異步電機故障診斷研究

精品文檔-下載后可編輯異步電機故障診斷研究1人工免疫算法

人工免疫算法的理論原型就是生物上的免疫機理，但從思考的切入角度不同可分為三大類：基于免疫網(wǎng)絡(luò)模型的、基于克隆選擇機制的、基于陰性選擇機制的。一般的代表性算法有一般免疫法、deCastro提出的克隆選擇算法、Forrest提出的陰性選擇算法、deCastro提出的人工免疫網(wǎng)絡(luò)算法（AiNet）。人工免疫算法在實際應(yīng)用時的一般過程為：（1）確定應(yīng)用領(lǐng)域。（2）確定免疫實體。（3）獲得問題解（抗體）。

2陰性選擇算法原理

陰性選擇在免疫學中的機理為T淋巴細胞的陰性選擇過程。如果一個未成熟T細胞由于結(jié)合自我抗原而激活，則會被清除，而那些存活的T細胞則將在機體中行使的相應(yīng)免疫功能。而這個過程在應(yīng)用到異步電機診斷上時，T細胞就對應(yīng)了算法中的檢測器。Forrest的算法中將“自己”與“非已”定義到兩個集合中，通過集合的邏輯關(guān)系來反應(yīng)被測樣本與正常樣本和異常樣本的匹配關(guān)系。如果要定量地分析匹配關(guān)系，則可借助歐式空間距離公式來進行計算。如果設(shè)定一個距離閾值λ，將點d值與λ值的差值E定義為匹配誤差，當E0時，檢測器[t1,t2,…,tn]不與自我樣本[x1,x2,…,xn]匹配；當E≤0時，則相反。陰性選擇就是將不與自我樣本匹配的檢測器保留，將匹配的檢測器剔除，用保留的檢測器去檢測被測樣本。若檢測器與被測樣本匹配，則說明被測樣本存在異常變化。陰性選擇算法最關(guān)鍵的便是產(chǎn)生有效的檢測器，而這取決于其他一些因素，例如：自體集的數(shù)量大小，檢測時的匹配規(guī)則（可用海明距離、連續(xù)r位匹配規(guī)則等），以及檢測器的產(chǎn)生方法。另一個需要關(guān)注的點便是距離閾值λ取值的適當性。電機在運行時，或多或少會受到諧波的影響，而諧波影響也將影響陰性選擇算法中自體集的范圍，進而影響檢測器的生成。

3陰性選擇算法的實現(xiàn)

Forrest陰性選擇算法的過程如下：（1）定義長度為L有限個字母串類集S（自體集）。（2）定義匹配規(guī)則、距離閾值等參數(shù)。（3）由陰性選擇過程產(chǎn)生檢測器集R。（4）不斷地用R中的檢測器監(jiān)測S，找出非自體元素。

4陰性選擇算法的優(yōu)化方法

傳統(tǒng)的陰性選擇算法采用的是窮舉法來產(chǎn)生檢測器，這種產(chǎn)生方法在使用時，占用內(nèi)存空間大，而且還不能保證檢測器的優(yōu)異性。同時檢測器的數(shù)量還直接關(guān)系到檢測器監(jiān)測自體集的實時性。因此在使用時還往往會對傳統(tǒng)的陰性選擇算法進行優(yōu)化。其中，應(yīng)用最廣泛的便是克隆優(yōu)化法。優(yōu)化的作用相當于對檢測器的一次篩選，保留優(yōu)異的診斷器，減少漏判和誤判?？寺?yōu)化主要涵蓋在2個階段，檢測器優(yōu)化階段和故障診斷階段。采用克隆優(yōu)化方法，只保留下那些具有最佳故障診斷率的檢測器。檢測器的故障診斷率是通過計算他的優(yōu)化匹配度。例如，在N個故障診斷情況下，對于其中某一個故障i(1,2,…,n)，Li和Mi分別代表檢測器與自體集和非自體集的特征信號匹配次數(shù)。

5傳統(tǒng)模型與優(yōu)化模型的實驗結(jié)果分析

為了分析陰性選擇算法的傳統(tǒng)模型和克隆優(yōu)化模型的診斷效果，本文針對異步電機的轉(zhuǎn)子斷條故障，分別用兩種方法對其診斷，根據(jù)實驗結(jié)果，分析在對傳統(tǒng)方法進行克隆優(yōu)化后，診斷過程的區(qū)別和診斷結(jié)果優(yōu)異性。實驗過程中，采取異步電機滿載下三相定子電流作為特征信號進行測量和采集。為了計算方便，采用歸一化對數(shù)據(jù)進行預處理，然后按照兩種模型的算法步驟，進行多次故障診斷。診斷結(jié)果如表5-1所示。通過對比可以發(fā)現(xiàn)，在對傳統(tǒng)的陰性選擇算法進行克隆優(yōu)化后，確實診斷準確率有了明顯的提高，在實際應(yīng)用時有更好的診斷性能。

6總結(jié)

本文基于免疫系統(tǒng)的陰性選擇機理，提出了可對異步電機進行實時在線監(jiān)測的診斷方法。并針對傳統(tǒng)陰性選擇算法的缺點，進行了克隆優(yōu)化，減少了合適檢測器的數(shù)量，并保證了