基于人工免疫网络的连续过程传感器置信度评估20135137941399.docVIP

基于人工免疫网络的连续过程传感器置信度评估 生产实践表明测量装置失效是导致连续工业过程控制间断的重要因素之一[1]。因此,对代写论文连续工业过程进行传感器置信度评估尤为重要。目前常用的方法有贝叶斯估计法、DS证据推理法、自适应神经网络模糊推理方法(ANFIS)和人工免疫网络法等[2,3]。其中,连续生产过程中的物质能量流模型和人工免疫网络传播模型相类似,所以利用这种关系进行传感器置信度评估已成为近年来自动化领域研究的热点。目前基于人工免疫网络的传感器置信度评估方法主要有:以Ishida为代表的动态识别免疫网络和以Leonard M.Adleman为代表的基于DNA的阴性选择[4-6]。而前者已成功地应用于水泥生产过程的设备传感器置信度评估。但是Ishida动态识别方法中只能处理传感器关系确定的情况。因此,本文引入了传感器关系的非确定性约束,用于连续生产过程传感器之间为非确定关系情况下的传感器置信度评估。 1　传感器置信度评估算法Ishida动态识别免疫网络是在N.K.Jerne系统级识别方法基础上提出的。N.K.Jerne认为在免疫网络理论中,免疫系统由识别集合组成,识别集合中的一些抗原可以被其他抗原激活,并产生抗体;而这些抗体又可以激活其他的抗原。通过这种方式,刺激可以从一个抗原传播到另外一个抗原,直至影响整个网络。对刺激信号的辨识不是一个抗原单独完成的,而是通过抗原相互连接的网络进行的[7,8]。Ishida动态识别免疫网络方法利用传感器之间的约束条件为每个传感器建立测试单元。在用动态识别免疫网络进行传感器置信度评估时,网络主体与传感器相对应,免疫细胞的浓度与传感器的可靠性相对应,网络平衡状态与传感器正常状态相对应,外部刺激信号和测试单元的测试结果相对应。因此,这个网络中的每一个传感器不仅测量工业过程的物理量,还要评估其他传感器的可靠性。在同一工业过程中,温度、压力、流量等传感器的测量值之间既互相独立又互相联系;只要利用简单的工业过程知识就能建立起这些传感器之间具有确定性的约束,所以这种方法实现起来较为简单。这种模型可用图1的结构表示。图1　动态人工免疫网络图中是一个包含n个节点的人工免疫网络Nais(p(i)ais),i =1,…,n。其中p(i)ais是网络的第i个节点, p(i)ais= {Aais,I(1)ais,I(2)ais,…,I(m)ais},Aais表示网络中的抗体,I(i)ais表示第i个抗体的独特位。在Ishida的方法中,p(i)ais与工业现场中的第i个传感器的逻辑位置相对应,抗体Aais与传感器实体相对应,抗体Aais的浓度与传感器的可信度对应,独特位I(1)ais,I(2)ais,…,I(m)ais对应m个测试单元。对Aais(Aais∈p(i)ais)的刺激由第i个传感器和其他传感器建立的测试单元对应的独特位I(1)ais,I(2)ais,…,I(m)ais产生。但是,测试单元存在如下缺点[3]:测试单元的结果只能用0,1,-1来表示,不能利用人工经验等一些非确定知识。针对这些缺点本文进行了改进,设计了新型的测试单元。针对Ishida测试单元存在的不足,本文设计了模糊测试单元,使其能够反应传感器数值间的非确定性关系。在动态识别免疫网络中,独特位Iais实际上就是传感器数值Sj和Sk的关系的体现,而这种关系用在模糊论域可分为5个等级:{Sj小于Sk,Sj小于等于Sk,Sj在Sk的附近变化,Sj大于等于Sk,Sj大于Sk}。Sj和Sk之间的模糊关系则代表了动态识别免疫网络中抗体之间刺激的强度。设在t时刻,抗体Aais对应的传感器j通过独特位I(jk)ais收到来自k传感器的刺激为I(jk)ais(t),则其隶属度为I(jk)ais(t) =∪5l=112πσaisle-(sj-sk-μaisl)22σ2aisl(1)式中I(jk)ais(t)∈(0,1),两个数列之间的关系是互易的,所以I(jk)ais(t)=I(kj)ais(t);ηaisl,σaisl(l=1,2,3,4,5)是不同等级的隶属度函数的中的常数,由Sj和Sk之间的统计关系决定。由外部刺激引起抗体浓度ri产生变化,可表示为dr(i)aisdt=∑nj=1R(i)aisI(ij)ais∑ni=1R(i)aisξais+r(i)ais(1-ξais) (2)R(i)ais=2arctan(qais·r(i)ais)π(1-Rd)+Rd(3)式中Rd∈(0,1),经验值取0.001;R(i)ais表示节点p(i)ais对应的第i个传感器的可信度,R(i)ais越大,传感器的可信度越高,由于qais·rais0,所以Rais∈(Rd,1);ξais为灵敏度系数;qais是网络平衡状态的调节系数,主要作用是传感器网络在正常时的可信度调节