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(jù)，因而可使用基于數(shù)據(jù)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(jù)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(jīng)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(jīng)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(jīng)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(jù)進行匹配計算，若匹配則說明待檢查數(shù)據(jù)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(jù)的診斷，即判定數(shù)據(jù)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(jù)即為待處理數(shù)據(jù)，待處理數(shù)據(jù)中的故障數(shù)據(jù)即為故障診斷的依據(jù)，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(jù)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(jù)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(jù)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(jù)匹配，匹配數(shù)據(jù)即為故障數(shù)據(jù)。

　　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(jù)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(jù)匹配前需計算每個檢測器的作用域，使用正常數(shù)據(jù)產(chǎn)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(jù)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(jù)產(chǎn)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(jù)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(jù)匹配。將待檢測數(shù)據(jù)進行向量化處理，將待檢測數(shù)據(jù)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(jù)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(jù)，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(chǎn)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(jù)。

　　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(jù)的數(shù)據(jù)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(chǎn)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(jù)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