基于人工免疫系統的數控機床故障診斷系統研究

張春霞

（天津市渤海化工職工學院，天津300450）

0 引言

數控機床由機床、數控裝置、伺服系統、程序載體、檢測裝置、反饋裝置等多個子系統構成［1］，其中機床發生的故障約占所有故障的57%，數控裝置故障約占5.5%，電氣裝置故障約占37.5%，故障種類多且復雜［2］。因此，有必要采用人工免疫系統技術對數控機床故障進行分析，創建一種完善有效的故障診斷系統。

1 人工免疫系統技術分析

人工免疫系統是受自然界生物免疫機理的啟示而提出的，通過對生物免疫系統的原理和特征進行借鑒和模擬，進而發展為可以在工程中應用的信息處理技術。免疫系統主要包括免疫分子、免疫細胞、免疫組織和器官三部分，具有識別和自我修復能力，能夠檢測并消除因自體病變和外界病原體引發的功能紊亂［3］。

模式識別可分為兩步：（1）進行樣本學習；（2）用經過學習的系統對實測數據進行分類。

基于人工免疫系統的數控機床故障診斷也需要按模式識別劃分為兩步：（1）利用故障的已知癥狀（疫苗）進行學習產生檢測器集（抗體）；（2）再利用已經形成的檢測器對測得的信號（抗原）進行判斷，如果異常再判斷屬于哪一類故障［1］。

2 模型建立

基于免疫機理，建立一個數控機床故障診斷系統。首先給出與系統相關的定義，然后建立故障診斷系統模型。

2.1 相關定義

定義1：系統狀態集。收集數控機床系統運行時的一些信息參數作為狀態特征向量，記為A＝（A1，A2，…，An），其中Ai（i＝1，2，…，n）表示系統的某個特征屬性。由狀態特征向量構成系統狀態集，記為S。分別用Snormal和Sabnormal表示正常和異常兩種狀況。信息參數的選取應盡量反映系統運行全貌。

定義2：自體集。數控機床系統正常運行時的狀態特征向量的集合，用U來表示，U∈Snormal。自體集盡量全面地收集系統正常運行狀態的特征向量，以避免將正常數據誤判為異常，可以在收集正常樣本時盡量用較長的時間段，以使正常狀態集被較完全地覆蓋。

定義3：檢測器空間。記為B＝（B1，B2，…，Bn）。指定特征參數的幅度，在此幅度內生成檢測器。

定義4：檢測器集。通過定義檢測器集來發現系統是否發生新異常。隨機生成檢測器并在自體集中檢測是否耐受成功，成功則加入正常檢測器集中，檢測不成功的抗體則在變異后繼續檢測耐受，直到指示器顯示達到指定閾值、抗體死亡。

定義5：記憶檢測器集。系統在異常狀態下收集得到的檢測器，記為N，用來表示曾經檢測到的系統故障。當發現這種過去曾檢測到過的系統故障時，就能快速報警。

定義6：閾值。由于對自體集進行分類要使得每個自體有代表性，從而實現反映系統運行狀態正常的全面性，在分類時需通過自體之間親和力能否達到閾值來判斷。當判斷檢測器是否耐受成功時也需設定抗體與自體抗原的親和力閾值；對一個未知新樣本進行檢測時也需確定一個閾值，達到該值則激活檢測器。

定義7：異常度。辨識需檢測樣本的異常程度。設樣本與抗體的最大親和力為hb，抗原與該樣本最大親和力為hg，異常度定義為C＝hb／（hb－hg），C＝0時為正常，C＝1時為異常。

2.2 故障診斷系統算法過程描述

步驟1：初始免疫網絡。由成熟的檢測器集組成，對抗體的允許變異值范圍、閾值等網絡參數進行設定。

步驟2：抗體識別。對樣本與記憶檢測器集中每個檢測器的親和力進行計算，如果親和力最高值達到閾值，則樣本標記為故障并報告異常，否則進入下一個樣本檢測。

步驟3：免疫網絡識別。對樣本與網絡中所有檢測器依次計算親和力，當親和力最高值達到閾值，則標記故障并報告異常，并將該樣本加入記憶檢測器，否則進入下一個樣本檢測。

步驟4：檢測器的克隆變異。根據親和力得到每個檢測器的變異幅度和克隆數量。克隆后的每個檢測器形成新的檢測器子集，再對檢測器子集進行隨機變異，并計算親和力。若親和力比原來檢測器的最大親和力值大，則替換原來的檢測器。

步驟5：抗體抑制。用其他檢測器與替換后的克隆變異檢測器重新進行計算，若親和力高于設定閾值，則刪除克隆變異得來的檢測器。通過抗體在免疫網絡中的相互抑制作用保證每個檢測器都具有特異性。

步驟6：用新的免疫網絡進行樣本識別，直到指定步數為止。

步驟7：對無法識別的樣本，計算其親和力并輸出它的異常度。

2.3 模型中的幾個關鍵點

（1）抗體規模。抗體集需要達到一定規模才能保持在抗體識別過程中的多樣性，在本文基于遺傳算法的免疫系統識別模式中，識別一種抗原需要16個左右的抗體，需要注意的是，隨著抗體集的規模增大，計算量會大增。

（2）抗體產生的閾值設定。閾值是用來控制抗體在產生后是否進化成熟的，本系統在數控機床的實際應用中，可根據同類故障的分布情況來確定。閾值太大會混淆抗原種類，降低檢測效果；閾值太小會漏檢錯誤。

（3）檢測樣本時的閾值設定。在進行樣本檢測時，閾值是用來確定實時狀態樣本類型的。該值主要用來調節抗體空間，閾值太大會混淆錯誤，太小會漏檢錯誤。

（4）抗體間親和力。抗體需保持其多樣性，一方面是通過進化生存，另一方面是通過相互抑制。抗體間的相互抑制需要通過計算其親和力來實現。

（5）特征向量的權重。同一種故障對不同傳感器的敏感度不一樣，提取的特征向量維數也不相同。在檢測時，計算抗原和抗體兩者之間的歐幾里德距離，不同向量應有不同權重［4－5］。

3 結語

本文根據生物免疫機理對數控機床提出的故障診斷系統模型主要優勢在于：提取故障樣本的方式快捷方便，對所檢驗數據預測精度高，對變異數據的跟隨性好。人工免疫系統在故障診斷中的應用有著巨大的發展前景，也需要進行更多的研究與探索，建議在數學理論方面對該算法進行改進。

［1］魏巧玲，趙勁松，鐘本和.基于模擬疫苗的人工免疫系統在氯乙烯聚合間歇過程故障診斷中的應用［J］.化工學報，2015，66（2）：635－639.

［2］楊曾芳，呂希勝.基于故障數的數控機床故障診斷系統［J］.科技創新導報，2012（18）：68－69.

［3］張敏，丁躍澆.基于振動分析結合人工免疫算法的高壓斷路器故障診斷預測系統研究［J］.機電一體化，2014（6）：46－50.

［4］楊超.人工免疫系統在入侵檢測系統中的應用［J］.信息通信，20，15（1）：6－7.

［5］葉洪濤，羅飛，許玉格.改進的免疫算法及其在函數優化中的應用［J］.系統工程與電子技術，2011，33（2）：464－467.