浅谈基于双层人工免疫网络的皮带秤故障诊断
当前基于神经网络等传统算法的皮带秤的故障诊断方法对样本数量需求多且易出现局部最优解，为提高皮带秤故障诊断效率及使用精度，引入了人工免疫网络模型。传统的 aiNet 网络模型对已知故障的识别效率高，但难以有效识别未知故障，为弥补这一缺陷，基于生物免疫机制设计了双层免疫网络，以克隆选择算法为核心搭建了适应性诊断层实现对未知故障的学习，并运用在皮带秤的故障检测中。该方法对已有故障的识别率保持在 95% 以上，对新故障的识别率也高达 90% 以上，实际运行效果良好。
恶劣的工作环境易导致皮带秤在使用过程中出现故障。同时，工作经验表明: 设备运行环境的改变会引起故障特征发生变化，导致现场操作人员难以识别故障特征，此时必须依靠具有丰富经验的技术人员通过现场调试来诊断故障，如传感器表面轻微磨损、输送带跑偏、卡料等。
目前机械故障诊断的方法主要包括故障树诊断、模糊理论、神经网络、贝叶斯网络等，其中皮带秤的故障诊断主要是实时监控皮带秤的行为参数，通过发现其不同于正常状态的行为，并利用已有的信息对其进行分析判断，确定故障类型.但传统的故障检测方法存在准确率较低、对新故障的自适应能力差、所需样本数量多等不足，而改进的 ai-Net 网络模型求解方法可以较好地解决这些问题。

生物免疫系统是一种高级的自适应学习系统，

具有区别自己与非己的功能，能对自身正常的细胞产生耐受，以此维护机体内环境的平衡。因此，免疫系统在故障诊断领域得到了广泛的应用。戴敏等采用免疫优化算法对 BP 神经网络的参数进行优化，并设计了一种基于 SOM 算法和 BP 神经网络的故障诊断模型，将其运用在飞机燃油系统故障的诊断中; DASGUPTA等提出了基于否定选择机理的高效检测算法，并用于检测航天器的故障。

在免疫网络学说中，免疫系统中每个细胞的克隆都处于一个非独立的状态，这些细胞通过自我识别、相互刺激和相互制约等行为，构成一个动态平衡的网络结构，其基础是抗原与抗体相结合时所表现的独特型和抗独特型。JEＲNE 第一个提出独特型免疫网络理论; 在此基础上，CASTＲO 在 2000年提出了 aiNet 网络模型，其基本机制是克隆选择算法、免疫网络理论等。
本文基于生物免疫系统的原理，对 aiNet 网络模型进行了改进，搭建了多层免疫网络模型，使改进后的模型具有较好的自适应能力，并将其用于皮带秤故障的在线检测中，为皮带秤精度的提高提供了一种新的方法。

1.双层 aiNet 故障诊断

由于传统的 aiNet 免疫网络模型并不具有识别，
新故障的功能于是在 aiNet 免疫网络模型的基础上设计了双层诊断结构。双层 aiNet 故障诊断模型包括: 1) 以改进的 aiNet 免疫网络为基础的自有诊断层，通过对已知的皮带秤故障进行训练生成自体检测器，本层主要检测已知的故障; 2) 以生物免疫机制为原理的适应性诊断层，采用克隆选择算法对生成的检测器进行变异，检测未知故障，并将新的检测器加入到故障知识库。模型如图 1 所示。

1． 1改进的 aiNet 免疫网络模型
在aiNet免疫网络模型中，有些故障数据与多个检测器之间的亲和力相似，此时传统的通过亲和力计算判断故障类型的方法便会发生误判。本文采用 K 近邻分类法实现对任意样本的识别具体诊断过程如下。
Step1: 计算待诊断样本与已有检测器之间的欧氏距离。
Step2: 找出与待测数据距离最小的 k 个检测器。
Step3: k 个检测器中若某一类检测器匹配的抗原数量最多，则判断为该类故障; 若出现多类故障模式，即所匹配的检测器个数相同，则取与抗原的亲和力最大的检测器，并确诊为此检测器所能检测的故障。
1． 2  自有诊断层
aiNet 网络模型可以看做是聚类问题，每个抗体代表一个皮带秤的故障类型，待检测数据对应于抗原 Ag，通过训练生成的特征数据为抗体 Ab，抗体与抗原的相似程度与它们之间的亲和力成反比。模型中，Ag 和 Ab 都代表一个 L 维的向量，对应于状态空间的一个特定位置。
故障诊断时，采集的设备状态信息对应于模型中的抗原，每一个状态信息对应于形态空间的一个特征向量。采用 aiNet 网络模型，对已知的样本进行学习训练，得到抗体即识别样本的检测器，由于抗体与抗原不完全的匹配性，使得一种检测器可以识别不同的训练样本，直接采用免疫网络算法对皮带秤故障进行自学习的具体步骤如下。

