基于II-NSA算法的电机故障诊断系统研究

吴洪兵，楼佩煌，唐敦兵

（1. 淮安信息职业技术学院，淮安 223003；2. 南京航空航天大学 机电学院，南京 210016）

0 引言

生物免疫系统识别自体和非自体的阴性选择原理对电机系统故障识别、诊断有很好的借鉴意义。Forrest等提出的阴性选择算法（NSA）模拟生物系统T细胞产生检测器，因其方法简单被人们广泛接受。但NSA检测器也具有检测性能差，匹配阈值难以确定等缺点。本文针对NSA算法的不足进行改进,将阴性选择原理[1,2]、克隆选择[3]和免疫网络调节相结合，提出一种免疫融合阴性选择（immune integrated negative selection algorithm，II-NSA）算法，IIS-NSA生成的检测器由克隆选择使其快速成熟，同时由免疫网络调节优化检测器的分布。

1 电机模型及故障机理分析

针对电机的不同的故障，可以得到各种不同的故障特征[4～6]。

式中:sf为电源频率，p为电机磁极数，s为电机转差率，n、k为正整数，

fr为电机转动频率，N为轴承滚动元件数目，db为电机轴承滚珠直径，dp为电机轴承滚珠分布直径，β为电机轴承接触角，nd为偏心率阶数，R为转子槽数，nω为定子磁动势谐波阶数。

2 免疫融合阴性选择算法

免疫融合阴性选择算法的基本思想是：当检测器与自身匹配时,由克隆选择原理通过变异使其远离自体而不是丢弃，从而提高检测器的生成效率。检测器库是一个免疫调节网络，采取抑制策略减小相互识别检测器的重复覆盖范围，对抗体与抗原匹配的阈值进行自适应地调节[7]，提高检测器效率。

II-NSA算法将检测器视为抗体，并将检测器分为未成熟群A和成熟群M，检测器匹配阈值r与自体相似度rds相等。II-NSA算法框架描述如下[8,9]：

1）算法参数初始化，包括：进化代数k、期望漏检率fP，未成熟群A的规模aN，成熟比例%ε，淘汰比例%η，成熟群M的抑制参数c。

2）初始化检测器群，Φ=A，Φ=M。

3）随机生成检测器进入A，A的种群规模为

8）A检测器成熟，将自体相似度低的%ε检测器移入成熟群M。

9）M抑制压缩。

10）M中检测器克隆。

11）M中检测器变异。

12）M中检测器选择。

13）计算M是否达到期望漏检率fP，判断循环终止。

14）A淘汰%η的与自体相似度最高的检测器。

15）返回Step3进入下一轮进化。

16）输出成熟群M。

自体集S和期望漏检率fP是II-NSA算法的2个输入，其它参数的选择对成熟检测库M的最终输出基本没有影响，算法不需要太多的先验知识。II-NSA算法的匹配阈值根据自体集S的分布自适应地调整，而NSA算法中匹配阈值比较难确定。

3 基于II-NSA算法的电机故障诊断模型研究

II-NSA算法在电机故障诊断中的响应模型流程如图1所示。该模型以抗原(故障特征值)输入为起点，以识别完成或识别失败为输出，其中识别完成分为识别已知故障模式和识别未知故障模式。

图1 II-NSA故障诊断响应模型

4 基于II-NSA算法的电机故障诊断系统的设计

4.1 基于II-NSA算法的电机故障诊断系统总体结构

本系统采用GE智能平台PAC产品的软硬件、编程指令系统作为程序运行平台，使用Machine Edition作为集成开发平台，使用iFix组态软件作为主要开发语言，使用Microsoft SQL Server 2005作为数据库工具。基于II-NSA算法的电机故障诊断系统采用模块化设计思想，以主程序为核心，设计各功能子程序，系统总体结构框图如图2所示。

图2 II-NSA电机故障诊断系统总体结构框图

4.2 基于AIS的故障诊断系统软件主要功能模块设计

图3给出了本系统的工作流程，系统软件使用模块化的程序设计方法。

图3 软件系统总体流程图

4.2.1 系统初始化模块

选择数据库来完成对检测器和记忆抗体这两个集合保存，系统初始化模块流程如图4所示。

图4 系统初始化模块流程图

4.2.2 检测器训练模块

检测器训练模块主要利用II-NSA算法完成抗体的筛选。检测器训练模块的程序流程图如图5所示。

图5 检测器训练模块流程图

4.2.3 记忆抗体训练模块

记忆抗体训练模块利用已知故障数据完成记忆抗体筛选，系统以故障状态运行时采集的数据进行特征提取，随后编码得到的一维向量作为“非我”成员输入程序，检测器训练子程序的流程图如图6所示。

