改進(jìn)的人工免疫算法在機(jī)床顫振診斷中的應(yīng)用

楊益洲 游文明 周益軍

(揚(yáng)州職業(yè)大學(xué)機(jī)械工程學(xué)院，江蘇揚(yáng)州225000)

人工智能一直是人類的追求之一。人們通過對(duì)生物大腦神經(jīng)元網(wǎng)絡(luò)的研究和仿真，提出了人工神經(jīng)網(wǎng)絡(luò)模型并獲得了巨大發(fā)展。同樣，基于Jerne提出的免疫網(wǎng)絡(luò)理論提出的人工免疫系統(tǒng)(簡稱AIS)也成為了人工智能領(lǐng)域研究的熱點(diǎn)。之后，人工免疫系統(tǒng)日益成熟。主要的有1996年Forrest提出了檢測(cè)計(jì)算機(jī)病毒的反面選擇算法［1］，2000年 Timmis提出的RLAIS［2］，2002 年 De Castro 提出的克隆選擇算法［3］以及aiNet等［4］。這些算法，充分借鑒了免疫系統(tǒng)中B細(xì)胞與T細(xì)胞等免疫細(xì)胞實(shí)現(xiàn)生物免疫的方式，構(gòu)建了人工免疫系統(tǒng)的基礎(chǔ)，尤其是在計(jì)算機(jī)病毒防護(hù)等領(lǐng)域有了眾多應(yīng)用成果。但是對(duì)于機(jī)械設(shè)備的智能診斷而言，研究的對(duì)象更加復(fù)雜，對(duì)于AIS系統(tǒng)的要求也有所不同。目前AIS的研究與應(yīng)用還多集中在數(shù)據(jù)聚類方面，但是AIS尤其是克隆選擇算法具有應(yīng)用靈活，適應(yīng)性強(qiáng)的特點(diǎn)，很適合用于全局尋優(yōu)。傳統(tǒng)的智能算法如人工神經(jīng)網(wǎng)絡(luò)的BP算法很容易陷入局部極值，AIS在這一方面正好何其可以相輔相成?；谝陨峡紤]，本文對(duì)如何在AIS進(jìn)化過程中保持抗體的多樣性進(jìn)行了研究，并在傳統(tǒng)的克隆選擇算法基礎(chǔ)上，提出了一種通過設(shè)定家族標(biāo)記模擬姓氏繼承提高算法多樣性，有效避免過早收斂以及重復(fù)計(jì)算以提高算法速度的方法。

1 克隆選擇算法及改進(jìn)

隨著研究的深入，克隆選擇算法也經(jīng)歷了不斷發(fā)展。De Castro提出的克隆選擇算法流程如下:

①產(chǎn)生候選方案的集合S(P)，該集合為記憶細(xì)胞子集(M)和剩余群體(Pr)的總和(P=Pr+M);

②基于親和力度量確定群體P中的n個(gè)最佳個(gè)體Pn;

③對(duì)群體中的這n個(gè)最佳個(gè)體進(jìn)行克隆(復(fù)制)，生成臨時(shí)克隆群C;

④對(duì)克隆生成的群體施加變異操作，變異概率反比于抗體親和力，生成一個(gè)成熟的抗體群體C*;

⑤從C*中重新選擇改進(jìn)個(gè)體組成記憶集合，P集合的一些成員可以由C*的其他改進(jìn)成員加以替換;

⑥將群體中的d個(gè)低親和度的抗體予以替換，從而維持抗體的多樣性。

而與Rbdolph證明經(jīng)典遺傳算法［5］類似，可以證明若是讓每一代種群的最優(yōu)個(gè)體不參與雜交與變異過程，則算法是依概率意義收斂的。所以實(shí)際使用的克隆選擇算法通常對(duì)最優(yōu)抗體進(jìn)行保留。此外為了保留抗體的多樣性，除了調(diào)用變異算子對(duì)臨時(shí)克隆群C并施加變異操作外，通常還調(diào)用交叉算子對(duì)臨時(shí)克隆群C內(nèi)的個(gè)體進(jìn)行基因交叉互換?？傮w流程圖如圖1。

而本文對(duì)于克隆選擇算法的改進(jìn)主要是通過對(duì)進(jìn)化過程中的臨時(shí)抗體群添加遺傳標(biāo)志位，達(dá)到進(jìn)一步提高抗體多樣性從而提高算法全局搜索提高算法效率的目的。具體方法如下:

①生成初始抗體群時(shí)按照生成次序標(biāo)記家族標(biāo)志;

