《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > 模糊免疫算法及其在金屬磁記憶檢測(cè)中的應(yīng)用
模糊免疫算法及其在金屬磁記憶檢測(cè)中的應(yīng)用
來(lái)源:微型機(jī)與應(yīng)用2012年第6期
李遠(yuǎn)利,李著信,劉書俊
(后勤工程學(xué)院 軍事供油工程系,重慶401311)
摘要: 將模糊聚類算法原理引入到免疫算法中,形成無(wú)監(jiān)督學(xué)習(xí)的模糊免疫算法,并基于該算法建立起智能分析模型,對(duì)金屬磁記憶檢測(cè)信號(hào)特征進(jìn)行分析。實(shí)驗(yàn)表明,基于該算法建立的模型對(duì)實(shí)驗(yàn)材料的狀態(tài)識(shí)別能夠達(dá)到較高的準(zhǔn)確率。
Abstract:
Key words :

摘  要: 將模糊聚類算法原理引入到免疫算法中,形成無(wú)監(jiān)督學(xué)習(xí)的模糊免疫算法,并基于該算法建立起智能分析模型,對(duì)金屬磁記憶檢測(cè)信號(hào)特征進(jìn)行分析。實(shí)驗(yàn)表明,基于該算法建立的模型對(duì)實(shí)驗(yàn)材料的狀態(tài)識(shí)別能夠達(dá)到較高的準(zhǔn)確率。
關(guān)鍵詞: 免疫系統(tǒng);模糊免疫算法;金屬磁記憶檢測(cè);信號(hào)分析

    在金屬磁記憶檢測(cè)中,金屬材料缺陷狀態(tài)的分析識(shí)別通常是基于單個(gè)檢測(cè)信號(hào)特征值進(jìn)行的,但由于磁記憶檢測(cè)屬于弱磁檢測(cè),檢測(cè)環(huán)境等因素對(duì)信號(hào)的影響十分明顯,故這些方法比較容易出現(xiàn)誤判或者漏判,正確識(shí)別率不高。為改善識(shí)別效果,一些學(xué)者提出了綜合利用磁記憶檢測(cè)信號(hào)多個(gè)特征值為依據(jù)來(lái)進(jìn)行材料狀態(tài)分析的方法[1]。但是,在采用常用的BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等智能算法進(jìn)行樣本分析時(shí)發(fā)現(xiàn),BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等監(jiān)督算法需要大量的訓(xùn)練樣本提供足夠的信息,才能克服檢測(cè)中各種偶然因素的影響,準(zhǔn)確地分析[2]。而在實(shí)際檢測(cè)中,磁記憶檢測(cè)的環(huán)境條件相當(dāng)復(fù)雜,很難獲得全面的包含各種影響因素的訓(xùn)練樣本,因而采用這些算法建立的數(shù)學(xué)模型往往無(wú)法達(dá)到較高的檢測(cè)分析準(zhǔn)確率。為解決這一問(wèn)題,本文將模糊聚類算法原理引入到免疫算法中,形成無(wú)監(jiān)督學(xué)習(xí)的模糊免疫算法,并基于該算法建立金屬磁記憶檢測(cè)信號(hào)智能分析模型,最后通過(guò)實(shí)驗(yàn)檢驗(yàn)?zāi)P头治鲎R(shí)別的準(zhǔn)確率。
1 免疫系統(tǒng)與免疫算法
    免疫系統(tǒng)是生物體信息處理系統(tǒng)的重要組成部分,它具有許多信息處理機(jī)制和功能特點(diǎn),如自我非自我的抗原識(shí)別機(jī)制、學(xué)習(xí)和記憶能力、自適應(yīng)環(huán)境能力等。生物免疫系統(tǒng)抵御外部入侵使其機(jī)體免受病原侵害的應(yīng)答反應(yīng)稱為免疫;誘導(dǎo)免疫系統(tǒng)產(chǎn)生免疫應(yīng)答的物質(zhì)稱為抗原;能與抗原進(jìn)行特異性結(jié)合的免疫細(xì)胞稱為抗體?;诿庖呦到y(tǒng)原理,將免疫概念引入到工程實(shí)踐領(lǐng)域,借助其中的相關(guān)知識(shí)理論,與已有的一些智能算法有機(jī)地結(jié)合起來(lái),就形成了免疫算法。免疫算法通過(guò)模擬生物免疫系統(tǒng)的原理,對(duì)免疫系統(tǒng)進(jìn)行近似模擬和數(shù)學(xué)抽象,將求解問(wèn)題的目標(biāo)函數(shù)與約束條件對(duì)應(yīng)入侵生物體的抗原,多目標(biāo)函數(shù)的可行解對(duì)應(yīng)生物體免疫系統(tǒng)產(chǎn)生的抗體,通過(guò)抗體抗原親和力來(lái)描述可行解和最優(yōu)解逼近程度[3-4]。免疫算法是確定性和隨機(jī)性相結(jié)合并具有勘測(cè)和開(kāi)采能力的啟發(fā)式隨機(jī)搜索算法,目前已經(jīng)廣泛運(yùn)用于模式識(shí)別、數(shù)據(jù)挖掘等諸多領(lǐng)域中[5-6]。
2 模糊免疫算法原理
    模糊免疫算法將模糊聚類算法的隸屬度概念引入免疫算法中,免疫算法起到學(xué)習(xí)樣本的作用,以尋找到各樣本組的聚類中心;模糊聚類算法則完成對(duì)樣本的分類任務(wù)。算法主要包括克隆選擇、細(xì)胞克隆、記憶細(xì)胞演化、親和突變、免疫選擇、募集新成員、新抗體群和模糊推理等步驟,其基本原理如圖1所示。


