1.4 人工免疫系統理論與應用研究進展

目前，人工免疫系統已經引起了人們的較大重視，基于免疫系統機理的模型在科學和工程中將得到越來越多的應用。

1.4.1 人工免疫系統的興起、發展及現狀

1．人工免疫系統的興起

作為生物領域中一門相對年輕的學科，免疫學就是用免疫學的方法預防傳染病，其歷史可以追溯到16世紀，我國醫學家創造性地以人痘預防天花。1796年，英國醫生Edward Jenner以牛痘的發明取代了人痘苗，是經典的免疫學開端。19世紀中葉起，微生物學的研究取得了令人矚目的進展，細菌分離培養的成功為各種人工菌苗的制備創造了條件。1881年，法國免疫學家Pasteur發明了減毒細菌疫苗，奠定了經典免疫疫苗的基礎。1896年，德國學者Ehrlich提出了抗體生成的側鏈學說（side chain theory），精確地推測了抗原與抗體分泌細胞相互作用的方式，奠定了受體學說的基礎，不但對免疫學，而且對整個生命科學都具有重要意義。

20世紀20年代后期是免疫學的免疫化學研究階段。在該階段，在抗原、抗體理化性質及抗原抗體反應特異性化學基礎的研究方面都取得了重要的進展。1930年，Landsteiner因對半抗原及血型抗原的研究而獲得諾貝爾醫學獎。與免疫化學的興起相對應，在免疫學理論方面，Haurowitz等人又提出抗體生成的模板學說并以此取代了側鏈學說。1950年，丹麥學者Jerne提出了抗體生成的天然抗體選擇學說，直接對模板學說發起了挑戰。1957年，Burnet在免疫生物學研究以及遺傳學研究的基礎上，提出了抗體生成的克隆選擇學說——不僅闡明了抗體生成的生物學機制，而且對許多重要的免疫生物學現象，如抗原識別、免疫記憶、自身耐受、自身免疫等一系列問題，都作出了解答，從而奠定了現代免疫學的基礎[48]。進入20世紀70年代，抗體獨特基因型被發現，Jerne、Richte和Hiernaux等人（1974—1977年）先后提出抗體獨特型調節網絡學說，認為機體免疫系統是一個建立在識別自身抗原的基礎上來識別外來抗原的系統，抗體分子的可變區結構域具有雙重特性，它通過抗原結合部位與抗原結合，又借助于獨特型決策簇引發免疫應答。這一學說把免疫應答看成免疫細胞和抗體分子相互作用的網絡調節的結果，從一個新的角度闡釋了免疫耐受、自身免疫和變態反應等免疫現象[49]。隨著胸腺免疫功能的發現、淋巴細胞免疫功能的確認以及抗體分子結構域功能的研究進展，免疫學在器官、細胞和分子水平上揭示了機體存在一個十分重要的功能系統——免疫系統。總之，經過上述一系列的發展，免疫學已經成為一門獨立的學科。

進入21世紀，在現代生物學和醫學的帶動下，免疫學的研究內容得到了極大的拓展和豐富，同時免疫學的發展也開始向醫學的各個領域進行滲透，并產生了許多免疫學的分支和交叉學科，如細胞免疫學、分子免疫學、神經和內分泌免疫學、遺傳免疫學、生殖免疫學和行為免疫學等。近年來，計算機科學和其他工程科學與免疫學的交叉研究逐漸成為國際研究領域內的新方向，而且應用計算機對免疫系統及其各種機體功能與特征行為進行數學建模，更易于分析和解釋各種免疫現象的內在機理。另一方面，免疫系統的許多功能特點和作用機理對于工程應用中許多復雜問題的求解起到了重要的啟示和借鑒作用[49]。

