人工浆细胞模型及其故障诊断应用_王昊天.pdf

工业控制计算机2023年第36卷第1期人工免疫系统是一种比较常用的设备故障诊断方法，其特点是根据细胞检测器和亲和度识别自身与异常样本。然而在实际故障诊断应用中，随着时间的推移，机械设备的运动状态会产生变化，传感器采集得到的数据以及对应正常与异常指标也发生变化。因此，需要一种能够随时间变化自动更新细胞检测器的诊断模型。对于时变样本问题，文献1提出了针对不连续时变样本空间的连续学习故障诊断方法（Continual Learning FaultDiagnosis Method for Discontinuous Time-Varying Samplespace:CLFDMDTVS）。然而，CLFDMDTVS对于细胞检测器寿命的确定没有通过数据集自适应变化，完全采取人为经验设置参数，对时序样本的学习仅处于一个初步探索阶段。本文将细胞凋亡的机理运用到人工免疫系统中，使细胞检测器能够随训练样本寿命自适应，以实现人工免疫系统中细胞检测器的种群稳定与检测中正常与异常边界的更新。1浆细胞凋亡机理适应性免疫中的B细胞最终可分化为浆细胞（也称效应B细胞）和记忆B细胞。由浆细胞诱导的预先存在的血清或粘膜抗体，代表了防止再感染的第一道防线，对于预防许多微生物疾病至关重要。对于浆细胞调控的有关机制，免疫学研究者提出了各种相关模型与理论：1）印记寿命模型。对于浆细胞在免疫系统中维持的时间，Amann提出了一种新的模型，即浆细胞寿命的“印记寿命”模型2。该模型的基础是，根据诱导抗原特异性体液免疫应答期间发生的B细胞信号的大小，浆细胞具有预定的印记寿命。2）浆细胞寿命增强理论。其基本理论是，高度重复的外来抗原与微生物感染存在有关，而诱导对微生物抗原的长期抗体反应为宿主提供了一种选择性优势，因为这将在某些情况下终身防止再感染3。3）浆细胞竞争模型。浆细胞竞争模型是基于这样一种理论：浆细胞在适当的生态位或微环境中存活很长时间，但它们最终通过与新产生的迁移浆细胞的竞争而移位，移位后的浆细胞被认为无法重新定位在生态位内，随后凋亡4。本文受这三种模型和理论的启发，建立了人工浆细胞模型（APCM），以实现诊断过程中的细胞检测器更替，从而正确识别时变样本。2人工浆细胞模型建立人工浆细胞检测器的基本表达形式采用连续学习方法中恒定尺寸的超立方体细胞检测器5，模型相关定义如下：2.1定义1）样本时间t：抗原（样本）进入算法流程激活细胞时的刻度，第i个抗原进入算法流程时的样本时间为t=i。运行一次算法最终样本时间的值等于样本的总个数，tN。2）浆细胞PC（Plasma Cell）：被抗原激活而形成的具有寿命的样本检测器。PC=C tborntdie（1）其中，C表示浆细胞的空间位置特征和类别标签，Ci=xi1xi2xinl，l表示细胞所属类别标签。i，j，nN且jn，都有xijN，tborn为细胞初始激活的样本时间，tdie表示细胞预计凋亡的样本时间。3）初始激活的浆细胞寿命函数（t）：根据印记寿命模型，浆细胞具有固定的寿命。空间资源越充足细胞初始寿命越长，寿命函数计算公式如下：（t）=call1+et-2tr（2）其中call=2ng，表示所属特征空间中可容纳的最大细胞数量，g为调整细胞检测器尺寸的预设参数（g越大，检测器尺寸越小），t表示当前样本时间，tr为训练样本的数量。4）再次激活的浆细胞寿命变化量（t）：（t）=t-tborn同类激活-t-tborn-（t）异类激活（3）“同类激活”指受到抗原攻击的细胞检测器类别与该抗原类别相同，同类激活用以延长浆细胞的寿命，形成寿命更长的浆细胞检测器；“异类激活”指受到抗原攻击的细胞检测器类别与该抗原类别不同，那么根据浆细胞竞争模型，减少寿命或直接使当前位置的浆细胞检测器凋亡。5）异类激活的更新周期矩阵T：用于记录训练阶段异类激活细胞的更替周期，是确定测试阶段细胞寿命的重要依据。T是一个未定尺寸的矩阵，其行数和列数与训练数据有关，行表示人工浆细胞模型及其故障诊断应用Artificial Plasma Cell Model and Its Application to Fault Diagnosis王昊天（上海大学机电工程与自动化学院，上海200444）摘要：人体免疫系统是一个动态变化的系统，其免疫调控作用维持着体内细胞数量与免疫功能的平衡。针对机械设备运行状态随时间变化而产生的时变样本，受人体适应性免疫中的浆细胞调控机理的启发，提出了人工浆细胞模型，以实现了细胞检测器寿命自适应，完成时变样本的连续学习与故障诊断。关键词：人工免疫系统；故障诊断；连续学习；细胞凋亡Abstract:The human immune system is a dynamic system.Its immune regulation maintains the balance between thenumber of cells in the body and immune function.For the time-varying samples produced by the running state of mechan-ical equipment with time,inspired by the plasma cell regulation mechanism in human adaptive immunity,this paper propos-es an artificial plasma cell model to realize the self-adaptive life of cell detectors and complete the continual learning andfault diagnosis of time-varying samples.Keywords:artificial immune system,fault diagnosis,continual learning,apoptosis89人工浆细胞模型及其故障诊断应用某类别的异类激活的顺序，列表示类别标签。