无量纲免疫支持向量机的复合故障诊断方法

针对机组多故障并发时,故障特征互相干扰,产生模式混淆,难以准确分类,提出一种无量纲免疫支持向量机的复合故障诊断方法。由于五种无量纲指标对不同频段复合故障的敏感性不同,将无量纲指标和人工免疫的阴性选择算法相结合,通过选择合适的编码位数来提取故障特征,多分类支持向量机（MSVM）的参数经过免疫优化算法训练后获得最优解,把五种时域特征的无量纲指标提取的故障特征向量输入到MSVM,学习后的MSVM应用于故障诊断。实验结果表明优化后的支持向量机对小样本具有良好的分类性能和实时性,无量纲免疫MSVM与MSVM模型相比能够更加快速、准确进行复合故障诊断。     

基于人工免疫系统的旋转机械故障诊断技术研究

将人工免疫系统中的阴性选择算法应用于旋转机械故障诊断,构建了一个完整的故障诊断流程。在对设备振动信号的各种模式空间进行二进制编码的基础上,将阴性选择算法与无量纲指标相结合,训练产生多种无量纲免疫检测器进行集成诊断。最后通过对一组实验数据的处理描述了免疫检测器的构建过程。     

基于改进的无量纲指标信息融合故障诊断方法

针对无量纲指标信息的不确定会产生冲突证据的问题,提出一种基于改进证据理论的无量纲指标信息融合故障诊断方法.采用人工免疫算法构建原始证据;通过计算无量纲免疫检测器证据之间的相似度找出相似证据和冲突证据.保留相似证据,并利用可信度修正冲突证据,从而降低冲突证据对证据理论合成结果的影响.组合式旋转机械故障诊断试验验证本文方法有效.该方法能够明显提高故障诊断准确率.     

基于最优提升小波局部熵的轴承故障特征提取

为了解决轴承故障诊断中,传统无量纲指标没有考虑其他噪声干扰,且分析结果有一定偏差等问题,提出一种基于提升小波分解的局部熵无量纲指标特征提取方法.该方法采用最优提升小波进行分解,并结合局部熵提出一种无量纲指标,对滚动轴承振动实验信号进行故障特征提取,并与常用无量纲指标进行对比,验证了该方法的有效性.     

基于记忆双导向变异的故障检测器生成方法

人工免疫算法中的阴性选择算法已经成功应用于故障诊断领域。为了生成更加优良的故障检测器,提高算法性能,本文在传统阴性选择算法的基础上,提出了一种基于免疫记忆双导向变异的故障检测器生成方法。该算法定义了一个免疫记忆集合,把与自体集合或成熟检测器集合发生匹配的检测器放入到免疫记忆集合里,并对这一检测器进行双导向变异,以减少资源浪费和冗余的发生。本文数据采用实属编码形式。仿真结果表明,新算法在故障检测性能方面优于传统算法,具有较高的故障诊断率,算法平均运行时间明显缩短。本文为故障诊断方法的研究拓宽了道路,具有一定的理论和现实意义。     

新的免疫检测器生成算法及其收敛性分析

提出一种基于免疫学原理的免疫检测器生成算法,通过对故障信号（即有害抗原）的免疫疫苗、免疫学习和免疫应答进行故障模式识别和诊断,利用k-nearest neighbor分类法确定该模式的故障类型,该算法有较好的动态性、自适应性。把各代抗体集合作为随机序列,给出序列的收敛条件及证明,证明了所提出的算法是概率1收敛,并通过机组试验验证了由该算法产生的检测器对故障检测的有效性。     

一种基于人工免疫的数据模式进化学习模型及其应用研究

提出了一种基于人工免疫的数据模式进化学习模型及其相应的算法,给出了抗体(检测器)群体合理数量的确定方法。将其应用于机床齿轮箱运行状态检测及故障诊断,实验结果表明,所提出的模型和动态克隆进化算法能对检测器群体的分布和总数量实现动态优化,对数据模式进行聚类,获得了较高的异常检测准确率和较强的故障诊断能力。     

遗传程序设计在旋转机械故障分类中的应用

特征提取是旋转机械故障分类中一个很重要的问题。为解决该问题,提出一种利用时域中已有的无量纲指标和遗传程序设计对旋转机械多类故障进行新无量纲指标提取的方法。实验结果表明,新无量纲指标比传统的无量纲指标具有更好的故障分类能力,能够对旋转机械故障进行准确分类。     

基于免疫的入侵检测方法研究

生物的免疫系统和计算机安全系统所面临及需要解决的问题十分类似．采用生物免疫思想的入侵检测技术可以结合异常检测和误用检测的优点．研究了基于免疫的入侵检测方法，对Self集的确定和有效检测器的生戍方法进行了研究和改进，基于反向选择机制提出了一种新的有效检测器生成算法．可以使用较少的有效检测器检测网络中的异常行为，从而提高了有效检测器生成和入侵检测的速度．通过与基于已有的有效检测器生成算法的系统进行比较，使用本文的方法构造的入侵检测系统速度更快．且有较高的准确性．     

