【摘要】： 人類長期生存在充滿傳染性病原體的環(huán)境中,可是大部分情況下,能夠抵御這些感染,那是因?yàn)槲覀兊拿庖呦到y(tǒng)保護(hù)機(jī)體抗御病原體的侵害。生物免疫系統(tǒng)是具有異常檢測、多樣性、交互性、連續(xù)學(xué)習(xí)、記憶等特性的復(fù)雜多層防御系統(tǒng)。受生物免疫系統(tǒng)啟發(fā),論文以機(jī)電設(shè)備故障診斷為目標(biāo),研究基于人工免疫系統(tǒng)的故障診斷系統(tǒng)設(shè)計及應(yīng)用。 論文分析了生物免疫系統(tǒng)的多層防御結(jié)構(gòu),特別是固有免疫系統(tǒng)和適應(yīng)性免疫系統(tǒng)及其相互關(guān)系,固有免疫系統(tǒng)的重要性表明人工免疫系統(tǒng)也應(yīng)該將固有免疫系統(tǒng)和適應(yīng)性免疫系統(tǒng)進(jìn)行整合,建立具有多種檢測機(jī)制的診斷模型,以提高系統(tǒng)的故障識別率。 借鑒生物免疫系統(tǒng)的分層防御機(jī)理以及層次間的相互作用,本文提出了用于機(jī)電設(shè)備故障診斷的多層免疫診斷模型(MIFD),將固有免疫系統(tǒng)擴(kuò)增到人工免疫系統(tǒng)中,增強(qiáng)了人工免疫系統(tǒng)的性能。多層免疫診斷模型采用三層結(jié)構(gòu),第一層是固有診斷層,主要實(shí)現(xiàn)對故障在發(fā)生概率上相互獨(dú)立的已知故障類型的快速及時的故障檢測與診斷。第二層是故障傳播診斷層,解決故障單元的影響通過整個系統(tǒng)進(jìn)行傳播的問題。第三層是適應(yīng)性診斷層,以自適應(yīng)的方式解決未知及早期故障的識別與診斷。層次之間通過提呈抗原以及激活信號進(jìn)行信息傳遞與交互。 該模型借鑒了生物免疫系統(tǒng)的多種重要機(jī)制,不僅考慮了系統(tǒng)對抗原的多層防御結(jié)構(gòu)及其作用時相,還包括了自體/非自體模式識別。模型采用了將固有應(yīng)答與適應(yīng)性應(yīng)答的相互激活機(jī)制,克隆選擇算法與免疫網(wǎng)絡(luò)模型的相互激勵機(jī)制相結(jié)合的原理,同時還使用了初次免疫應(yīng)答理論處理系統(tǒng)中出現(xiàn)的未知故障的診斷。將否定選擇算法、克隆選擇算法及免疫網(wǎng)絡(luò)模型等分散的人工免疫算法及模型組合為一個較完整的人工免疫系統(tǒng)結(jié)構(gòu),共同完成故障診斷任務(wù)。 在故障傳播診斷層,利用B細(xì)胞免疫網(wǎng)絡(luò)理論建立故障傳播模型,將設(shè)備系統(tǒng)中單元之間的故障傳播的因果關(guān)系映射為免疫系統(tǒng)中細(xì)胞之間的交互識別關(guān)系。由B細(xì)胞網(wǎng)絡(luò)描述故障節(jié)點(diǎn)傳播關(guān)系,T細(xì)胞描述測點(diǎn)回路,實(shí)現(xiàn)基于免疫網(wǎng)絡(luò)的故障傳播模型的設(shè)計,將免疫網(wǎng)絡(luò)的動力學(xué)特性應(yīng)用于故障診斷中,并且采用粗糙和精確分步診斷方法,實(shí)現(xiàn)準(zhǔn)確的故障定位。 在適應(yīng)性診斷層,提出了B-PCLONE連續(xù)學(xué)習(xí)算法,采用B細(xì)胞和抗體雙重學(xué)習(xí)機(jī)制概括在抗原數(shù)據(jù)中發(fā)現(xiàn)的模式。通過對診斷知識的不斷補(bǔ)充和完善,克服了故障知識的不完備問題,使系統(tǒng)的診斷能力達(dá)到最優(yōu)。在抗體學(xué)習(xí)中,采用粒子群優(yōu)化算法來指導(dǎo)抗體的變異方向,使抗體能夠向著有益的方向發(fā)展,提高了最佳親和力的收斂速度。同時系統(tǒng)通過記憶初次響應(yīng)的診斷結(jié)果,可以更快更準(zhǔn)確地實(shí)現(xiàn)類似故障的二次響應(yīng)。 在本文設(shè)計的人工免疫系統(tǒng)中,提出了區(qū)分B細(xì)胞與抗體功能的思想。基于生物體液免疫機(jī)理,將故障檢測器定義為B細(xì)胞及其所包含的若干抗體結(jié)構(gòu)。將故障類型映射為B細(xì)胞,將各種故障征兆映射為抗體種群,用B細(xì)胞內(nèi)包含若干抗體更準(zhǔn)確地逼近故障征兆與故障的對應(yīng)關(guān)系,在空間區(qū)域的分布上屬于同一故障的各種故障征兆發(fā)生在這種故障的范圍內(nèi)。采用這種檢測器機(jī)制不僅解決了故障征兆的混疊使得各故障難以明確區(qū)分問題,而且可以提高故障檢測的效率與準(zhǔn)確率,提高連續(xù)學(xué)習(xí)的精度。 最后以異步電動機(jī)為例,設(shè)計了試驗(yàn)方案。模擬了各種故障,對所提出的理論方法及所完成的相關(guān)成果進(jìn)行了驗(yàn)證。
【圖文】：

