大庆石油学院学报
JOURNAL
OF
DAQING
PETROLEUM
INSTITUTE
第
29
卷第
6
期
2005
年
12
月
Vo
l. 29 No. 6 Dec. 2005
反面选择算法与神经网络相结合的故障诊断方法
刘树林崔军明林雪源丛
~l
(
1.大庆石油学院机械科学与工程学院,黑龙江大庆
163318;
2.
大庆石油管理局地下资源开发公司,黑龙江大庆
摘
要:传统的神经网络故障诊断方法对于新发生故障的误诊率较高,提出了将反面选择算法与神经网络相结合的
故障诊断方法.该故障诊断方法对已知故障类型和未知故障类型都具有较准确的诊断能力.往复压缩机气阀的故障诊
断实例表明该方法的有效性.
关
键词:反面选择算法;神经网络;故障诊断;活塞压缩机
中图分类号
:TP339
文献标识码
:A
文章编号:
1000
-189
1(
2005)06 - 0104 -
03
O
引言
针对传统故障诊断方法(如神经网络故障诊断方法等)只能对学习和训练过的故障类型做出较为准确
的诊断,对未经学习和训练的故障不能做出发生新故障类型的诊断结果,往往将诊断结果归于所学习和训
练过的故障类型,误诊率较高.为了使神经网络对未知故障也具有较好的诊断能力,应采用有效的手段产
生未知故障样本.拟将反面选择算法
[IJ
与神经网络相结合,为未知故障样本的产生提供有效的手段.
1
反面选择算法
基于免疫系统自己一非己识别机理的反面选择算法。
3J
可概括为
(1)定义自己空间
S
为状态空间
T
的一个子集,自己空间一般对应正常状态,非己空间
NSCNS=T
一
的表示异常状态;
(2)
产生检测器集
D
,每个检测器
d
只与
NS
匹配,与
S
不匹配;
(3)
应用检测器集
D
检测
T
的状况,当任一检测器与
S
匹配时.表明有异常状态发生.
2
未知故障样本
对于机械设备,可根据振动信号对其进行故障诊断.采用
4
层小波包分解构成
16
维特征向量,提取
振动信号的小波包特征信息
[4J
将设备的元故障特征空间
CW)
及各种故障特征空间(矶,矶,…
,
F
,,)
作为
自己空间
S
,即
S=
W+F
1
+F
2
+
…十
F".
以小波包特征点为中心,以阁值
r
为半径作一系列的超球,超球
覆盖的空间构成小波包特征
S.
根据反面选择算法,非己空间
NS
中的检测器(半径为
r
的超球)中心即为
未知故障样本.小波包特征状态空间中
S
与
NS
的构成见图1.
产生
NS
检测器的过程
z
随机产生某一检测器
d
,
检查该检测器是否与
S
匹配,如果匹配,取消该检测
器;否则,将该检测器并人有效检测器集
D
,直到产生所规定的检测器数量为止.对于检测器
d
需满足不
等式:
ECd
,
s)
> r ,
式中
:EC
•
)为欧式距离
;s
为自己空间的任一特征向量.如此产生的检测器分布在
NS
,
而无一落入
S.
NS
收稿日期:
2005
-
08
-
30;
审稿人:贾光政;编辑:任志平
基金项目
r
国家自然科学基金资助项目
(50475183);
黑龙江省教育厅科学技术研究项目(1
0541010)
作者简介:刘树林<1
963-)
.博士,教授,博士生导师,主要从事设备故障诊断技术方面的研究.
•
104
•