本發(fā)明涉及一種基于改進(jìn)的多層人工免疫網(wǎng)絡(luò)模型的皮帶秤故障診斷方法，屬于制造裝備檢測、控制、診斷與維護(hù)技術(shù)領(lǐng)域。

背景技術(shù)：

隨著當(dāng)代經(jīng)濟(jì)的快速發(fā)展，散狀物料的貿(mào)易運(yùn)輸量急劇上升，促使對動態(tài)稱重的要求越來越高，而現(xiàn)有的電子皮帶秤在使用過程中快速診斷故障的能力低，長期穩(wěn)定性差，且存在數(shù)據(jù)波動，很難滿足貿(mào)易計量的要求。物聯(lián)網(wǎng)技術(shù)的發(fā)展帶動了傳統(tǒng)衡器行業(yè)的轉(zhuǎn)型，運(yùn)用計算機(jī)和信息技術(shù)對皮帶秤工作狀態(tài)進(jìn)行監(jiān)管，降低了人為干預(yù)引起的誤差，進(jìn)而確保設(shè)備的長期運(yùn)行精度。

皮帶秤在使用過程中表現(xiàn)的故障特征會隨著環(huán)境的變化發(fā)生改變，有些故障在皮帶秤運(yùn)行時才能被發(fā)現(xiàn)，一旦設(shè)備停止工作，故障特性消失。因此皮帶秤的故障診斷是保證皮帶秤精度的核心，傳統(tǒng)的故障診斷方法存在著對樣本需求多且響應(yīng)速度慢的缺點(diǎn)，如bp神經(jīng)網(wǎng)絡(luò)等。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于改進(jìn)的多層人工免疫網(wǎng)絡(luò)模型的皮帶秤故障診斷方法，能夠快速、準(zhǔn)確實(shí)現(xiàn)皮帶秤的故障診斷。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：基于改進(jìn)的多層人工免疫網(wǎng)絡(luò)模型的皮帶秤故障診斷方法，包括如下步驟：

步驟1、取皮帶秤實(shí)際工作時的狀態(tài)數(shù)據(jù)，根據(jù)皮帶秤的狀態(tài)確定故障類型，并進(jìn)行歸一化處理，將處理后的狀態(tài)數(shù)據(jù)作為原始抗原；

步驟2、采用改進(jìn)的ainet網(wǎng)絡(luò)模型，對原始抗原進(jìn)行學(xué)習(xí)訓(xùn)練，得到抗體即識別皮帶秤故障樣本的檢測器，由于抗體與抗原不完全的匹配性，使得一種檢測器可以識別不同的訓(xùn)練樣本；

步驟3、將得到的抗體加入知識庫中；

步驟4、計算待診斷樣本與已有檢測器之間的歐氏距離，找出與待測數(shù)據(jù)距離最小的k個檢測器，運(yùn)用k近鄰理論進(jìn)行故障診斷，k個檢測器中若某一類檢測器匹配的抗原數(shù)量最多，則判斷為該類故障；若出現(xiàn)多類故障模式，即所匹配的檢測器個數(shù)相同，則取與抗原的親和力最大的檢測器，并確診為該故障類型；若仍未檢測出故障類型，則跳轉(zhuǎn)步驟5進(jìn)入適應(yīng)性診斷層；

步驟5、利用克隆變異算法對未知故障進(jìn)行學(xué)習(xí)，并將得到的成熟抗體加入到故障檢測器中；

步驟6、再次計算皮帶秤故障數(shù)據(jù)與檢測器之間的親和力，檢驗檢測器是否能夠快速準(zhǔn)確的識別抗原，若親和力值大于抑制閾值ξ，表示能夠識別，則跳轉(zhuǎn)到步驟3，否則發(fā)出警告。

