[01272964]基于免疫智能的设备故障诊断方法及应用研究

研究内容及主要技术指标：该项目是黑龙江省教育厅科学技术研究资助项目，属于设备智能故障诊断领域，应用基础类研究。

研究内容：为了对故障样本不足的设备进行异常状态检测，从免疫系统自己-非己的概念出发，对设备异常状态检测问题进行了描述，引进了状态空间，自己空间，非己空间，模糊空间及二类设备异常状态检测问题等概念。

继而，在对免疫系统反面选择机理及现有反面选择算法进行分析的基础上，为了更有效地检测设备的异常状态，研究了两种改进型反面选择算法。在改进算法中，对向量检测器和超矩形体规则检测器进行了详细研究。此外，进一步研究了改进型反面选择算法与神经网络，遗传算法的结合方法。

在理论研究的基础上，开展了往复机械异常状态检测的应用研究。在分析免疫系统抗原与抗体互识别机理，形式模型及矩阵奇异值分解的基础上，提出了基于抗原抗体互识别机理的故障诊断方法。在此基础上，还研究了故障样本在二维结合能量平面的可视化表达方法。通过对标准样本的识别及与神经网络识别效果的对比分析，验证了该故障诊断方法的有效性。

应用所提出的方法对往复泵泵阀故障进行了诊断研究，结果表明所提出的故障诊断方法具有有效性，直观性，可解释性和鲁棒性等特点。

借鉴免疫系统的克隆变异机理及已有的人工免疫系统成果，研究了具有故障诊断能力，同时又具有对故障样本的渐进学习功能和对故障样本约简功能的自适应故障诊断方法。

实现了故障诊断系统在对新的故障样本学习的过程中，保持对已学知识的记忆。

为了实现对大量冗余信息的约简过程中，既保证具有较高的数据压缩率，同时又要保证原有数据结构的完整性，在借鉴已有人工免疫网络优点的基础上，研究了更适于数据约简的人工免疫网络模型，同时，还研究了基于人工免疫网络的数据聚类方法。

技术指标：提高了故障样本缺乏状况下的设备故障诊断精度；较好地实现了设备故障诊断有效性，直观性，可解释性和鲁棒性的统一；较好地实现了对故障样本的渐进学习功能，数据约简功能及数据聚类功能的统一。

创新点：1.借鉴免疫系统反面选择机理，较好地解决了缺乏故障样本的设备异常检测这一难题。2.基于免疫系统抗原抗体识别机理，研究了具有鲁棒性，可视化及可解释性好的故障诊断新方法，较好地弥补了“黑箱”故障诊断方法的不足。

借鉴免疫系统克隆变异机理，研究了具有渐进学习功能和约简功能的自适应故障诊断方法，解决了对故障样本不能进行渐进学习的缺憾。

借鉴免疫网络，较好地解决了故障诊断中的数据冗余问题及故障样本的有效可视化表达问题。

推广应用情况，前景及效益：该项目的主要研究成果已在往复机械故障诊断领域得到应用，取得了较好的效果，解决了传统故障诊断方法不能解决和难以解决的一些问题。基于免疫机理的设备智能故障诊断方法是从全新的角度来研究设备故障诊断问题，所得到的研究成果与传统故障诊断方法相比具有更多的优点，具有较广阔的应用前景和推广应用价值。此外，该项目的研究成果与其它故障诊断方法相融合，可提高现有设备故障诊断的整体水平，可获得较好的经济效益和社会效益。

技术水平：依据生物免疫系统智能机理，所提出的设备智能故障诊断方法具有一定的科学性，先进性及创新性，研究成果处于国际先进水平。

应用领域：该项目的研究成果可应用于故障诊断，人工智能，智能控制，计算机病毒检测等多个领域。