2．人工免疫系統的發展歷史

作為一個新興的研究方向，生物免疫系統開始逐步被廣大學者所關注，并且國際上的幾位專家在人工免疫系統方面都作出了開創性工作。迄今為止，人們根據應用對象不同，從不同的角度模擬生物免疫系統，提出了不少有價值的AIS網絡模型。其中，最為著名的是美國諾貝爾獎獲得者Jerne在1973年提出的免疫網絡理論[50]。1986年，Farmer等人基于免疫網絡學說給出了免疫系統的動態模型[51]，探討了免疫系統與其他人工智能方法的聯系，開始了人工免疫系統的研究。1989年，Perelson在前人研究的基礎上，對獨特型網絡進行了深入研究[52]。他從抗體形態空間理論的角度出發，開創了用二進制編碼描述抗體、研究免疫現象的方法，提出了一些有價值的學習算法構造思想。1990年，Farmer通過對免疫系統、神經系統和遺傳系統的特點及其異同進行分析比較后，給出了基于聯結主義的動態系統模型基本特點的描述。他們的研究工作為建立基于免疫原理的有效計算系統和智能系統開辟了新的道路。另外，Varela在1989年討論了免疫網絡以某種方式收斂的思想，以及免疫系統能夠通過產生不同的抗體和變異適應新環境的思想[53]，這些都為使免疫系統成為解決工程問題的有效靈感源泉作出了巨大的貢獻。隨后的研究者不斷從生物免疫系統中抽取隱喻（metaphor）機制，用于人工免疫算法的模型設計、算法實現和工程應用。1996年12月，在日本舉行的基于免疫系統的國際專題討論會上首次提出了“人工免疫系統”的概念。隨后，人工免疫系統進入了興盛發展時期。D.Dasgupta和丁永生等認為人工免疫系統已經成為人工智能領域的理論和應用研究熱點[54][55]。作為計算智能的嶄新分支，人工免疫系統已成為許多國際期刊的重要議題[56][57]。從1997年開始，IEEE System Man and Cybernetics國際會議每年均組織專門的AIS研討會（Workshop）；IEEE Transaction on Evolutionary Computation在2001年和2002年還相繼出版了AIS專著。值得一提的是，第一屆人工免疫系統國際學術會議ICARIS（1st International Conference on Artificial Immune Systems）也于2002年9月在英國肯特大學召開。

目前，美國、英國和日本這3個國家的人工免疫系統研究處于領先地位，絕大部分科研成果皆來自于此。美國新墨西哥大學的Forrest較早地開展了基于人工免疫的網絡安全方面的研究，并提出了計算機免疫學的概念[58]；孟菲斯大學的Dasgupta基于免疫原理在計算機安全和異常檢測方面進行了大量的研究[68]；英國肯特大學的Timmis對基于人工免疫系統的機器學習和數據挖掘進行了系統性的理論研究[59]；巴西坎皮納斯大學的De Castro對人工免疫系統的模式識別、數據分析和函數優化等方面進行了研究[60]。此外，還有日本Nara科學技術學院的Ishida研究人工免疫系統在故障診斷中的應用；名古屋大學的Ishiguro則研究人工免疫系統在機器人行為規劃中的應用[61]。

盡管我國對于免疫系統的研究要比其他國家研究時間短，但發展是很快的，并且部分國內的研究成果已經在國際上占有一席之地。我國關于免疫系統的研究特點和優勢主要集中在免疫優化算法和理論方面以及計算機免疫系統方面。中國科技大學王煦法教授在國內較早開展了免疫優化算法方面的研究，并擴展到基于免疫計算的人工生命、入侵檢測和優化計算等領域；西安電子科技大學焦李成教授提出了具有較完備理論基礎的免疫優化算法，并著書闡述其在人工免疫系統研究方面取得的成果[6]；武漢大學梁意文教授在計算機免疫系統方面的研究受到了國際上的關注[63]；東華大學丁永生教授在免疫控制方面取得了可觀的成就；重慶大學黃席樾教授提出了比較系統的免疫算法理論；華中科技大學肖人彬教授提出了工程免疫計算的概念并應用于智能優化[64]；哈爾濱工程大學莫宏偉在免疫計算數據挖掘應用方面進行了有益的探索，并編輯出版了國內關于該領域的第一本著作[8]。

3．人工免疫算法研究現狀

人工免疫系統研究領域的另一個熱點是基于免疫原理的優化算法。人工免疫算法吸收了免疫系統的仿生隱喻機理，形成了問題求解的理論模型和計算方法。人工免疫算法目前沒有統一的模式[66]，即使在生物學基礎上也不是統一的。不同于傳統智能優化算法，免疫算法的生物學基礎是多樣的，如免疫網絡、克隆選擇原理、陰性選擇等。目前，基于這些免疫學理論或機制已經開發出多種形式的算法模型，它是人工免疫系統的主要研究內容，也是免疫計算的主要形式。