與現(xiàn)有發(fā)明相比，本發(fā)明具有如下優(yōu)勢：1)與傳統(tǒng)的遺傳算法相比較，本發(fā)明方法在故障識別率以及自適應(yīng)性方面有了較大的的提高。2)利用現(xiàn)有的克隆變異算法，對人工免疫系統(tǒng)進(jìn)行改進(jìn)，引入k近鄰分類法完善ainet免疫網(wǎng)絡(luò)模型，并以完善后的網(wǎng)路模型為基礎(chǔ)搭建自有診斷層，實(shí)現(xiàn)了對已知故障的快速診斷。3)新的模型還彌補(bǔ)了傳統(tǒng)的ainet網(wǎng)絡(luò)模型對未知故障不能識別或者誤診為其他故障這一盲區(qū)。

附圖說明

圖1為本發(fā)明的方法流程圖。

圖2為引入局部高斯變異算子的克隆選擇算法流程圖。

具體實(shí)施方式

下面結(jié)合附圖以及具體實(shí)驗對本發(fā)明作進(jìn)一步說明。

參照圖1，基于改進(jìn)的多層人工免疫網(wǎng)絡(luò)模型的皮帶秤故障診斷方法包括以下步驟：

步驟1、根據(jù)皮帶秤實(shí)際工作時的狀態(tài)確定故障模型，取皮帶秤的狀態(tài)數(shù)據(jù)，并進(jìn)行歸一化處理，將處理后的狀態(tài)數(shù)據(jù)作為原始抗原。

所述步驟1中對原始數(shù)據(jù)進(jìn)行初始化處理的公式：

式中，agij為狀態(tài)矩陣的第i行j列的元素，agij′為歸一化后的元素，n為抗原的個數(shù)，在皮帶秤故障診斷中，由于故障類型不同，故應(yīng)向抗原矩陣中加入類別標(biāo)識，以達(dá)到區(qū)分不同狀態(tài)的目的，表示為ag＝[ag′,t]∈r^n×(l+1)，ag′為處理后的抗原矩陣，其中l(wèi)為抗原向量的元素個數(shù)，對應(yīng)于采集點(diǎn)個數(shù)，t表示抗原類別標(biāo)識列，即對應(yīng)于皮帶秤系統(tǒng)已知的故障類型。在抗原類中隨意選擇nm個構(gòu)成初始的記憶抗體集ab，記為

步驟2、采用改進(jìn)的ainet網(wǎng)絡(luò)模型，對已知的樣本進(jìn)行學(xué)習(xí)訓(xùn)練，得到抗體即識別皮帶秤故障樣本的檢測器，由于抗體與抗原不完全的匹配性，使得一種檢測器可以識別不同的訓(xùn)練樣本。

所述步驟2采用改進(jìn)ainet網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的步驟為：

步驟2.1，設(shè)置ainet免疫網(wǎng)絡(luò)模型的學(xué)習(xí)算法的參數(shù)，包括剪枝閾值ξ、抑制閾值σs等，實(shí)驗中取σs＝0.2ξ，其中ξ的計算公式為：

將除去作為抗體集后的抗原作為新的抗原集，并取其中的一個抗原與所有抗體進(jìn)行親和力運(yùn)算。采用歐氏距離計算公式計算抗體abi和抗原agj的距離dij，即為d(abi,agj)：

定義親和力為：

步驟2.2，選取親和力超過剪枝閾值的抗體組成抗體子集，將選取的抗體通過克隆選擇原理進(jìn)行克隆，生成克隆集c，親和力越大克隆集越大，每個被激勵的抗體的克隆數(shù)目nc由下式計算：

式中，na為網(wǎng)絡(luò)中抗體的數(shù)目，round()是四舍五入函數(shù)；克隆后的每個抗體都會以一定的速率發(fā)生突變，變異后的抗體集c^*的每個抗體的計算公式如下：

