王雪潔， 韋 穎， 袁寶紅

(安徽三聯(lián)學(xué)院，安徽 合肥 230601)

0 引 言

當(dāng)今社會(huì)已經(jīng)跨入了基于大數(shù)據(jù)的AI時(shí)代，人工智能快速發(fā)展，并在人們的生活和生產(chǎn)中得到了廣泛的應(yīng)用。工業(yè)生產(chǎn)過程中可能出現(xiàn)問題的復(fù)雜性也在不斷提高,這里的復(fù)雜性指的是：生產(chǎn)過程中的輸入輸出包含兩個(gè)或者更多個(gè)變量，呈現(xiàn)多輸入多輸出的關(guān)系，此外變量之間還存在耦合影響，變量本身具有已知或未知的時(shí)變性。這樣的復(fù)雜工業(yè)過程，其間的變量多，變量間的關(guān)系復(fù)雜，想要保證生產(chǎn)的順利進(jìn)行，必須將系統(tǒng)的故障率維持在較低水平，所以故障診斷技術(shù)對(duì)當(dāng)今的工業(yè)生產(chǎn)具有作用顯而易見。目前各種故障診斷的方法[1][2]，如基于知識(shí)、基于解析模型、基于數(shù)據(jù)驅(qū)動(dòng)的方法等都得到了較多的研究，而單一的某種方法不盡完美，故提出了一種基于多層免疫模型的混合式故障診斷方法。

1 多層免疫模型的設(shè)計(jì)

傳統(tǒng)的免疫算法是從醫(yī)學(xué)中免疫突破演化而來，把免疫學(xué)中的抗原當(dāng)作待優(yōu)化問題，抗體當(dāng)作待優(yōu)化問題的可行解，免疫記憶細(xì)胞為可行解中較好的解或最優(yōu)的那部分解，最優(yōu)的抗體對(duì)抗原具有最佳的親和力。針對(duì)工業(yè)生產(chǎn)的復(fù)雜型，系統(tǒng)中各節(jié)點(diǎn)之間的相關(guān)性，可能產(chǎn)生故障種類的多樣性，設(shè)計(jì)了多層免疫模型。

多層免疫模型設(shè)計(jì)為三個(gè)層次，第一層為固有層，第二層為網(wǎng)絡(luò)傳播層，第三層為自適應(yīng)層，如圖1所示。

圖1 多層免疫算法模型

1.1 固有層

固有層包含自體庫和故障知識(shí)庫，自體庫中存放了系統(tǒng)無故障情況下的特征向量，故障知識(shí)庫則存放了已知的故障類型，以對(duì)應(yīng)的B細(xì)胞以及抗體的形式保存，當(dāng)故障出現(xiàn)時(shí)，可進(jìn)行故障的快速定位和分類?？贵w檢測的具體步驟為：

Step1：定義待測數(shù)據(jù)為抗原；

Step2：自體庫比較，如果抗原與自體庫匹配結(jié)束，否則進(jìn)入Step3；

Step3：讀取已有故障知識(shí)庫中的抗體，計(jì)算親和力并比較；

Step4：如果親和力大于閾值，則有能檢測出抗原的抗體，輸出相應(yīng)的故障類型，否則進(jìn)入Step5;

Step5：若所有抗體比較完成，則提呈抗原至網(wǎng)絡(luò)傳播層，否則返回step3。

1.2 網(wǎng)絡(luò)層

網(wǎng)絡(luò)層是基于免疫細(xì)胞之間可以相互刺激或協(xié)調(diào)而建立的，故障產(chǎn)生的原因不一定在故障源，也可能在節(jié)點(diǎn)處(如傳感器故障)。所以該層中每個(gè)免疫細(xì)胞可對(duì)應(yīng)一個(gè)傳感器，如圖2所示是由5個(gè)免疫細(xì)胞對(duì)應(yīng)的免疫網(wǎng)絡(luò)結(jié)構(gòu)，比如說免疫細(xì)胞5同時(shí)和免疫細(xì)胞2、3、4都建立著相互的關(guān)系，所以5的狀態(tài)取決于2、3、4當(dāng)前的狀態(tài)，2、3、4的變化會(huì)帶動(dòng)5的變化，所以網(wǎng)絡(luò)層有益于故障的動(dòng)態(tài)定位。

圖2 免疫網(wǎng)絡(luò)結(jié)構(gòu)圖

由于網(wǎng)絡(luò)層的存在，可以進(jìn)行具有關(guān)聯(lián)性變量進(jìn)行判斷，經(jīng)過網(wǎng)絡(luò)傳輸層相應(yīng)的故障抗原對(duì)應(yīng)的特征變量可以被篩選出。

1.3 自適應(yīng)層

網(wǎng)絡(luò)層將已特征提取的抗原信息傳遞到自適應(yīng)層，在該層中對(duì)傳統(tǒng)的免疫算法加入免疫優(yōu)勢(Immunodominance)算子[3]，首先構(gòu)建免疫優(yōu)勢算法：

