免疫算法是一種具有生成+檢測 (generate and test)的迭代過程的搜索算法。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，遺傳算法是全局收斂的。以下是學習啦小編今天為大家精心準備的：基于免疫算法的飛機機電系統(tǒng)故障診斷分析相關論文。內容僅供參考，歡迎閱讀!

　　基于免疫算法的飛機機電系統(tǒng)故障診斷分析全文如下：

　　飛機機電系統(tǒng)信息化水平正逐步提高，系統(tǒng)在運轉過程中有著大量的數(shù)據，因而可使用基于數(shù)據的故障診斷方法來判斷系統(tǒng)的運行狀態(tài)，以決定系統(tǒng)當前控制策略，保證飛機安全。免疫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(tǒng)數(shù)據以實現(xiàn)系統(tǒng)的故障診斷。但免疫算法復雜度高，運行耗時長，難以滿足機電系統(tǒng)實時性，需進行算法改進以適應飛機機電系統(tǒng)要求。

　　1 經典免疫算法機制

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

　　一般免疫算法流程是按照生物免疫系統(tǒng)處理抗原入侵機體的過程實現(xiàn)的。一般免疫算法完全繼承了生物免疫系統(tǒng)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，并增加抗體種群; 以繼承的方式獲取舊抗原的最優(yōu)處理方法。算法在經歷多種類抗原學習后，抗體種群會隨著學習次數(shù)趨于完善。

　　陰性選擇算法是生物免疫系統(tǒng)抗原識別過程的實現(xiàn)。陰性選擇算法是將檢測器與被保護的對象進行匹配，并將成功匹配的檢測器做變異處理，直到與被保護對象不匹配為止。然后將檢測器與待檢查數(shù)據進行匹配計算，若匹配則說明待檢查數(shù)據異常。陰性選擇算法的效果依賴于檢測器的質量，檢測器審查越嚴格，算法效果越好。

　　克隆選擇算法是卡斯特羅( Decastro) 基于免疫過程中克隆選擇原理提出的一種算法，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 算法改進設計

　　機電系統(tǒng)故障診斷就是對機電系統(tǒng)數(shù)據的診斷，即判定數(shù)據是否處于正常范圍。就此而言，陰性選擇算法較為合適，相對應的，系統(tǒng)數(shù)據即為待處理數(shù)據，待處理數(shù)據中的故障數(shù)據即為故障診斷的依據，但算法效果依賴于檢測器的質量，檢測器無學習能力，實際檢測效果不如一般免疫算法; 一般免疫算法雖性能優(yōu)異但資源占用較大，不適合嵌入式使用，由于故障數(shù)據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?；谏鲜鲈蚩紤]，可將兩種算法優(yōu)勢進行部分整合。

　　改進后算法采用適合數(shù)據處理的陰性選擇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數(shù)據學習環(huán)節(jié)以保證算法性能，提高檢測器質量，接著增加檢測器優(yōu)化環(huán)節(jié)以滿足算法實時性要求，再計算優(yōu)化后檢測器作用域，最終進行待測數(shù)據匹配，匹配數(shù)據即為故障數(shù)據。

　　檢測器C( i) 初始化。改進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 的一維數(shù)組，檢測器的每個元素是位于待診斷量傳感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，將含有正常數(shù)據元素的檢測器執(zhí)行分段函數(shù)變異處理，使其滿足檢測器條件，分段函數(shù)只需保證用不合格檢測器處理后能合格即可。

　　作用域計算。在進行數(shù)據匹配前需計算每個檢測器的作用域，使用正常數(shù)據產生m 個長度為x 的一維數(shù)組D( j) ，0≤j < m，定義檢測器C( i) 與所有D( j) 向量差的二范數(shù)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) 要盡量多，否則檢測器作用域會變大，后期會造成誤診斷情況。

　　故障數(shù)據學習。此時生成的檢測器會因為隨機性有檢測盲區(qū)，需進行學習來彌補。使用系統(tǒng)異常時待診斷量傳感器數(shù)據產生l 個長度為x 的一維隨機數(shù)組F( k) ，0≤k < l，查看檢測器C( i) 與F( k) 的二范數(shù)是否< C( i) 的作用域，如果某個數(shù)組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，大量的學習數(shù)據能保證檢測器的完整性，提高檢測器的質量。

　　檢測器優(yōu)化: 學習后的檢測器存在作用域重復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范數(shù)是否小于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，來解決作用域的重復問題; 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(shù)進行記錄，匹配次數(shù)反映了故障的概率，按照匹配次數(shù)由大到小的順序將檢測器進行重新排序。

　　數(shù)據匹配。將待檢測數(shù)據進行向量化處理，將待檢測數(shù)據轉化為多個長度為x 的一維數(shù)組S( r) ，0≤r < x，且同一個待檢測數(shù)據可多次出現(xiàn)在S( r) 中，以提高算法可靠性，但次數(shù)會影響檢測時間，需權衡處理。d0 ～ d7為待檢測數(shù)據，S( 0) 、S( 1) 和S( 2) 為處理后的向量。

　　3 故障診斷應用

　　使用飛機機電系統(tǒng)燃油子系統(tǒng)供油泵出口壓力和供電系統(tǒng)地面電源電壓對改進算法進行驗證。改進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 個待檢測數(shù)據。

　　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%。表明改進算法提高了診斷成功率，由于改進算法具有學習能力，其也可應用在未明確量化判據的數(shù)據診斷上。

　　4 結束語

　　改進后的算法比一般免疫算法提高了診斷成功率，也能滿足機電系統(tǒng)實時性的要求，并在使用時只需將產生的檢測器存儲在機電系統(tǒng)計算機內，檢測簡單易實現(xiàn)。但機電系統(tǒng)待診斷數(shù)據種類龐大，都使用此算法進行診斷時，會受到計算機存儲和計算資源的限制，還有可能引起系統(tǒng)周期超時，因而需權衡資源和降額設計進行使用。

相關文章：

1.電源故障診斷分析