巴器官中聚集，以及淋巴細(xì)胞在全身淋巴器官中再循環(huán)這兩種機(jī) T 細(xì)胞、B 細(xì)胞接觸和識別抗原提供了保障。同時，誘導(dǎo) T 細(xì)種信號的刺激作用。以識別 T 細(xì)胞活化的第一信號來自其 T 細(xì)胞識別抗原經(jīng) CD3 分子將信號轉(zhuǎn)導(dǎo)至細(xì)胞內(nèi)，T 細(xì)胞活化的第二信）則由巨噬細(xì)胞和 T 細(xì)胞表面相應(yīng)的協(xié)同刺激分子相互作用而產(chǎn)共同作用下，T 細(xì)胞才能被誘導(dǎo)活化，才有可能接觸到其可識別種識別的基礎(chǔ)上發(fā)生克隆選擇，產(chǎn)生對該抗原的免疫應(yīng)答反應(yīng)，Ag抗原提呈 細(xì)胞活化 免疫應(yīng)答活化信文數(shù)據(jù)庫 2011年 第02期 工程科技Ⅱ輯

采用異步電動機(jī)的試驗(yàn)數(shù)據(jù)，以匝間絕緣下降故障的實(shí)驗(yàn)數(shù)據(jù)為例，，對本文提出IFD 模型的未知故障類型的學(xué)習(xí)和已知故障類型的識別進(jìn)行驗(yàn)證。圖 3-6 給出的分別是使用原始數(shù)據(jù)和短時傅立葉算法對電機(jī)正常運(yùn)行時電流采樣進(jìn)行降噪處理的結(jié)果。圖 3-7 是電機(jī)發(fā)生匝間絕緣下降故障時電流采樣信號進(jìn)行降理后的原始數(shù)據(jù)和短時傅立葉算法的結(jié)果。(a) 電機(jī)正常電流時域信號
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2009
【分類號】：TH165.3

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 祁美玲;智能故障診斷融合技術(shù)在數(shù)控機(jī)床故障診斷中的應(yīng)用[D];大連交通大學(xué);2010年

本文編號：2660191