基于免疫算法的飞机机电系统故障诊断分析论文

　　飞机机电系统信息化水平正逐步提高，系统在运转过程中有着大量的数据，因而可使用基于数据的故障诊断方法来判断系统的运行状态，以决定系统当前控制策略，保证飞机安全。免疫算法本身具有鲁棒性，满足飞机高可靠性要求，可用来处理机电系统数据以实现系统的故障诊断。但免疫算法复杂度高，运行耗时长，难以满足机电系统实时性，需进行算法改进以适应飞机机电系统要求。

　　1 经典免疫算法机制

　　免疫算法是生命科学中的免疫机制在工程实践领域的算法实现，具有使用方便、鲁棒性强等特点。经典免疫算法分为一般免疫算法、阴性选择算法和克隆选择算法。

　　一般免疫算法流程是按照生物免疫系统处理抗原入侵机体的过程实现的。一般免疫算法完全继承了生物免疫系统的自适应性，对抗原的入侵有完备的方案。以高突变方式处理新抗原，记忆新抗体，并增加抗体种群; 以继承的方式获取旧抗原的最优处理方法。算法在经历多种类抗原学习后，抗体种群会随着学习次数趋于完善。

　　阴性选择算法是生物免疫系统抗原识别过程的实现。阴性选择算法是将检测器与被保护的对象进行匹配，并将成功匹配的检测器做变异处理，直到与被保护对象不匹配为止。然后将检测器与待检查数据进行匹配计算，若匹配则说明待检查数据异常。阴性选择算法的效果依赖于检测器的质量，检测器审查越严格，算法效果越好。

　　克隆选择算法是卡斯特罗( Decastro) 基于免疫过程中克隆选择原理提出的一种算法，擅长模式识别等机器学习任务，在故障诊断上应用较少，不再做具体介绍。

　　2 算法改进设计

　　机电系统故障诊断就是对机电系统数据的诊断，即判定数据是否处于正常范围。就此而言，阴性选择算法较为合适，相对应的，系统数据即为待处理数据，待处理数据中的故障数据即为故障诊断的依据，但算法效果依赖于检测器的质量，检测器无学习能力，实际检测效果不如一般免疫算法; 一般免疫算法虽性能优异但资源占用较大，不适合嵌入式使用，由于故障数据在实际中无需要多次识别，因而抗体增殖功能在故障诊断中也没有使用价值。基于上述原因考虑，可将两种算法优势进行部分整合。

　　改进后算法采用适合数据处理的阴性选择算法作为基本架构进行检测器初始化和检测器审查，其次计算每个检测器的作用域，为已审查检测器增加故障数据学习环节以保证算法性能，提高检测器质量，接着增加检测器优化环节以满足算法实时性要求，再计算优化后检测器作用域，最终进行待测数据匹配，匹配数据即为故障数据。

　　检测器C( i) 初始化。改进算法首先进行检测器初始化，检测器在实际应用中为n 个长度为x 的一维数组，检测器的每个元素是位于待诊断量传感器量程之内的随机值，检测器定义为C( i) ，0≤i < n。

　　检测器审查。初始化的检测器需进行合格性审查，将含有正常数据元素的'检测器执行分段函数变异处理，使其满足检测器条件，分段函数只需保证用不合格检测器处理后能合格即可。

　　作用域计算。在进行数据匹配前需计算每个检测器的作用域，使用正常数据产生m 个长度为x 的一维数组D( j) ，0≤j < m，定义检测器C( i) 与所有D( j) 向量差的二范数的最小值r( i) 为检测器C( i) 的作用域，在作用域计算时使用的D( j) 要尽量多，否则检测器作用域会变大，后期会造成误诊断情况。

　　故障数据学习。此时生成的检测器会因为随机性有检测盲区，需进行学习来弥补。使用系统异常时待诊断量传感器数据产生l 个长度为x 的一维随机数组F( k) ，0≤k < l，查看检测器C( i) 与F( k) 的二范数是否< C( i) 的作用域，如果某个数组F( e) ，0≤e < l 不在任何检测器作用域之内，则将F( e) 增加为检测器，重新计算其作用域，在进行故障学习时，大量的学习数据能保证检测器的完整性，提高检测器的质量。

　　检测器优化: 学习后的检测器存在作用域重复和检测时间期望值较小的问题。计算任两个检测器向量差二范数是否小于两个检测器作用域的较小值，若存在则将作用域较小的检测器剔除，来解决作用域的重复问题; 针对检测时间期望值较小可在进行故障学习时，将每个检测器匹配次数进行记录，匹配次数反映了故障的概率，按照匹配次数由大到小的顺序将检测器进行重新排序。