基于协同进化的免疫检测器分布优化算法

为解决免疫实值检测器的黑洞问题,分析检测器规模对检测性能的影响,提出一种基于协同进化的免疫实值检测器分布优化算法。将检测器集分成不同子集,寻找每个子集的最优个体,利用各子集问的相互作用与影响对各子集进行优化处理,取并集构成完整检测器集。实验结果表明,与否定选择算法相比,该算法不仅可以有效减少黑洞的产生,并且能以较少的检测器精确地覆盖非自体空间,从而提高检测器性能。     

A neural networks-based negative selection algorithm in fault diagnosis

Inspired by the self/nonself discrimination theory of the natural immune system, the negative selection algorithm (NSA) is an emerging computational intelligence method. Generally, detectors in the original NSA are first generated in a random manner. However, those detectors matching the self samples are eliminated thereafter. The remaining detectors can therefore be employed to detect any anomaly. Unfortunately, conventional NSA detectors are not adaptive for dealing with time-varying circumstances. In the present paper, a novel neural networks-based NSA is proposed. The principle and structure of this NSA are discussed, and its training algorithm is derived. Taking advantage of efficient neural networks training, it has the distinguishing capability of adaptation, which is well suited for handling dynamical problems. A fault diagnosis scheme using the new NSA is also introduced. Two illustrative simulation examples of anomaly detection in chaotic time series and inner raceway fault diagnosis of motor bearings demonstrate the efficiency of the proposed neural networks-based NSA.     

模糊免疫算法及其在模拟电路故障诊断中的应用

对模糊免疫算法应用于模拟电路故障诊断进行了研究;首先简要介绍了免疫系统的工作机理及一些基本概念,然后在此基础上构建出一种模糊免疫算法,并将免疫算法和模糊聚类法结合起来进行故障诊断;人工免疫算法起到学习样本的作用,以寻找到各样本组的聚类中心;而模糊聚类算法则准确地完成对样本的分类任务;仿真实例表明:立足于模拟电路故障诊断字典法,该算法对模拟电路故障诊断非常有效。     

Negative selection algorithm with constant detectors for anomaly detection

In the paper, two novel negative selection algorithms (NSAs) were proposed: FB-NSA and FFB-NSA. FB-NSA has two types of detectors: constant-sized detector (CFB-NSA) and variable-sized detector (VFB-NSA). The detectors of traditional NSA are generated randomly. Even for the same training samples, the position, size, and quantity of the detectors generated in each time are different. In order to eliminate the effect of training times on detectors, in the proposed approaches, detectors are generated in non-random ways. To determine the performances of the approaches, the experiments on 2-dimensional synthetic datasets, Iris dataset and ball bearing fault data were performed. Results show that FB-NSA and FFB-NSA outperforms the other anomaly detection methods in most cases. Besides, CFB-NSA can detect the abnormal degree of mechanical equipment. To determine the performances of CFB-NSA, the experiments on ball bearing fault data were performed. Results show that the abnormal degree based on the CFB-NSA can be used to diagnose the different fault types with the same fault degree, and the same fault type with the different fault degree.     

多层免疫故障诊断模型的研究

借鉴生物免疫系统的分层防御机理以及层次间的相互刺激作用,提出了用于网络故障诊断的多层免疫诊断模型。模型采用三层结构,包括固有诊断层、故障传播识别层和适应性诊断层。固有诊断层考虑故障在发生概率上相互独立的已有知识,故障传播识别层采用B细胞免疫网络作为故障定位的故障传播模型,适应性诊断层学习和概括未知故障中发现的模式。多层故障诊断方法既能检测出已知故障,又能检测出未知故障。采用网络故障传播模型及定位算法,能找出最优的测点组合诊断所有的故障,可以减少需测测点的数量。     

基于人工免疫系统的导弹智能诊断模型

提出了基于人工免疫系统的导弹智能诊断技术的概念,研究了故障诊断细胞模型、故障诊断基因库模型,并对故障基因库的生成与进化和基于人工免疫系统的智能诊断原理进行了探讨。     

基于独特型免疫网络的故障诊断方法研究

随着目前大型设备的日益复杂,传感器节点之间的数据是动态互相影响的,如果仅靠从知识库中去寻找最佳匹配来诊断故障,很容易发生漏诊或误诊。根据Jerne的独特型网络理论提出了一个简单、通用性好,能综合反映网络细胞（抗体和抗原）的浓度、相似度信息,以提高免疫算法的全局搜索能力的模型,该模型利用案例检索的优势,考虑了机电设备结点之间相互影响的特性。实验证明,该模型在加快免疫算法后期的收敛速度和提高故障检测率方面均高于其他算法。