Tij=t-tborn（4）其中i、j表示T的第i行、第j列；t表示当前样本时间；tborn表示被异类激活细胞的出生样本时间。6）细胞印记寿命：测试结果标签为l的样本在激活空细胞时所能获得的初始寿命。CLl与训练时对应的T有关：CLl=1atlatli=1Til（5）其中atl表示标签为l的浆细胞被异类激活的累计次数。若atl=0，则CLl=call。7）浆细胞权重函数mw（t）：浆细胞权重表示浆细胞对抗原分类的影响程度，浆细胞的影响程度会随着寿命的减小而减小，第i个浆细胞权重可以表示为：mwi（t）=2arctantidie-ttidie-tiborn()（6）其中ttborn，tdie，mw（t）0，0.5。8）特征相似度M：描述两个细胞之间相似度的向量。通过计算两个细胞检测器每个维度上细胞编码的差获取向量M：M=xi1-xj1xi2-xj2xin-xjn（7）浆细胞亲和度PCA（t）：被测样本对浆细胞归属程度的度量。PCA的值与样本的特征空间距离和浆细胞权重函数有关，其计算公式如下：PCA（t）=mw（t）（c-M）c（8）其中c=n2g，表示所属特征空间编码的最大曼哈顿距离。2.2训练模型训练阶段人工浆细胞生成步骤如图1所示，训练样本采用单个进入模型的形式。首先，根据抗原（训练样本）生成对应的细胞编码和类别标签C，判断其是否属于现存的浆细胞检测器。图1训练阶段人工浆细胞生成流程图对于再次激活的浆细胞，会检测当前原浆细胞是否已经凋亡，原浆细胞的预计凋亡时间tdie=tborn+（tborn）+（t），根据当前样本时间t进行判断：tdie-t0时，原浆细胞存活并将持续作为识别检测器并正常识别样本；tdie-t=0时，原浆细胞凋亡，细胞信息清空，等待下次激活；tdie-t0时，原浆细胞凋亡，并在原位置处生成新类别的浆细胞，同时更新tborn与tdie。如果该抗原不属于任何现存浆细胞检测器，根据样本时间t确定新细胞的初始时间tborn=t，根据式（3）计算该新细胞的预定寿命tdie=tborn+（tborn），生成新的浆细胞。如果该抗原属于某个现存的浆细胞检测器，则先判断抗原与这个浆细胞检测器是否同类。若同类激活，则通过（t）对原浆细胞进行寿命激励；若异类激活，则迫使原浆细胞凋亡并生成新的浆细胞，新浆细胞的寿命由原浆细胞的剩余寿命tdie-t和（t）共同决定。二维空间中的浆细胞生成示例如图2所示，对应样本信息如表1所示。图2浆细胞检测器生成示例表1示例样本信息2.3测试模型以上主要描述了训练过程中浆细胞的生成策略，然而由于检测过程中抗原的类别未知，浆细胞生成策略会与训练过程不同。借鉴细胞印记寿命理论，给予检测过程中新细胞检测器在初始阶段拥有一个既定的印记寿命，印记寿命的大小根据训练样本得出。同时，在检测过程中根据浆细胞的竞争模型，对相邻旧细胞产生抑制作用调整细胞检测器；引入浆细胞权重函数，即式（6），在原本亲和度计算的基础上加入细胞寿命的因素以检测时序样本。基于细胞凋亡的连续学习模型如图3所示：图3基于细胞凋亡的连续学习测试流程图90工业控制计算机2023年第36卷第1期（上接第88页）7BorisyukF,GordoA,SivakumarV.Rosetta:Largescalesystem for text detection and recognition in imagesC/Pro-ceedings of the 24th ACM SIGKDD International Conferenceon Knowledge Discovery&Data Mining,2018:71-798Baek Y,Lee B,Han D,et al.Character region awarenessfor text detection C/Proceedings of the IEEE/CVF Confer-enceonComputerVisionandPatternRecognition,2019:9365-93749Liu Y,Chen H,Shen C,et al.Abcnet:Real-time scene textspotting with adaptive bezier-curve networkC/proceedingsof the IEEE/CVF conference on computer vision and patternrecognition,2020:9809-981810Baek J,Kim G,Lee J,et al.What is wrong with scene textrecognition model comparisons?dataset and model analysisC/Proceedings of the IEEE/CVF International Conferenceon Computer Vision,2019:4715-472311Bojanowski P,Grave E,Joulin A,et al.Enriching word vec-tors with subword informationJ.Transactions of the associ-ation for computational linguistics,2017,5:135-14612Almazn J,Gordo A,Forns A,et al.Word spotting andrecognition with embedded attributes J.IEEE transactionson pattern analysis and machine intelligence,2014,36(12):2552-256613Huang L,Wang W,Chen J,et al.Attention on attent