    (4)找出抗體群中親和力強(qiáng)的抗體,進(jìn)行細(xì)胞克隆到下一代;同時(shí),對(duì)父代進(jìn)行超變異操作,即通過(guò)計(jì)算組成抗體的各基因片段的子親和力,對(duì)各基因片段進(jìn)行重組,從而得到新的超變異抗體加入下一代。
    (5)判斷是否滿足迭代終止條件,若滿足則結(jié)束進(jìn)化,得到親和力較高的抗體;反之則返回步驟(3)。
    (6)以最終得到的高親和力抗體作為分類器,對(duì)測(cè)試樣本進(jìn)行模糊隸屬度的計(jì)算。其公式如下:
  

 


    (7)根據(jù)模糊隸屬度的高低,在金屬材料的三種狀態(tài)類別(宏觀缺陷狀態(tài)、應(yīng)力集中狀態(tài)及正常狀態(tài))中選取測(cè)試樣本隸屬度最大的類型,將測(cè)試樣本歸入該類。
4 實(shí)驗(yàn)
    將磁記憶檢測(cè)信號(hào)的切向梯度?駐Hp(x)、法向梯度?駐Hp(y)、檢測(cè)信號(hào)經(jīng)小波多尺度分解后第一尺度細(xì)節(jié)分量幅度最大峰值Hd、小波包頻帶能量增量?駐E共4個(gè)特征值進(jìn)行組合,形成一個(gè)4維特征向量[?駐Hp(x),?駐Hp(y),Hd,?駐E],以此4維向量為輸入向量,利用建立的分析模型對(duì)實(shí)驗(yàn)樣本數(shù)據(jù)進(jìn)行分析,以檢驗(yàn)?zāi)P偷姆治鲎R(shí)別效果。
4.1 實(shí)驗(yàn)過(guò)程
    采用X60鋼材料,分別預(yù)制出一定數(shù)量的三種狀態(tài)類別的待測(cè)試件。應(yīng)力集中試件采用的加工方法是將試件在拉伸實(shí)驗(yàn)機(jī)上加載至不同的應(yīng)力水平,保持一段時(shí)間后卸載,使試件的預(yù)應(yīng)力達(dá)到磁記憶可檢測(cè)的范圍。由于裂紋是金屬材料中常見(jiàn)的宏觀缺陷,實(shí)驗(yàn)采用線切割的方法在X60鋼材料上加工出各類裂紋缺陷,作為宏觀缺陷的檢測(cè)試件。實(shí)驗(yàn)采用后勤工程學(xué)院“金屬管道剩余壽命預(yù)測(cè)技術(shù)及裝備研究”項(xiàng)目組同廈門愛(ài)德森公司合作開(kāi)發(fā)的MMT/MFL-4032漏磁/磁記憶檢測(cè)儀對(duì)加工完成的試件進(jìn)行檢測(cè)。
    利用檢測(cè)儀采集出被測(cè)材料三種狀態(tài)的磁記憶信號(hào)各80組,提取出相應(yīng)的?駐Hp(x)、?駐Hp(y)、Hd、?駐E 4個(gè)特征值。因篇幅所限,此處僅列出部分?jǐn)?shù)據(jù),如表1所示。

