基于改进的生物传感器的涡轮泵故障诊断方法.docxVIP

基于改进的生物传感器的涡轮泵故障诊断方法 1 齿轮泵故障诊断方法的选择 在液体推动系统中，涡旋泵是传输推进器的核心部件。大多数大型液体气体发动机的故障与此有关，振动是涡旋泵故障的重要原因之一。另一方面,涡轮泵的其它故障也通过涡轮泵振动恶化的形式表现出来。涡轮泵一旦出现严重故障,将会导致火箭发射失败,造成巨大的经济损失。因此开展大型液体火箭发动机涡轮泵健康监控与故障诊断技术的研究对提高我国运载火箭推进系统的寿命、安全性、可靠性,降低空间发射费用以及保证载人航天的安全具有重大意义。 目前涡轮泵故障诊断方法中常用的统计学习诊断方法只考虑了参数的幅值变化,没有考虑参数的模式变化,也没有考虑参数之间的相关变化关系,缺乏数据融合的思想;基于规则(图匹配或者句法)涡轮泵故障诊断的方法需要大量的先验知识;基于神经网络的涡轮泵故障诊断方法又需要大量的分类数据;基于模型的涡轮泵故障诊断方法需要建立精确的数学模型,而先验知识的获取困难和精确模型难以建立往往限制了这些方法在故障诊断中的使用,特别是对于航空航天等领域的大型复杂系统,精确模型是很难建立的,先验知识又是难以获取的,故障数据和异常数据是极为缺乏的,如何在大量容易获取的正常数据基础上,提出快速有效的设备故障诊断方法,是提高设备故障诊断鲁棒性的重要问题。 生物免疫系统的反面选择机理能在不需要先验知识的情况下,通过对正常知识的学习,产生出故障检测器,从而有效地保护身体免受外界的入侵,这种独特的工作机理为研究新的故障诊断方法提供了方向。受生物免疫系统自己—非己识别机理的启发提出的反面选择算法能检测任何异常变化,本文以涡轮泵的振动信号数据为对象,提出一种基于免疫反面选择算法的涡轮泵故障诊断方法。首先对涡轮泵的振动信号进行加窗并移动窗口的办法获取其特征模式向量。对这些涡轮泵正常的特征模式向量,利用反面选择算法进行学习和训练,得到了适合这个故障的检测器集,用这个检测器集来执行故障检测。由于常规的反面选择算法的实现受到时间复杂性和在非己空间容易产生“孔洞”现象等的限制,文中提出改进反面选择算法,使产生的实值可变阈值检测器有效地覆盖非己空间,能准确地检测出各种异常,利用改进的反面选择算法从特征中直接产生类似生物系统的检测器,使不同类别的检测器反映涡轮泵不同的故障,用学习训练后的检测器即可对涡轮泵进行监测及诊断。通过对三种涡轮泵故障数据的检测,并与Forrest 的方法进行对比,检测结果很好地说明本文研究的方法故障检测效果更好。 2 抗免疫反应选择算法和反应算法 2.1 免疫组织中t细胞的检测 基于免疫机理的人工免疫系统(AIS)已广泛应用于网络安全、数据挖掘、故障诊断等领域。免疫识别是免疫系统的主要功能,也是AIS的核心之一,而识别的本质就是区分“自我”与“非我”。生物免疫系统的主要功能是检测和杀伤来自生物体内和体外称为抗原的非己物质。免疫系统的T细胞在产生过程中,通过伪随机基因重组过程在T细胞表面产生检测器,然后T细胞进入胸腺进行检查(称为反面选择) ,那些和机体自身蛋白质反应的T细胞被毁灭,只有那些不破坏自身组织的T细胞存活,这些成熟的T细胞在体内循环,它能检测出任何非己物质,执行免疫功能,保护机体免受抗原的侵袭。T细胞的检测器能够准确识别非己,这也称为免疫系统的自己—非己识别过程。免疫系统能够通过对自己的学习,对非己产生记忆,并通过有限数量的检测器,能够准确地识别和杀伤无限数量的非己,体现了免疫系统独特的智能机理和极具鲁棒性的处理问题的方法。 借鉴免疫系统的反面选择机理提出的反面选择算法在异常检测时不需要先验知识,是基于大量的正常数据进行的,具有很强的鲁棒性、并行性和分布式检测等特点,非常适合于故障样本缺乏的异常检测与故障诊断问题,将其用于故障诊断领域具有很大的潜力。 2.2 基于检测串的检测 受免疫系统自己—非己识别机理的启发,Forrest等提出了用于异常检测的二进制反面选择算法。该算法与免疫系统的反面选择过程类似,通过随机的产生检测器,并取消那些能检测出自己的检测器,以便保留的检测器能检测任何非己。算法如下: (1)定义自己为需要被保护或检测的有限串集S,串可以是程序、数据文件及正常模式的二进制编码等。 (2)随机产生检测器集D,D中的每个检测器都不能与S中的串相匹配。 (3)通过将检测器集D中的每个检测器与S中的每个串相比较来检测S集的变化,如果任意一个检测器与S中的元素匹配,则认为S已发生变化。 为了使反面选择算法更具有实用性,Gonzalez等对检测器的概念进行了推广,提出了实值向量检测器的概念,扩大了反面选择算法的应用范围。但是这些算法,大多直接借鉴于反面选择机理,候选检测器如落在正常空间中,则抛弃重新产生,这样检测器的产生效率就比较低,同时检测器的检测半径都一样,使得检测器集的多样性不