人工免疫算法是面向問題的方法，自人工免疫系統發展以來，已經有許多用于不同領域的免疫算法被開發出來[67][68]，這些算法大部分是利用免疫系統某一方面的機制或原理來設計新算法，或者是改進現有技術。人工免疫算法的思想最早由De Castro在2000年實現[69]，其又在2002年發表文章細化了算法實現的細節[70]。文獻[69]和[70]提出的算法是基于二進制編碼的，而Wierzchon等提出了基于實數編碼的廣義人工免疫算法[71]，由此完善了基于免疫機理的優化算法原理，形成了基本人工免疫算法的結構。在此基礎上，對于人工免疫算法理論和改進的研究紛紛展開。

（1）基于免疫系統中的特殊機理的免疫算法

王磊[72]從先驗知識中提取疫苗，將免疫系統的特異性免疫特征與遺傳算法相結合，提出了一種新的免疫遺傳算法；張軍[73]將免疫調節原理中的濃度抑制機制融入算法中以保持種群的多樣性，從而提出了基于免疫調節的共生進化網絡設計方法；Chun[74]提出了基于體細胞理論和免疫網絡理論的一種免疫遺傳算法；Enaoh[75]提出了一種基于免疫抗體記憶的免疫算法；王煦法[76]和曹先彬[77]利用信息熵理論設計抗體濃度，所研究的算法已經有效地應用于TSP問題和裝箱問題；韓生廉[78]等人受免疫系統抗體更新機制的啟發，將抗體更新機制引入遺傳算法，從而有效地防止了遺傳操作中的早熟收斂；葛紅[79]等人利用抗體親和度和抗體密度指導抗體的繁殖率，對算法性能進行了一定的改善。

（2）基于人工免疫算法結構的免疫算法

劉若辰[80][81]等人對免疫單克隆機制和免疫多克隆機制進行了分析討論；凌軍[82]等人探討了人工免疫算法中的個體多樣性評價，提出了一種基于小生境技術的多樣性抗體生成算法，可以很好地保持優化過程中抗體集合的多樣性；宋丹[83]等人提出一種基于多種群的自適應免疫進化算法，引入記憶算子，充分利用優良基因信息指導后代生成，加快了收斂速度；李廣強[84]等人將人機合作機制引入人工免疫算法，提出了人機合作的免疫算法，由設計者根據先驗知識提供部分抗體個體，充分利用了先驗知識來改善算法種群質量，并利用布局設計問題驗證了算法的可行性和有效性。

（3）與其他智能算法相融合的混合算法

Wakizono[85]提出將基于免疫機制的進化算法應用于時變非線性系統的識別；蔣加伏[86]等人也提出了一種人工免疫算法和蟻群算法綜合應用的混合優化算法，先利用蟻群算法產生初始抗體，再利用人工免疫算法進行優化；高鷹[87]等人提出一種免疫粒子群算法，結合了粒子群算法具有的全局尋優能力和免疫系統的免疫信息處理機制，改善粒子群優化算法擺脫局部極值點的能力；杜海峰[88]等人提出一種自適應混沌克隆進化規劃算法，利用混沌方法進行克隆算法中的初始化和變異操作，對算法尋優性能有一定改善；曹先彬[89]等人利用免疫濃度調節機制保持個體的多樣性，采用基于自組織臨界思想的變異算子指導搜索，從而改善了算法的全局收斂性和收斂速度；李陽陽[90]將量子計算應用于人工免疫系統中的克隆算子，提出了一種基于量子編碼的免疫克隆算法來求解SAT問題[91]。

由此可見，人工免疫算法本身所具備的特性決定了人工免疫算法對于各種優化問題的求解有著巨大的潛力，并已經成為人工智能研究的熱點。可以預見，人工免疫優化算法將會在優化領域中得到廣泛的應用。