图6 记忆抗体训练流程图

4.2.4 故障诊断模块

故障诊断模块是系统的核心, 它能完成对输入抗原的识别。根据输入抗原数组与检测器集合的匹配情况判断故障有无；如果判断有故障，程序再将该抗原数组与记忆抗体集合进行逐一匹配，根据匹配的结果判断故障是未知还是已知；如果是已知故障，则系统进入已知故障处理模块，反之进入未知故障处理模块，II-NSA故障诊断模块流程如图7所示。

图7 II-NSA故障诊断模块流程图

4.2.5 未知故障处理模块

在II-NSA算法判断出未知故障产生时，系统对抗原将进行进一步的识别处理，图8给出了IINSA未知故障处理模块的流程图。

图8 未知故障处理模块流程图

4.2.6 己知故障处理模块

当故障诊断模块判断有己知故障产生时，由于不需要经历克隆扩增过程，程序流程较简单，己知故障处理模块流程如图9所示。

图9 已知故障处理模块流程图

4.3 故障诊断实例分析

通过实验台设置各种电机正常和故障模式并得到相关的实验数据，给出了4种故障类型,见表1,数据统一编码并利用NSA算法、II-NSA算法分别对电机进行在线故障诊断。NSA算法、II-NSA算法的故障准确率统计结果如图10所示，由图可知II-NSA算法的故障准确率高于NSA算法。

表1 电机故障诊断类型

图10 故障诊断准确率统计图

5 结束语

本文研究了基于II-NSA算法的电机故障诊断问题，建立了故障诊断中的II-NSA响应模型。研究了基于AIS的故障诊断原型系统的总体结构和各个子程序的流程结构，利用GE智能平台的集成开发环境和IFIX组态软件完成了系统软件的开发，

并用一些测试数据完成了系统调试和算法验证，

这些测试数据可以较好地反映基于II-NSA算法的电机故障诊断方法的识别特性。测试结果表明系统具有良好的电机故障诊断能力，在电机故障诊断领域具有良好的应用前景。

[1] Forrest S, Perelson A S, Allen L, et al. Self-Nonself Discrimination in a Computer[A].Proceedings of 1994 IEEE Symposium on Research in Security and Privacy[C].Oakland C A,1994:202-212.

[2] Forrest S, Perelson A S, Allen L, et al. Self-nonself discrimination in a computer. In: Proceedings of the IEEE Symposium on Research in Security and Privacy. Los Alamitos: IEEE Computer Society Press, Los Alamitos,CA, 1994.202-212.

[3] De Castro L N, von Zuben F J. The clonal selection algorithm with engineering applications. In: Whitley L D,Goldberg D E, et al, eds . Proc. of the GECCO 2000. San Fransisco: Morgan Kaufman Publishers, 2000. 36-37.

[4] Nandi,S.，S. Ahmed,and H.A.Toliyat,Detection of rotor slot and other eccentricity related harmonics in a three phase induction motor with different rotor cages .IEEE Transactions on Energy Conversion，2001.16(3):253-260.

[5] Nandi,S. and H.A. Toliyat，Condition monitoring and fault diagnosis of electrical machines-a review. In Industry Applications Conference，1999.Thirty-Fourth IAS Annual Meeting. Conference Record of the 1999 IEEE.1999.

[6] Penman，J.，et al.，Detection and location of interterm short circuits in the stator.Windings of operating motors . Energy Conversion，IEEE Transactions on,1994.9(4):652-658.

[7] 翟宏群,冯茂岩.一种改进的变阈值阴性选择免疫算法[J]. 南京师范大学学报( 工程技术版),2011,9(3):78-82.

[8] Esponda F, Forrest S. Detector coverage under the r-contiguous bits matching rule[R].Albuquerque:Department of Computer Science University of New Mexico, 2002:1-3.

[9] 公茂果,郝琳.基于人工免疫系统的数据简化[J].软件学报,2009,20(4):804-814.