基于人工免疫算法异步电机故障诊断研究.docVIP

基于人工免疫算法异步电机故障诊断研究 　　摘 要 　　人工免疫算法的模型为异步电机故障诊断研究提供了新的视角和算法模型。本文的主要研究对象是基于阴性选择算法的异步电机故障诊断方法。基于免疫系统的原理，电机故障诊断即为检测“非已”，检测非正常状态下的电机特征信号。首先通过正常电机特征信号生成“自己”，再通过阴性选择生成信号检测器，将检测器与被测电机设备特征信号进行匹配，根据匹配关系便能诊断电机的故障。本文还将阴性选择算法进一步优化，在阴性选择基础上加以克隆优化，从而产生更合适的检测器。通过2种方法对同一故障进行诊断，可直观地看出优化后模型准确率的提高。 　　【关键词】故障诊断 人工免疫算法 阴性选择 　　电机在我们现代工业生产中扮演了非常重要的角色。一旦电机发生故障，将可能造成整个生产系统的中断，甚至发生安全事故造成巨大的损失。因此，电机故障诊断技术的研究就显得尤为重要。该技术能实现对电机的在线监测，通过对电机信号的测量和分析，判断电机是否存在故障，保证电机设备的运行安全。 　　1 人工免疫算法 　　人工免疫算法的理论原型就是生物上的免疫机理，但从思考的切入角度不同可分为三大类：基于免疫网络模型的、基于克隆选择机制的、基于阴性选择机制的。一般的代表性算法有一般免疫法、de Castro提出的克隆选择算法、Forrest提出的阴性选择算法、de Castro提出的人工免疫网络算法（AiNet）。 　　人工免疫算法在实际应用时的一般过程为： 　　（1）确定应用领域。 　　（2）确定免疫实体。 　　（3）获得问题解（抗体）。 　　2 阴性选择算法原理 　　阴性选择在免疫学中的机理为T淋巴细胞的阴性选择过程。如果一个未成熟T细胞由于结合自我抗原而激活，则会被清除，而那些存活的T细胞则将在机体中行使的相应免疫功能。而这个过程在应用到异步电机诊断上时，T细胞就对应了算法中的检测器。 　　Forrest的算法中将“自己”与“非已”定义到两个集合中，通过集合的逻辑关系来反应被测样本与正常样本和异常样本的匹配关系。如果要定量地分析匹配关系，则可借助欧式空间距离公式来进行计算。 　　假设[x1，x2，…，xn]和[t1，t2，…，tn]分别表示一个自我样本和一个检测器，这两个样本的匹配度可由下式计算： 　　如果设定一个距离阈值λ，将点d值与λ值的差值E定义为匹配误差，当E0时，检测器[t1，t2，…，tn]不与自我样本[x1，x2，…，xn]匹配；当E≤0时，则相反。阴性选择就是将不与自我样本匹配的检测器保留，将匹配的检测器剔除，用保留的检测器去检测被测样本。若检测器与被测样本匹配，则说明被测样本存在异常变化。 　　阴性选择算法最关键的便是产生有效的检测器，而这取决于其他一些因素，例如：自体集的数量大小，检测时的匹配规则（可用海明距离、连续r位匹配规则等），以及检测器的产生方法。另一个需要关注的点便是距离阈值λ取值的适当性。电机在运行时，或多或少会受到谐波的影响，而谐波影响也将影响阴性选择算法中自体集的范围，进而影响检测器的生成。 　　3 阴性选择算法的实现 　　Forrest阴性选择算法的过程如下： 　　（1）定义长度为L有限个字母串类集S（自体集）。 　　（2）定义匹配规则、距离阈值等参数。 　　（3）由阴性选择过程产生检测器集R。 　　（4）不断地用R中的检测器监测S，找出非自体元素。 　　4 阴性选择算法的优化方法 　　传统的阴性选择算法采用的是穷举法来产生检测器，这种产生方法在使用时，占用内存空间大，而且还不能保证检测器的优异性。同时检测器的数量还直接关系到检测器监测自体集的实时性。因此在使用时还往往会对传统的阴性选择算法进行优化。其中，应用最广泛的便是克隆优化法。 　　优化的作用相当于对检测器的一次筛选，保留优异的诊断器，减少漏判和误判。克隆优化主要涵盖在2个阶段，检测器优化阶段和故障诊断阶段。采用克隆优化方法，只保留下那些具有最佳故障诊断率的检测器。检测器的故障诊断率是通过计算他的优化匹配度。例如，在N个故障诊断情况下，对于其中某一个故障i（1，2，…，n），Li和Mi分别代表检测器与自体集和非自体集的特征信号匹配次数。故障诊断率ρi可以由下式计算： 　　通过计算各个候选检测器的故障诊断率，比较后保留具有最佳故障诊断率的检测器用于检测自体集。 　　5 传统模型与优化模型的实验结果分析 　　为了分析阴性选择算法的传统模型和克隆优化模型的诊断效果，本文针对异步电机的转子断条故障，分别用两种方法对其诊断，根据实验结果，分析在对传统方法进行克隆优化后，诊断过程的区别和诊断结果优异性。实验过程中，采取异步电机满载下三相定子电流作为特征信号进行测量和采集。为了计算方便，采用归一化对数据进行