1.4.2 人工免疫系統在入侵檢測中的應用現狀

隨著網絡時代的到來，計算機網絡規模的不斷擴大和入侵手段的日益多樣化，對網絡的各類攻擊和破壞與日俱增，網絡安全問題變得越來越重要，進行網絡安全入侵檢測已成為對網絡系統進行安全保護的一種關鍵技術，成為近年來計算機網絡研究的熱點問題之一[92]。為了提高網絡入侵檢測的正確率，人們提出一種人工免疫的網絡入侵檢測算法。網絡入侵檢測是對任何企圖損害系統的機密性、可用性和完整性等行為進行檢測的網絡安全技術。網絡入侵檢測系統（IDS）由硬件和軟件組成，其對網絡進行檢測以發現可能的入侵[93]。

網絡入侵檢測方法包括異常入侵檢測和誤用入侵檢測。異常入侵檢測模型是檢測與可接受行為之間的偏差，如果發現某項行為是不可接受的，那么就認為該行為是入侵。該檢測模型漏報率低，誤報率較低，由于不需要對每種入侵行為進行定義，因此該模型可以對未知入侵進行有效檢測[94]。誤用入侵檢測方法的效果取決于檢測知識庫的完備性，存在不能發現未知的入侵行為，因此當前的網絡入侵檢測都是基于異常入侵檢測方法的[95]。

早期的IDS系統都是通過監視與分析主機的審計記錄檢測入侵，該系統存在伸縮性不足的問題，不適合大規模網絡環境的檢測。后來有學者提出基于神經網絡、支持向量機等機器學習方法，網絡入侵檢測技術得到飛速的發展，但這些算法缺乏自適應能力，檢測的準確性和速度仍然存在問題，同時由于現代網絡的攻擊手段不斷更新，不能適應網絡安全現狀[96-98]。

人工免疫是一種模擬生物免疫的人工智能技術，已經廣泛用于計算機安全、組合優化、數據挖掘與分析、自動控制和模式識別等領域。網絡入侵檢測是保護計算機網絡系統不受來自外部與內部的入侵行為的技術，與人工免疫系統具有相似性。網絡入侵檢測在網絡中所扮演的角色類似于免疫的人體，因此根據人工免疫技術進行網絡入侵檢測[99]。

下面分別從國外和國內兩個方面來介紹人工免疫系統在入侵檢測中的研究和應用現狀。

1．國外研究現狀

在國外，將人工免疫系統應用于入侵檢測的有：新墨西哥大學的Forrest、Hofmeyr小組；孟菲斯大學的Dasgupta小組和倫敦大學的Kim、Bentley小組。[100]

Forrest小組致力于建立一個計算機免疫系統，提出用反向選擇算法NSA來產生成熟檢測器（類似于達爾文進化論中優勝劣汰的自然選擇算法），并首次提出“計算機免疫學”一詞。Forrest小組基于免疫機制的入侵檢測模型是一個基于網絡的入侵檢測模型，在這個模型中，整個系統由分布在網絡中處于監聽狀態（“混雜”模式）的一組主機構成，每臺主機是一個檢測結點。在每個檢測結點上，用于免疫識別的抗原是由TCPSYN請求包中的源IP地址、目的IP地址和服務端口3個屬性構成的定長為L的二進制符號串。模型中的陰性檢測子是免疫系統中B細胞、T細胞和抗體的綜合體，數據結構與抗原相同，檢測子與抗原的特異體互補結合以定長的連續位匹配函數來模擬。Forrest小組還提出了采用連續位匹配函數時提高成熟檢測子生成效率的方法。

Dasgupta小組提出了一種實現入侵檢測的免疫遺傳模型，并給出了一種新的檢測子結構，還提出了一個生成衡量不同危險級別的檢測子的思想，這是該小組的主要貢獻。不足之處在于其設計只是針對突發異常數據包的一類攻擊，這種攻擊很容易被發現，因此價值不高。