2 算法模型性能的仿真測試

自適應(yīng)層是多層免疫模型的最底層，其中嵌入的免疫優(yōu)勢算法(Immunodominance Clone Algorithm, IDCA)對(duì)固有層知識(shí)庫的建立起到至關(guān)重要的作用，所以先對(duì)該算法尋優(yōu)的有效性進(jìn)行仿真測試。選擇常用標(biāo)準(zhǔn)函數(shù)中的Rosenbrock函數(shù)和Rastrigin函數(shù)進(jìn)行算法性能測試，圖3和圖4為兩種函數(shù)在實(shí)驗(yàn)過程中的最佳收斂曲線圖。

圖3 Rosenbrock收斂曲線

圖4 Rastrigin收斂曲線

并將大量多次測試得到的結(jié)果和一般免疫算法(General Immune Algorithm，GIA)在尋優(yōu)率方面進(jìn)行了比較如表1所示。由表1可見，IDCA從平均最優(yōu)值、收斂代數(shù)、達(dá)優(yōu)率等方面均優(yōu)于GIA。

表1 IDCA/GIA標(biāo)準(zhǔn)函數(shù)測試比較

3 TE模型的故障診斷

TE(Tennessee Eastman)過程是基于真實(shí)工業(yè)過程，由美國伊斯曼公司創(chuàng)建出來的過程控制模型案例，該模型案例的建立為工業(yè)過程控制的各種方法研究提供了基于現(xiàn)實(shí)的仿真基礎(chǔ)[4]。TE過程是閉環(huán)控制過程，過程中包含反應(yīng)器、冷凝器、氣液分離器、循環(huán)壓縮機(jī)和汽提塔，此外材料主要包含8種，A、B、C、D是氣體，B為惰性組分，G和H為液態(tài)產(chǎn)物，F(xiàn)是副產(chǎn)品，其反應(yīng)過程為[5]：

TE仿真平臺(tái)可以仿真正常的工作情況和21個(gè)預(yù)設(shè)的故障。其中，故障1～7的產(chǎn)生是由于過程變量的階躍變化，如進(jìn)料成分的變化，故障8～12產(chǎn)生是由于過程變量的隨機(jī)變化，故障13、14、15、21的產(chǎn)生與緩慢漂移及與閥門的粘滯和位置有關(guān)，其余為未知故障。分別選取三類主要故障中的故障1、9、13進(jìn)行基于多層免疫模型的故障診斷實(shí)驗(yàn)。

TE過程包含的11個(gè)控制變量和41個(gè)測量變量，共52個(gè)，所以用多層免疫模型進(jìn)行仿真時(shí)抗體的編碼長度為52。為提高故障診斷的準(zhǔn)確率，故障診斷前首先對(duì)欲判斷的故障進(jìn)行特征選擇。采用基于免疫優(yōu)勢算法的SVM進(jìn)行的特征選擇，這是一種典型的Wrapper方法特征選擇，免疫優(yōu)勢算法的高效搜索能力有助于SVM核函數(shù)的確定，進(jìn)行特征選擇[6]。

下面先以故障1為例介紹特征選擇的結(jié)果，特征選擇參數(shù)設(shè)置：抗體種群規(guī)模為50，變異因子0.08，迭代次數(shù)設(shè)為600，抗體編碼長度52，選取正常數(shù)據(jù)160組，故障數(shù)據(jù)800組。特征選擇的情況如圖5所示，由圖5可知階躍變化產(chǎn)生的故障1對(duì)應(yīng)的變量1和44為特征變量，如此可對(duì)故障1進(jìn)行編碼的時(shí)候?qū)?yīng)變量1和44的基因位編碼為1其它的基因位編碼為0。

圖5 故障1特征選擇結(jié)果

特征選擇之后用基于多層免疫模型的故障診斷方法對(duì)故障1、9、13進(jìn)行故障識(shí)別，識(shí)別的準(zhǔn)確率如表2所示。

表2 故障識(shí)別準(zhǔn)確率

由表2可知，所有故障的平均準(zhǔn)確率達(dá)到了93.83%，且三種故障每種的獨(dú)立識(shí)別的準(zhǔn)確率都達(dá)到了90%以上，尤其是故障1準(zhǔn)確率達(dá)到了100%。由此可見，多層免疫模型可以對(duì)TE模型的故障進(jìn)行識(shí)別，并且平均診斷率較高。

4 結(jié) 語

根據(jù)人體免疫學(xué)，在傳統(tǒng)免疫算法的基礎(chǔ)上，設(shè)計(jì)了用于故障診斷的多層免疫算法，常見的故障可在固有層中進(jìn)行診斷，新故障類型在網(wǎng)絡(luò)傳播層中確定出特征變量后，進(jìn)入自適應(yīng)層，利用自適應(yīng)層中的免疫優(yōu)勢算法進(jìn)行故障識(shí)別，同時(shí)將新的故障信息存儲(chǔ)在固有層的故障知識(shí)庫中。經(jīng)仿真實(shí)驗(yàn)基于多層免疫模型的故障診斷方法在TE過程的故障診斷中起到了良好的作用。

多層免疫模型對(duì)于故障診斷還有研究發(fā)展的空間，通過研究可知在單種故障診斷中該模型起到了不錯(cuò)的效果，但在多種故障及故障分類中還有應(yīng)用研究的空間，可在以后的研究中完成。