摘  要： 將模糊聚類算法原理引入到免疫算法中，形成無監(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，對金屬磁記憶檢測信號特征進(jìn)行分析。實(shí)驗(yàn)表明，基于該算法建立的模型對實(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；信號分析

    在金屬磁記憶檢測中，金屬材料缺陷狀態(tài)的分析識(shí)別通常是基于單個(gè)檢測信號特征值進(jìn)行的，但由于磁記憶檢測屬于弱磁檢測，檢測環(huán)境等因素對信號的影響十分明顯，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信號多個(gè)特征值為依據(jù)來進(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，才能克服檢測中各種偶然因素的影響，準(zhǔn)確地分析[2]。而在實(shí)際檢測中，磁記憶檢測的環(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)模型往往無法達(dá)到較高的檢測分析準(zhǔn)確率。為解決這一問題，本文將模糊聚類算法原理引入到免疫算法中，形成無監(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信號智能分析模型，最后通過實(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。基于免疫系統(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，就形成了免疫算法。免疫算法通過模擬生物免疫系統(tǒng)的原理，對免疫系統(tǒng)進(jìn)行近似模擬和數(shù)學(xué)抽象，將求解問題的目標(biāo)函數(shù)與約束條件對應(yīng)入侵生物體的抗原，多目標(biāo)函數(shù)的可行解對應(yīng)生物體免疫系統(tǒng)產(chǎn)生的抗體，通過抗體抗原親和力來描述可行解和最優(yōu)解逼近程度[3-4]。免疫算法是確定性和隨機(jī)性相結(jié)合并具有勘測和開采能力的啟發(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)，對父代進(jìn)行超變異操作，即通過計(jì)算組成抗體的各基因片段的子親和力，對各基因片段進(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，對測試樣本進(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)）中選取測試樣本隸屬度最大的類型，將測試樣本歸入該類。
4 實(shí)驗(yàn)
    將磁記憶檢測信號的切向梯度?駐Hp(x)、法向梯度?駐Hp(y)、檢測信號經(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)到磁記憶可檢測的范圍。由于裂紋是金屬材料中常見的宏觀缺陷，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)測技術(shù)及裝備研究”項(xiàng)目組同廈門愛德森公司合作開發(fā)的MMT/MFL-4032漏磁/磁記憶檢測儀對加工完成的試件進(jìn)行檢測。
    利用檢測儀采集出被測材料三種狀態(tài)的磁記憶信號各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)果與對比分析
    以材料三種狀態(tài)信號特征值的前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組信號特征值樣本共60個(gè)樣本作為測試樣本，計(jì)算各自的隸屬度，并根據(jù)隸屬度對測試樣本進(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%。可見，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信號分析識(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，該模型對被測材料狀態(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，該模型對于在復(fù)雜檢測條件下獲得的磁記憶信號的分析識(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信號處理與缺陷識(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.