Kim小組描述了陰性選擇、克隆選擇和檢測子基因庫進化3種免疫機制的應用。在該模型中，用于免疫識別的抗原是一種聚集結構，模型中檢測子的結構與抗原的結構相同，檢測子與抗原是否匹配是通過所有屬性的匹配分值之和是否超過某個閉值來判定的。系統由中樞入侵檢測系統和周圍二級入侵檢測系統組成。在中樞入侵檢測系統上存儲著一個用于生成未成熟檢測子的基因庫，基因庫最初是根據有關入侵的先驗知識建立的，然后再利用成功檢測到入侵的有效檢測子的信息來進化，周圍入侵檢測系統以中樞入侵檢測系統傳送的成熟檢測子進行入侵檢測。

2．國內研究現狀

國內將人工免疫系統應用于入侵檢測的研究主要有：

趙俊忠等人結合多Agent和數據挖掘技術提出了一個基于免疫機制的入侵檢測模型，該模型在數據挖掘技術的應用上與別人有所不同，強調不同用戶行為的個體差異。挖掘不同用戶個體行為的規律性和不同服務器的配置信息，因此獲得了較高的檢測率和準確性，并將檢測范圍擴展到了UDP數據包的檢測。

潘志松等人提出了一個基于自然免疫和疫苗接種機制相結合的入侵檢測模型以及相關算法。該算法充分考慮了數據包負載部分包含的入侵信息，建立反饋機制，并將疫苗接種機制引入入侵檢測中，使入侵檢測增強了對未知攻擊的識別能力，并使系統具有自組織性、高效性和分布性。

鄧貴仕等人對檢測子的生成機制和匹配算法進行了較為深入的探討，建立了一個基于免疫原理和Agent技術的三層分布式網絡入侵檢測模型，但該模型存在不足的地方，例如如何縮短陰性選擇過程的時間，尋找更加高效的字符串匹配方法等。這些都是關系到系統效率的核心問題，需要作進一步的研究。

孫美鳳等人針對流量特征，提出了對Hofmeyr自適應免疫系統模型的一種改進，新的模型保留了Hofmeyr模型的優點，可用于企業園區網，具有更強的能力，能為園區網提供全局的檢測和保護。但其對用報文內容刻畫的攻擊無能為力，如各種特洛伊木馬攻擊，它以報文中具有某個子串為攻擊特征。

胡翔等人基于對象免疫思想，提出了一個入侵免疫系統的構建方法，其核心是圍繞對象行為模型定制免疫規則，使每個對象受到針對性的保護。吳作順等人提出了一個基于免疫學的多代理入侵免疫系統模型，在該模型中，基于免疫學的安全代理能在聯網節點之間漫游，監視網絡狀態。這些代理相互識別對方的活動行為，以等級方式進行合作，并根據底層安全規則采取相應的行動。移動代理具有自學學習能力，能動態適應周圍環境，檢測出已知與未知的入侵。多代理檢測系統同時在不同層次監視聯網計算機的活動情況，包括用戶級、系統級、進程級和數據包級。

張勇等人提出了一個基于免疫原理的多代理網絡入侵檢測模型，該系統是一個分布式系統，各個檢測代理之間也是松耦合的，可以相互代替，并在本地保存了入侵日志，安全性較高，但只能根據單個網絡包來實現檢測。

除此以外，吳澤俊等人提出了一個基于免疫的克隆選擇算法，對入侵檢測的免疫模型作了一些改進。馬建偉等人提出一個生成“檢測體”具有動態平衡的計算機免疫系統。劉賽等人提出了一種免疫遺傳算法，能檢測較大范圍內的網絡入侵，并能產生較好的模式識別器[100]。

目前，這些將人工免疫技術應用于入侵檢測的研究有些只采用了部分免疫機制，缺乏完整性；同時，這些研究目前仍然停留在理論研究和探索階段，所做的工作較為零散。

1.4.3 人工免疫系統在故障診斷中的應用現狀及方向

故障診斷是現代自動化生產中提高系統可靠性和安全性的重要手段[101]，在過去幾十年的發展中，該領域已經取得豐碩的成果[102-106]。以旋轉機械故障診斷為例，常用的診斷方法包括：基于概率統計時間序列的診斷方法、基于貝葉斯決策規則的模式識別方法、基于小波變換和分形幾何的信號處理方法、基于人工神經網絡的智能診斷方法、基于模糊神經網絡的故障診斷方法、基于模糊邏輯推理的故障診斷方法，基于專家系統的故障診斷方法以及智能融合故障診斷方法等[107]。然而，這些方法都存在不同程度的缺點，如基于規則的方法需要大量先驗知識，但是先驗知識的獲取非常困難[108]；基于信號處理方法的難點是需要收集實際的故障樣本，對于實驗研究和現場情況有很大區別的情況，會影響診斷的可靠性[109]；對于基于神經網絡的方法，由于模型結構和物理意義不明確，需要足夠多的訓練數據對故障模式進行學習；在出現新故障時，需要對整個網絡重新訓練[110]等。