式中，abi為父代的抗體，abi^*為子代的抗體，為變異速度，反比于親和力大?。?/p>

步驟2.3，計算抗原與變異后的克隆集c^*之間的親和力fi,j′，并根據(jù)親和力值篩選抗體，親和力小于抑制閾值ξ的則被刪除，即刪除fi,j′＜ξ；同時計算克隆細(xì)胞之間的親和力即抗體之間的親和力si,k，大于抑制閾值σs的表示抗體之間很相似，刪除這類抗體，即刪除si,k＞σs，循環(huán)步驟2.2-2.3，直到達(dá)到迭代次數(shù)g。

步驟3、將經(jīng)過上述處理后的記憶抗體加入到知識庫中，表1所示為實(shí)驗的故障知識庫描述：

表1實(shí)驗的故障知識庫

步驟4、計算待診斷樣本與已有檢測器之間的歐氏距離，找出與待測數(shù)據(jù)距離最小的k個檢測器，運(yùn)用k近鄰理論進(jìn)行故障診斷，k個檢測器中若某一類檢測器匹配的抗原數(shù)量最多，則判斷為該類故障；若出現(xiàn)多類故障模式，即所匹配的檢測器個數(shù)相同，則取與抗原的親和力最大的檢測器，并確診為該故障類型；若仍未檢測出故障類型，則跳轉(zhuǎn)步驟5進(jìn)入適應(yīng)性診斷層。

步驟5、利用克隆變異算法對未知故障進(jìn)行學(xué)習(xí)，并將得到的成熟抗體加入到故障檢測器中；

所述步驟5中，利用克隆變異算法對未能檢測出的故障進(jìn)行學(xué)習(xí)訓(xùn)練，包括以下步驟：

步驟5.1，取步驟4中未能識別的抗原進(jìn)行再學(xué)習(xí)，即將未知的皮帶秤故障數(shù)據(jù)以其出現(xiàn)區(qū)域的平均值為中心生成一個新的b細(xì)胞，定義b細(xì)胞的半徑為：

式中，為常數(shù)，在皮帶秤故障診斷中取值為0.02；agimax為抗原矩陣的第i列的最大值；為抗原矩陣的第i列的平均值；

步驟5.2，將抗體看為一個細(xì)胞，細(xì)胞半徑表示為r＝1/ξ，計算b細(xì)胞與無故障數(shù)據(jù)標(biāo)識的抗體之間的距離，檢測是否存在重疊，若存在重疊，則減小b細(xì)胞的半徑再進(jìn)行檢測，直至不重疊；

步驟5.3，在步驟5.1所定義的b細(xì)胞內(nèi)隨機(jī)生成抗體集，抗體數(shù)目na′為：

式中，k′為抗體生成常數(shù)，實(shí)驗中設(shè)定為50，r為b細(xì)胞的半徑，γ是狀態(tài)空間的直徑；

步驟5.4，計算步驟5.3得到的抗體與b細(xì)胞之間的距離，按照每個抗體與b細(xì)胞之間的距離大小對抗體進(jìn)行排列，并克隆，克隆數(shù)目計算公式：

式中，β為乘法因子，實(shí)驗中取值為1，i為抗體所在的排列序號；

對克隆后的抗體執(zhí)行變異操作，引入一個隨機(jī)變異系數(shù)來實(shí)現(xiàn)細(xì)胞的變異，進(jìn)化方程簡化為：

abn′＝abn+γ·n(0,1)

式中abn′為變異后的抗體，abn為變異前的抗體，η是控制指數(shù)函數(shù)衰減的參數(shù)，f是抗體與抗原的親和力；

重新計算變異后的抗體與b細(xì)胞之間的距離，并比較母抗體與b細(xì)胞之間的距離，保留親和力大于閾值的優(yōu)質(zhì)抗體；

步驟5.5，計算優(yōu)質(zhì)抗體之間的距離，檢查是否有重疊，對于親和力大于抑制閾值σs的進(jìn)行刪除，將剩余的抗體更新至故障檢測器中。

步驟6：再次計算皮帶秤故障數(shù)據(jù)與檢測器之間的親和力，檢驗檢測器是否能夠快速準(zhǔn)確的識別抗原，若親和力值大于抑制閾值ξ，表示能夠識別，則跳轉(zhuǎn)到步驟3，否則發(fā)出警告，實(shí)驗選定遺傳算法以及原始的ainet網(wǎng)絡(luò)模型進(jìn)行比較，比較結(jié)果如表2所示：

