(lì)作用.在圖中設(shè)置了3個(gè)測(cè)點(diǎn),各測(cè)點(diǎn)設(shè)置傳感器獲取實(shí)測(cè)數(shù)據(jù),然后與PC機(jī)連接；故障傳播方向由左向右.PC機(jī)的配置如表1所示.

表1 PC機(jī)配置Tab.1 Configuration ofPC

4.2 實(shí)驗(yàn)結(jié)果與分析

在實(shí)驗(yàn)前與該服裝廠信息中心主任協(xié)商,首先初始化系統(tǒng)時(shí),導(dǎo)入了100個(gè)已知故障到故障庫中,并人為設(shè)置各種故障（已知的100種以內(nèi)的故障）,測(cè)試故障的識(shí)別能力.測(cè)試分成3組,實(shí)驗(yàn)結(jié)果如表2所示.

表2 已知故障識(shí)別Tab.2 Known faultidentification

由表2可知,對(duì)于已知故障的識(shí)別,本模型LY_Model的識(shí)別率比較高,主要原因是故障庫中保存了已知故障的特征信息,只要實(shí)測(cè)的數(shù)據(jù)與現(xiàn)有故障庫中的信息進(jìn)行比對(duì),在檢測(cè)閾值范圍內(nèi)的都能識(shí)別.個(gè)別沒有識(shí)別成功主要原因是故障庫中特定故障的特征值設(shè)置與實(shí)測(cè)試距離略大,只需做適當(dāng)調(diào)整即可達(dá)到更高的識(shí)別率.

故障定位是較為復(fù)雜的實(shí)驗(yàn),根據(jù)本模型LY_Model的定義,并與該服裝廠信息中心主任協(xié)商,實(shí)驗(yàn)具體過程如下：

（1）清除故障庫數(shù)據(jù),目的是為了使故障庫處于空集狀態(tài),因此只要有任何故障輸入,則本模型LY_Model的模塊一無法識(shí)別,直接進(jìn)入模塊二進(jìn)行故障定位.

（2）初步定位故障,信息中心主任人為設(shè)置故障,然后在圖3的3個(gè)測(cè)點(diǎn)獲得實(shí)際數(shù)據(jù),發(fā)現(xiàn)測(cè)點(diǎn)d1數(shù)據(jù)正常,測(cè)點(diǎn)d2、d3的數(shù)據(jù)異常,模型LY_Model根據(jù)式（3）至式（5）迅速得到候選結(jié)點(diǎn)｛n3,n4,n5］.

（3）精確定位,首先把測(cè)點(diǎn)進(jìn)行調(diào)整,分別在初步定位獲得的各個(gè)結(jié)點(diǎn)上設(shè)置測(cè)點(diǎn)；其次設(shè)置平衡因子γ=0.005；最后不同時(shí)間點(diǎn)獲得實(shí)測(cè),根據(jù)式（6）至式（8）計(jì)算出各候選結(jié)點(diǎn)的故障率,如表3所示.

表3 結(jié)點(diǎn)故障率Tab.3 Failure rateof thenodes

由表3可知,結(jié)點(diǎn)n5在80ms時(shí)未受到太多的影響,到到120ms時(shí)故障率上升很快達(dá)到0.78,隨后在200ms、300ms、500ms時(shí)間點(diǎn)的故障率都是1,基本可以判定結(jié)點(diǎn)n5即是故障源.在上述實(shí)驗(yàn)步驟的基礎(chǔ)上,為了保障實(shí)驗(yàn)結(jié)果的可信度,又進(jìn)行了3組相同步驟的實(shí)驗(yàn)以驗(yàn)證本模型LY_Model的故障定位能力,如表4所示.

表4 故障定位表Tab.4 Fault location table

由表4可知,3組實(shí)驗(yàn)的故障定位成功率都超過90%,平均成功率接近92%,說明本模型LY_Model能成功定位絕大部分的故障.

5 小結(jié)

針對(duì)機(jī)械設(shè)備故障提出了一個(gè)故障檢測(cè)模型LY_Model.模型利用人工免疫原理把故障檢測(cè)分成兩個(gè)模塊,分別是已知故障類型識(shí)別和未知故障的定位,通過一系列的算法檢測(cè)實(shí)現(xiàn)對(duì)故障的識(shí)別.從仿真實(shí)驗(yàn)看,本模型的識(shí)別率較高,具備較強(qiáng)的自適應(yīng)能力,有一定的應(yīng)用前景.

[1]孫春雨,徐娟,韓江洪.基于正交匹配與周期能量的滾動(dòng)軸承故障診斷[J].電子測(cè)量與儀器學(xué)報(bào),2016,30（3）：423-430.

[2]王福忠,邵淑敏,董鵬飛.變壓器油中氣體組分含量在線監(jiān)測(cè)與故障診斷[J].河南理工大學(xué)學(xué)報(bào)（自然科學(xué)版）,2015, 34（3）：379-383.

[3]趙越,董春玲,張勤.動(dòng)態(tài)不確定因果圖用于復(fù)雜系統(tǒng)故障診斷[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版）,2016,56（5）：530-537.

[4]RIBERIRO E,CARDOSO A J M,BOCCALETTI C.Fault-tolerant strategy for a photovoltaic DC-DC converter[J].IEEE Transactionson Power Electronics,2013,28（6）：3008-3018.

[5]SHENG H,WANG F,TIPTON C W.A fault detection and protection scheme for three-level DC-DC converters based on monitoring flying capacitorvoltage[J].IEEETransactionson Power Electronics,2012,27（2）：685-697.

[6]李超,劉以泓,邢丹丹.一種基于人工免疫的計(jì)算機(jī)病毒提取方法[J].青島大學(xué)學(xué)報(bào)（自然科學(xué)版）,2011,24（4）：62-64.

[7]伍海波.一種改進(jìn)的否定選擇算法在入侵檢測(cè)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件,2013,30（2）：174-176.

[8]郭蓉,姜童子,黃葵.Aβ3-10s基因疫苗免疫AD小鼠誘導(dǎo)Th2型免疫反應(yīng)的研究[J].中風(fēng)與神經(jīng)疾病雜志,2013,30（5）：112-118.

[9]左萬利,韓佳育,劉露,等.基于人工免疫算法的增量式用戶興趣挖掘[J].計(jì)算機(jī)科學(xué),2015,42（5）：34-41.

[10]張耀軍,栗磊.改進(jìn)型人工免疫否定選擇算法的比較研究[J].信陽農(nóng)林學(xué)院學(xué)報(bào),2015,25（1）：117-123.

（責(zé)任編輯：盧奇）

Fault detection model based on artificial immune theory

FU Longtian1,YU Yumei2
（1.Fuzhou University of InternationalStudiesand Trade,Fuzhou 350011,China；2.TheOpen University of Fujian,Fuzhou 350008,China）

In this paper,a fault detection model of machine and equipment was designed by artificial immune algorithm.The model included two parts：fault library and detection module.Firstly,the known fault was quickly identified by the fault library.Secondly,the identificationmodule was diagnosed by the detectionmodule of themodel. Experiments showed that themodel had high fault detection rate and strong adaptability.

artificial immunity；fault recognition；fault location

TP277.3

A

1008-7516（2017）03-0057-08

10.3969/j.issn.1008-7516.2017.03.010

2017-03-21

傅龍?zhí)欤?976—）,男,福建龍巖人,碩士,講師.主要從事信息安全與人工免疫研究.