4.2 實(shí)驗(yàn)結(jié)果與對(duì)比分析
    以材料三種狀態(tài)信號(hào)特征值的前60組共180個(gè)樣本作為訓(xùn)練樣本,經(jīng)由20代進(jìn)化形成最優(yōu)抗體及親和力;再將后20組信號(hào)特征值樣本共60個(gè)樣本作為測(cè)試樣本,計(jì)算各自的隸屬度,并根據(jù)隸屬度對(duì)測(cè)試樣本進(jìn)行分析識(shí)別,部分結(jié)果如表2所示。

    統(tǒng)計(jì)該模型的識(shí)別情況,60個(gè)測(cè)試樣本中僅有兩個(gè)識(shí)別錯(cuò)誤,其正確識(shí)別率為96.67%。為進(jìn)行比較,根據(jù)同樣的樣本數(shù)據(jù),利用BP神經(jīng)網(wǎng)絡(luò)建模進(jìn)行分析,其分析識(shí)別正確率為83.33%??梢?jiàn),該模型與基于BP神經(jīng)網(wǎng)絡(luò)的模型相比,識(shí)別正確率有了較大提高。
    基于模糊免疫算法建立了磁記憶檢測(cè)信號(hào)分析識(shí)別模型,實(shí)驗(yàn)表明,與傳統(tǒng)的利用BP神經(jīng)網(wǎng)絡(luò)建立的模型相比,該模型對(duì)被測(cè)材料狀態(tài)的識(shí)別正確率有了較大提高。由于實(shí)驗(yàn)采用的樣本數(shù)據(jù)均是在一定理想條件下獲得的,該模型對(duì)于在復(fù)雜檢測(cè)條件下獲得的磁記憶信號(hào)的分析識(shí)別能力還有待進(jìn)一步驗(yàn)證。
參考文獻(xiàn)
[1] 梁志芳,王迎娜,李午申,等.焊接裂紋金屬磁記憶信號(hào)特征研究的進(jìn)展[J].機(jī)械科學(xué)與技術(shù),2007,26(1):81-83.
[2] 易方.油氣管道金屬磁記憶檢測(cè)信號(hào)處理與缺陷識(shí)別技術(shù)研究[D].重慶:后勤工程學(xué)院,2010.
[3] 肖人彬,王磊.人工免疫系統(tǒng):原理、模型、分析及展望[J].計(jì)算機(jī)學(xué)報(bào),2002,25(12):1281-1293.
[4] 葛紅.免疫算法綜述[J].華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2002(3):120-126.
[5] CARTER J H.The immune system as a model for pat-tern recognition and classification[J].Journal of the American Medical Informatics Association,2000,7(3):28-41.
[6] TIMMIS J,NEAL M,HUNT J.An artificial immune system  for data analysis[J].Biosystem,2000,55(2):143-150.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。