表2

其中a1表示正常狀態(tài)，a2表示傳感器表面磨損故障，a3表示稱重架卡料故障，a4表示稱重架松動故障，a5表示傳感器接線不良故障，a6表示托輥組托輥被卡(作為未知故障測試)。三種算法迭代次數(shù)均選擇為150次，遺傳算法的交叉概率為0.6，突變概率為0.001，適應(yīng)度函數(shù)設(shè)置為：

分析可知，與遺傳算法相比較，多層ainet網(wǎng)絡(luò)模型在故障識別率以及自適應(yīng)性方面有了較大的的提高；新的模型還彌補(bǔ)了傳統(tǒng)的ainet網(wǎng)絡(luò)模型對未知故障不能識別或者誤診為其他故障這一盲區(qū)；將多層ainet網(wǎng)絡(luò)模型運(yùn)用在皮帶秤的故障檢測上，將最終故障的診斷結(jié)果進(jìn)行整理，見表3：

表3

由表3可知，正常模式下識別率達(dá)到100％，而對于已知的故障診斷率均達(dá)到96％以上，對于新的故障類型，誤診為正常數(shù)據(jù)的僅有1個，有92個樣本被正確的診斷為新的故障類型，對于整體而言，600個測試樣本中被誤診為正常數(shù)據(jù)的僅有1個，說明該多層檢測模型對于故障的識別率很高，可以滿足皮帶秤系統(tǒng)的故障檢測要求。

綜上所述，本發(fā)明提出了一種基于改進(jìn)的多層人工免疫網(wǎng)絡(luò)模型的皮帶秤故障診斷方法，主要為了解決當(dāng)前傳統(tǒng)的皮帶秤故障診斷算法的不足而提出的改進(jìn)型。皮帶秤系統(tǒng)的故障診斷主要是通過對皮帶秤的行為參數(shù)進(jìn)行實(shí)時監(jiān)控，發(fā)現(xiàn)不同于正常狀態(tài)的行為，利用已有的信息，對其進(jìn)行分析判斷，建立故障類型與特征數(shù)據(jù)之間的關(guān)系。新的算法利用生物免疫原理，在學(xué)習(xí)ainet網(wǎng)絡(luò)模型的基礎(chǔ)上對其進(jìn)行改進(jìn)，搭建了多層免疫網(wǎng)絡(luò)模型，可以進(jìn)行自我克隆變異，減少了樣本需求量，使得改進(jìn)后的模型具有區(qū)別自己與非己的能力，很大程度的調(diào)高了系統(tǒng)的自適應(yīng)能力。

通過以上表述，可以看出本發(fā)明有以下優(yōu)點(diǎn)：

(1)與傳統(tǒng)的遺傳算法相比較，該故障診斷方法在故障識別率以及自適應(yīng)性方面有了較大的的提高。

(2)利用現(xiàn)有的克隆變異算法，對人工免疫系統(tǒng)進(jìn)行改進(jìn)，引入k近鄰分類法完善ainet免疫網(wǎng)絡(luò)模型，并以完善后的網(wǎng)路模型為基礎(chǔ)搭建自有診斷層，實(shí)現(xiàn)了對已知故障的快速診斷。

(3)新的模型還彌補(bǔ)了傳統(tǒng)的ainet網(wǎng)絡(luò)模型對未知故障不能識別或者誤診為其他故障這一盲區(qū)。

應(yīng)當(dāng)理解，雖然本說明書按照實(shí)施方式加以描述，但這種敘述方式僅為清楚可見，對于該技術(shù)領(lǐng)域的技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，做出的改進(jìn)也應(yīng)視為本發(fā)明的保護(hù)范圍。