基于人工免疫网络的连续过程传感器置信度评估

摘　要:针对连续过程传感器置信度评估的问题,提出了一种基于人工免疫网络的在线数据处理算法。分析了ishida动态识别免疫网络,在此基础上设计了模糊测试单元;使用模糊论域表达了动态识别免疫网络中抗体之间刺激的强度,建立了抗体浓度的数学模型,依照抗体的浓度来区分传感器的置信度;设计了模糊测试单元参数确定的方法,用以调整网络灵敏度和平衡的关系。算法应用于生物发酵过程传感器置信度评估,实验结果表明该算法能够对传感器的置信度进行有效评估、易于工程实现。

关键词:过程控制;人工免疫网络;传感器

生产实践表明测量装置失效是导致连续工业过程控制间断的重要因素之一[1]。因此,对写作论文连续工业过程进行传感器置信度评估尤为重要。目前常用的方法有贝叶斯估计法、ds证据推理法、自适应神经网络模糊推理方法(anfis)和人工免疫网络法等[2,3]。其中,连续生产过程中的物质能量流模型和人工免疫网络传播模型相类似,所以利用这种关系进行传感器置信度评估已成为近年来自动化领域研究的热点。目前基于人工免疫网络的传感器置信度评估方法主要有:以ishida为代表的动态识别免疫网络和以leonard n为代表的基于dna的阴性选择[4-6]。而前者已成功地应用于水泥生产过程的设备传感器置信度评估。但是ishida动态识别方法中只能处理传感器关系确定的情况。因此,本文引入了传感器关系的非确定性约束,用于连续生产过程传感器之间为非确定关系情况下的传感器置信度评估。

1　传感器置信度评估算法ishida动态识别免疫网络是在系统级识别方法基础上提出的。认为在免疫网络理论中,免疫系统由识别集合组成,识别集合中的一些抗原可以被其他抗原激活,并产生抗体;而这些抗体又可以激活其他的抗原。通过这种方式,刺激可以从一个抗原传播到另外一个抗原,直至影响整个网络。对刺激信号的辨识不是一个抗原单独完成的,而是通过抗原相互连接的网络进行的[7,8]。ishida动态识别免疫网络方法利用传感器之间的约束条件为每个传感器建立测试单元。在用动态识别免疫网络进行传感器置信度评估时,网络主体与传感器相对应,免疫细胞的浓度与传感器的可靠性相对应,网络平衡状态与传感器正常状态相对应,外部刺激信号和测试单元的测试结果相对应。因此,这个网络中的每一个传感器不仅测量工业过程的物理量,还要评估其他传感器的可靠性。在同一工业过程中,温度、压力、流量等传感器的测量值之间既互相独立又互相联系;只要利用简单的工业过程知识就能建立起这些传感器之间具有确定性的约束,所以这种方法实现起来较为简单。这种模型可用图1的结构表示。图1　动态人工免疫网络图中是一个包含n个节点的人工免疫网络nais(p(i)ais),i =1,…,n。其中p(i)ais是网络的第i个节点, p(i)ais= {aais,i(1)ais,i(2)ais,…,i(m)ais},aais表示网络中的抗体,i(i)ais表示第i个抗体的独特位。在ishida的方法中,p(i)ais与工业现场中的第i个传感器的逻辑位置相对应,抗体aais与传感器实体相对应,抗体aais的浓度与传感器的可信度对应,独特位i(1)ais,i(2)ais,…,i(m)ais对应m个测试单元。对aais(aais∈p(i)ais)的刺激由第i个传感器和其他传感器建立的测试单元对应的独特位i(1)ais,i(2)ais,…,i(m)ais产生。但是,测试单元存在如下缺点[3]:测试单元的结果只能用0,1,-1来表示,不能利用人工经验等一些非确定知识。针对这些缺点本文进行了改进,设计了新型的测试单元。针对ishida测试单元存在的不足,本文设计了模糊测试单元,使其能够反应传感器数值间的非确定性关系。在动态识别免疫网络中,独特位iais实际上就是传感器数值sj和sk的关系的体现,而这种关系用在模糊论域可分为5个等级:{sj小于sk,sj小于等于sk,sj在sk的附近变化,sj大于等于sk,sj大于sk}。sj和sk之间的模糊关系则代表了动态识别免疫网络中抗体之间刺激的强度。设在t时刻,抗体aais对应的传感器j通过独特位i(jk)ais收到来自k传感器的刺激为i(jk)ais(t),则其隶属度为i(jk)ais(t) =∪5l=112πσaisle-(sj-sk-μaisl)22σ2aisl(1)式中i(jk)ais(t)∈(0,1),两个数列之间的关系是互易的,所以i(jk)ais(t)=i(kj)ais(t);ηaisl,σaisl(l=1,2,3,4,5)是不同等级的隶属度函数的中的常数,由sj和sk之间的统计关系决定。由外部刺激引起抗体浓度ri产生变化,可表示为dr(i)aisdt=∑nj=1r(i)aisi(ij)ais∑ni=1r(i)aisξais+r(i)ais(1-ξais) (2)r(i)ais=2arctan(qais·r(i)ais)π(1-rd)+rd(3)式中rd∈(0,1),经验值取0.001;r(i)ais表示节点p(i)ais对应的第i个传感器的可信度,r(i)ais越大,传感器的可信度越高,由于qais·rais>0,所以rais∈(rd,1);ξais为灵敏度系数;qais是网络平衡状态的调节系数,主要作用是传感器网络在正常时的可信度调节在一个合适的范围内。

