基於免疫演算法的飛機機電系統故障診斷分析論文

　　免疫演算法是一種具有生成+檢測 ***generate and test***的迭代過程的搜尋演算法。從理論上分析，迭代過程中，在保留上一代最佳個體的前提下，遺傳演算法是全域性收斂的。以下是小編今天為大家精心準備的：基於免疫演算法的飛機機電系統故障診斷分析相關論文。內容僅供參考，歡迎閱讀!

　　基於免疫演算法的飛機機電系統故障診斷分析全文如下：

　　飛機機電系統資訊化水平正逐步提高，系統在運轉過程中有著大量的資料，因而可使用基於資料的故障診斷方法來判斷系統的執行狀態，以決定系統當前控制策略，保證飛機安全。免疫演算法本身具有魯棒性，滿足飛機高可靠性要求，可用來處理機電系統資料以實現系統的故障診斷。但免疫演算法複雜度高，執行耗時長，難以滿足機電系統實時性，需進行演算法改進以適應飛機機電系統要求。

　　1 經典免疫演算法機制

　　免疫演算法是生命科學中的免疫機制在工程實踐領域的演算法實現，具有使用方便、魯棒性強等特點。經典免疫演算法分為一般免疫演算法、陰性選擇演算法和克隆選擇演算法。

　　一般免疫演算法流程是按照生物免疫系統處理抗原入侵機體的過程實現的。一般免疫演算法完全繼承了生物免疫系統的自適應性，對抗原的入侵有完備的方案。以高突變方式處理新抗原，記憶新抗體，並增加抗體種群; 以繼承的方式獲取舊抗原的最優處理方法。演算法在經歷多種類抗原學習後，抗體種群會隨著學習次數趨於完善。

　　陰性選擇演算法是生物免疫系統抗原識別過程的實現。陰性選擇演算法是將檢測器與被保護的物件進行匹配，並將成功匹配的檢測器做變異處理，直到與被保護物件不匹配為止。然後將檢測器與待檢查資料進行匹配計算，若匹配則說明待檢查資料異常。陰性選擇演算法的效果依賴於檢測器的質量，檢測器審查越嚴格，演算法效果越好。

　　克隆選擇演算法是卡斯特羅*** Decastro*** 基於免疫過程中克隆選擇原理提出的一種演算法，擅長模式識別等機器學習任務，在故障診斷上應用較少，不再做具體介紹。

　　2 演算法改進設計

　　機電系統故障診斷就是對機電系統資料的診斷，即判定資料是否處於正常範圍。就此而言，陰性選擇演算法較為合適，相對應的，系統資料即為待處理資料，待處理資料中的故障資料即為故障診斷的依據，但演算法效果依賴於檢測器的質量，檢測器無學習能力，實際檢測效果不如一般免疫演算法; 一般免疫演算法雖效能優異但資源佔用較大，不適合嵌入式使用，由於故障資料在實際中無需要多次識別，因而抗體增殖功能在故障診斷中也沒有使用價值。基於上述原因考慮，可將兩種演算法優勢進行部分整合。

　　改進後演算法採用適合資料處理的陰性選擇演算法作為基本架構進行檢測器初始化和檢測器審查，其次計算每個檢測器的作用域，為已審查檢測器增加故障資料學習環節以保證演算法效能，提高檢測器質量，接著增加檢測器優化環節以滿足演算法實時性要求，再計算優化後檢測器作用域，最終進行待測資料匹配，匹配資料即為故障資料。

　　檢測器C*** i*** 初始化。改進演算法首先進行檢測器初始化，檢測器在實際應用中為n 個長度為x 的一維陣列，檢測器的每個元素是位於待診斷量感測器量程之內的隨機值，檢測器定義為C*** i*** ，0≤i < n。

　　檢測器審查。初始化的檢測器需進行合格性審查，將含有正常資料元素的檢測器執行分段函式變異處理，使其滿足檢測器條件，分段函式只需保證用不合格檢測器處理後能合格即可。

　　作用域計算。在進行資料匹配前需計算每個檢測器的作用域，使用正常資料產生m 個長度為x 的一維陣列D*** j*** ，0≤j < m，定義檢測器C*** i*** 與所有D*** j*** 向量差的二範數的最小值r*** i*** 為檢測器C*** i*** 的作用域，在作用域計算時使用的D*** j*** 要儘量多，否則檢測器作用域會變大，後期會造成誤診斷情況。

　　故障資料學習。此時生成的檢測器會因為隨機性有檢測盲區，需進行學習來彌補。使用系統異常時待診斷量感測器資料產生l 個長度為x 的一維隨機陣列F*** k*** ，0≤k < l，檢視檢測器C*** i*** 與F*** k*** 的二範數是否< C*** i*** 的作用域，如果某個陣列F*** e*** ，0≤e < l 不在任何檢測器作用域之內，則將F*** e*** 增加為檢測器，重新計算其作用域，在進行故障學習時，大量的學習資料能保證檢測器的完整性，提高檢測器的質量。

　　檢測器優化: 學習後的檢測器存在作用域重複和檢測時間期望值較小的問題。計算任兩個檢測器向量差二範數是否小於兩個檢測器作用域的較小值，若存在則將作用域較小的檢測器剔除，來解決作用域的重複問題; 針對檢測時間期望值較小可在進行故障學習時，將每個檢測器匹配次數進行記錄，匹配次數反映了故障的概率，按照匹配次數由大到小的順序將檢測器進行重新排序。

　　資料匹配。將待檢測資料進行向量化處理，將待檢測資料轉化為多個長度為x 的一維陣列S*** r*** ，0≤r < x，且同一個待檢測資料可多次出現在S*** r*** 中，以提高演算法可靠性，但次數會影響檢測時間，需權衡處理。d0 ～ d7為待檢測資料，S*** 0*** 、S*** 1*** 和S*** 2*** 為處理後的向量。

　　3 故障診斷應用

　　使用飛機機電系統燃油子系統供油泵出口壓力和供電系統地面電源電壓對改進演算法進行驗證。改進演算法產生供油泵出口壓力檢測器52 個，地面電源電壓檢測器46 個，每個檢測器都是長度為4 的一維向量。使用檢測器處理各自80 個待檢測資料。

　　供油泵出口壓力診斷成功率由93. 75% 提高至97. 50%，供油泵出口壓力診斷成功率由93. 75%提高至98. 75%。表明改進演算法提高了診斷成功率，由於改進演算法具有學習能力，其也可應用在未明確量化判據的資料診斷上。

　　4 結束語

　　改進後的演算法比一般免疫演算法提高了診斷成功率，也能滿足機電系統實時性的要求，並在使用時只需將產生的檢測器儲存在機電系統計算機內，檢測簡單易實現。但機電系統待診斷資料種類龐大，都使用此演算法進行診斷時，會受到計算機儲存和計算資源的限制，還有可能引起系統週期超時，因而需權衡資源和降額設計進行使用。