Step1: 初始化。将采集的皮带秤所有的状态数据作为抗原，表示为矩阵 Agn ∈ＲN × L ，其中 Ｒ 表示实数，N 表示抗原的个数，L 表示皮带秤运行状态的属性个数。首先将数据进行归一化处理，采用式( 1) 对原始数据进行初始化处理:

2.皮带秤故障诊断实验

2． 1  部分主要参数设置

剪枝阈值 ξ 。剪枝阈值的设定直接影响到抗体对故障抗原的识别能力，抗体的剪枝阈值取值按照公式( 10) 进行计算:

式中: φ 为常数，若 φ 取值大，则阈值小，能识别的范围大，但是易出现误诊; 若 φ 取值小，故障诊断准确度高，但是识别的范围小，易出现漏诊。通过实验调试取 φ = 0． 02。
2）抑制阈值 σs 。抑制阈值在免疫诊断中起着保证抗体多样性的作用，抗体之间重叠区间越小故障识别的准确度越高，若抗体之间太相似不利于故障诊断，并会使一个故障被多个抗体所识别，故应保持抗体之间的亲和力 S

3) 抗体生成常数 K。K会影响初始抗体的数目，K值越大初始抗体的数目越多，迭代次数越少，迭代次数太少会导致抗体的多样性减少; K过小会导致迭代次数过多，增加了系统的运行时间。算法中，K设定为 50。
4) 克隆变异中的乘法因子 β。β 值的大小影响着克隆变异所产生的克隆子集的数目，通过实验，诊断系统中 β 取为 1。
2． 2  故障诊断实验
以QPS 皮带秤全性能实验中心的 3#与 4#阵列式皮带秤为实验对象进行算法验证。现场数据通过 ＲS － 485 总线进行传输，采用 ＲSM485CHT 转换器和单片机完成接收，上位机采用串口通信实时采集。实验时，SA600 仪表智能采集和显示其中一个皮带秤系统的数据。通过 MATLAB 的串口通信与 SA600 现场仪表通信，对传感器数据实时读写。

3.皮带秤故障诊断实验结果
根据工作经验可知，且会影响皮带秤计量精度的常见故障主要包括: 传感器表面磨损、称重架卡料、称重架松动、传感器接线不良和托辊组托辊被卡等 5 类。每个故障与所测得值具有一一映射关系，故选取 8 个传感器信号作为识别故障类型的条件属性集。由于数据较多，在表 2 中只列出部分正常数据和传感器接触不良时的数据。
表 2 中的 w1 ，w2 ，…，w8  分别对应于 8 组称重传感器值，将采集的数据经过提取、归一化处理后作为学习、训练和检测所使用的样本，并将传感器表面磨损、称重架卡料、称重架松动和传感器接线不良这 4 类故障作为已知故障，将托辊组托辊被卡的数据作为未知故障数据进行在线学习检测。在实验时每个状态收集 20 组数据，并将其中的 10 组数据作为训练样本，其他的 10 组数据用于诊断检测，每组数据包括 10 个样本。最终结果进行整理见表 3。
由表 3 可知，正常模式下识别率达到 100% ，而对于已知的故障诊断率均达到 96% 以上，对于新的故障类型，误诊为正常数据的仅有 1 个，有 92 个样本被正确地诊断为新的故障类型; 对于整体而言，600 个测试样本中被误诊为正常数据的仅有 1 个，说明该多层检测模型对于故障的识别率很高，可以满足皮带秤系统的故障检测要求。

4.结束语

本文在现有的成熟算法的基础上，对人工免疫系统进行改进，引入 K 近邻分类法完善 aiNet 免疫网络模型，并以改进后的网路模型为基础搭建自有诊断层，实现了对已知故障的快速诊断。利用克隆选择算法对未知故障数据进行训练，并将新生成的检测器加入到自有诊断层，完善整个故障诊断模型，弥补了未知故障诊断的盲区。利用多层免疫网络检测皮带秤系统的故障，显著降低了故障的误诊率，使其仅为 0． 17% 。研究表明，双层 aiNet 网络模型可以有效地检测已知故障与未知故障，对提高皮带秤使用精度、降低损失有很大意义。