2　参数确定的方法在本算法中,需要确定的参数有两类:一类是式(1)影响对独特位刺激程度的参数μais和σais,另一类是影响网络平衡状态的参数ξais和qais。参数μais和σais主要表征了和独特位对应的测试单元中两个传感器之间的关系。这种关系通常是生产工艺所要求的(或者工业过程特性决定的)。要确定参数μais和σais,首先要获取这两个传感器大量的现场数据,然后以它们相同时刻测量值的差作为样本。μais是该样本的正态分布的均值,σais是该样本的正态分布的均方差。参数ξais和qais影响网络的平衡状态,如图2所示。从图中可以看出:ξais越大,网络对外界的反映就越灵敏,但容易产生误报。qais越大rais正常状态下就越大;但是,qais过大会造成测量失效状态下的可信度变大,容易发生漏报。参数ξais和qais可以通过学习得到。在传感器正常工作状态下,qais可通过以下公式得到qais(t+1) = qais(t)+αais(rais-r0) (4)式中αais为步长系数;r0为qais调节时传感器正常状态下置信度的平均值,一般可取0.7。在某个时刻,1732传　感　技　术　学　报2008年能比较试验。anfis结构如图4所示,酵罐三个温度传感器,两个作为输入,另外一个作为输出,对传感器输入值的隶属度划分为两个区间:正常和异常。经过训练以后和分别对应于两个输入传感器的“标准可信度”。图4　anfis的结构例如,当对于罐顶传感器的置信度评估时,建立2个anfis:anfis-1:输入为罐顶传感器和罐中部传感器,输出为罐底传感器,w(1)top表征罐顶传感器的置信度。anfis-2:输入为罐顶传感器和罐底传感器,输出为罐中部传感器,w(2)top表征罐顶传感器的置信度。那么,罐顶传感器的置信度为w(1)top和w(2)top的平均值。其余两个传感器的评估方法也同样。an-fis实验使用和人工免疫网络实验相同的数据,数据窗口大小为30 ks。由于两个实验中的置信度没有可比性,人工免疫网络算法中的置信度来源于人工经验,anfis的标准的可信度来源于归一化的权系数。因此,论文比较的是:传感器“故障”引起的其置信度变化率ηt,ηt=| rm-ra|rm(6)式中:rm表示正常状态下的置信度,ra表示异常情况下的置信度。对比实验的结果如表2所示,从中可以看出,两种方法结果是一致的,而当偏差数据较大时,anfis方法ηt的较大,对故障数据比较敏感,在偏差较小时,人工免疫网络算法的ηt较大,对故障数据比较敏感。因此,人工免疫网络算法适用的数值范围更广一些。表2　对比实验的ηt结果传感器偏差数据/℃人工免疫网络方法anfis方法罐顶传感器-0.50 34.6% 57.7%罐中部传感器-0.30 18.1% 4.8%罐底传感器-0.15 6.4% 0.2%

3　结论论文研究了连续过程中传感器具有非确定关系情况下的传感器置信度评估。实验证明:①具有模糊测试单元的人工免疫网络能够使用人工经验对传感器的数据置信度进行评估;②具有模糊测试单元的参数物理意义明显、确定方法简单易行。但是,论文中的算法在某些情况下抗干扰能力较弱。例如,图3(c)所示情况应用单条件的阀值比较的方法输出的结果不稳定,论文将用复合的判决条件的方法在此深入研究。

参考文献:

[1]　李雄杰,周东华,陈良光.一类非线性时滞过程的传感器主动容错控制[j].传感技术学报,2007,20(5):980-984.

[2]　房方,魏乐.传感器故障的神经网络信息融合诊断方法[j].传感技术学报,2000,13(4):272-276.

[3]　赵志刚,赵伟.基于动态不确定度理论的多传感器系统传感器失效检测方法[j].传感技术学报, 2006, 19(6): 2723-2736.

[4]　mizessyn f,ishida networks for cement plants[c]// ieee: international symposium on autonomous decen-tralized systems. ieee, 1993.282-288.

[5]　costa branco p immunology principles for fault de-tection[j],ieee transactions on industrial electronics, 2003,50(2):362-373.

[6]　ishida immune system as prototype of autonomousdecentralized systems: an overview[c]// ieee:third inter-national symposium on autonomous decentralized , ieee, 1997:85-92.

[7]　costa branco p j. fault detection using immune-based sys-tems and formal language algorithms[c]// ieee: proceed-ing of the 39th ieee conference on decision and control. syd-ney, australla: ieee, 2000: 2633-2637.

[8]　ro. fault diagnosis of plant systems using immunenetworks[c]// ieee:proceeding of the international confer-ence on multisensor fusion and intelligent system,las vegas,usa: ieee, 1994:34-42.