②調(diào)用變異算子時(shí)，新生成的抗體繼承調(diào)用抗體家族標(biāo)志;

③調(diào)用交叉算子時(shí)，新生成的抗體繼承主動(dòng)調(diào)用的抗體所有的家族標(biāo)志;

④在對(duì)臨時(shí)抗體群進(jìn)行排序時(shí)，首先依據(jù)家族標(biāo)志在各家族內(nèi)按親和力進(jìn)行排序;

⑤將各家族最優(yōu)抗體注入臨時(shí)抗體群(即進(jìn)化池)，并按照設(shè)定的最大濃度丟棄多余臨時(shí)抗體;

⑥對(duì)去除后的所有抗體再按親和力進(jìn)行排序，選優(yōu)后注入進(jìn)化池。

該方法主要是通過增設(shè)標(biāo)志位，從而避免了抗體在局部極值點(diǎn)過早收斂集中造成大量無效計(jì)算，來達(dá)到提高遍歷性與算法效率的目的。其中濃度定義為某家族抗體總數(shù)在臨時(shí)抗體群所占的比率。為了對(duì)算法進(jìn)行驗(yàn)證，本文采用CA6140型臥式車床的加工過程振動(dòng)數(shù)據(jù)的訓(xùn)練過程進(jìn)行了分析。

2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)通過AIS系統(tǒng)對(duì)車床加工細(xì)長軸工件時(shí)易發(fā)生的顫振故障進(jìn)行了識(shí)別與預(yù)報(bào)。分別采集車床x、y、z三個(gè)方向振動(dòng)信號(hào)，將各頻域段內(nèi)的信號(hào)能量歸一化后作為特征值。下圖是分別增加家族標(biāo)記與未增加家族標(biāo)記時(shí)抗體訓(xùn)練時(shí)依照進(jìn)化代數(shù)的收斂結(jié)果。

如圖可以看出，以進(jìn)化代數(shù)為橫坐標(biāo)時(shí)，采用姓氏繼承法會(huì)延緩抗體的收斂速度，這是保持抗體多樣性帶來的代價(jià)。但是由于丟棄了部分過于集中的抗體，算法在速度上有了顯著提高。表1是采用相同樣本與其它參數(shù)條件下，姓氏繼承法不同濃度時(shí)的最大親和力與訓(xùn)練所用時(shí)間(設(shè)定50個(gè)家族)。

表1 采用/不采用姓氏繼承法50代時(shí)訓(xùn)練得到的最大親和力與所用時(shí)間

從表1可看出，采用姓氏繼承法后，雖然從最大親和力來看略有下降，但是降幅基本可以忽略。平均時(shí)間從不采用的6.11 s到最大濃度0.4時(shí)的5.49 s一直到采用最大濃度0.1時(shí)的3.47 s有了顯著提高。而從同樣進(jìn)化50代時(shí)，臨時(shí)抗體池內(nèi)抗體的分布也可看出該算法對(duì)抗體多樣性的提高。圖5是識(shí)別結(jié)果圖。

該算法進(jìn)化生成的抗體能夠?qū)C(jī)床故障進(jìn)行正確識(shí)別。

3 結(jié)語

本文在克隆選擇算法的基礎(chǔ)上提出了一種姓氏繼承算法。該算法能夠有效地提高算法的多樣性，避免進(jìn)化過程中抗體過快收斂造成的重復(fù)計(jì)算，從而有效提高了算法效率。該算法作為一種人工免疫系統(tǒng)進(jìn)化時(shí)的輔助算法，在進(jìn)化池大小受限，或者對(duì)最優(yōu)值精度要求不高時(shí)有明顯的效果。

1 S.Forrest，S.A.Hofmeyr，A.Somayaji A.A sense of self for UNIX processes［C］.In 1996 IEEE Symposium Security and Privacy，Oakland，California，1996:120-128

2 J.Timmis，M.Neal.A Resource Limited Artificial Immune Systems for Data Analysis［J］.Knowledge Based Systems ，2002，14(3/4):121-130

3 D.Castro，F(xiàn).J.V.Zuben.Learning and Optimization Using the Clonal Selection Principle［J］.IEEE Transactions on Evolutionary Computation，2002，6(3):239-251

4 D.Castro，J.Timmis.Convergence and Hierarchy of aiNet:Basic Ideas and Preliminary Results［C］.in Proc.the 1st International Conference on Artificial Immune Systems，Canterbury，UK，2002:231-240

5 Rudolph G.Convergence properties of canonical genetic algorithms［M］.IEEE Trans on Neural Networks，1994.