人工免疫系統作為一種新的人工智能方法應用于旋轉機械故障診斷中，是最近幾年發展起來的一個引人注目的研究方向。與旋轉機械故障診斷的常用方法相比，人工免疫系統具有提供噪聲忍耐、無監督學習、自組織、清晰表達知識、遺忘使用較少的知識、內容可訪記憶等優點，同時具有分布式并行處理和魯棒性[111]。因此，人工免疫方法克服了旋轉機械故障診斷的常用方法的一些缺陷，不需要大量先驗知識，不需要獲取完整的異常樣本，并且可以終身學習，建立多層診斷機制。顯而易見，人工免疫方法為旋轉機械的故障診斷提供了一種新思路。

1．旋轉機械故障簡介

旋轉機械廣泛應用于現代工業，它是各種機械設備最關鍵的部件之一。旋轉機械的種類多種多樣，然而電機仍是最重要的旋轉機械[112]。電機大量應用于各種環境中，惡劣環境、誤操作和動態載荷等因素均是磨損電機的主要原因[113]。感應電機故障主要分為相繞組的短路或斷路導致的定子故障、轉子／端環故障、氣隙不規則和軸承及齒輪故障。根據IEEE-IAS的調查，定子、轉子相關、軸承和其他故障分別占到26%、8%、44%、22%。其中主要元件故障，包括軸承、轉子和定子相關的故障占到78%～92%[114]。電機匝間繞組短路、相間短路、轉子斷條、軸承破損均會導致早期故障[115]。在旋轉機械中，基礎松動、軸裂紋和軸磨損等故障都是緩慢形成的緩變故障[116]。機電系統中軸承的不均勻磨損、齒輪裝置的部分齒輪磨損斷裂和裂隙均會誘發間歇故障[104]。實際工作情況下，許多故障相互耦合形成復合故障，復合故障具有耦合、模糊等復雜特性[117]。

隨著科學技術不斷發展，旋轉機械的結構變得規模更大，速度更高，對滾動軸承診斷、變速箱診斷和壓縮機診斷等并發故障的準確性要求也有提高[118]。電機故障的早期檢測和正確診斷是電機驅動系統獲得安全可靠運行的關鍵，早期故障的檢測和診斷可快速維修電機，縮短電機驅動系統的停機時間[119]。滾動軸承故障的準確診斷往往直接影響系統的準確性、可靠性和主機壽命[120]。隨著預測與健康管理技術（PHM）的快速發展，各種診斷和預測技術已經發展為復雜的動態系統，旨在提高系統的可靠性和安全性[121]。近年來在線電機故障診斷的研究熱度日益升溫，原因在于在線故障診斷在為關鍵領域驅動系統提供容錯能力方面起著至關重要的作用[122]。

2．人工免疫系統在旋轉機械故障診斷中的研究現狀

目前人工免疫系統的主要算法和模型有陰性選擇算法、克隆選擇算法和免疫網絡模型等。其中，陰性選擇算法由于其不需要先驗知識，能夠利用少量的正常樣本檢測出無限的異常樣本的獨特特點，已經成為人工免疫系統的核心，發展成為旋轉機械故障診斷應用中最主要的人工免疫方法。人工免疫方法在旋轉機械的故障診斷中以陰性選擇算法應用最為廣泛。

（1）陰性選擇算法

文獻[123]提出了一種故障診斷系統的框架，陰性選擇算法與變異結合，生成實值向量檢測器，通過模糊聚類算法將自我集合和非我集合映射到正常模式和異常模式，采用改進歐幾里德距離表示親和力，并設置單獨的故障檢測器識別未知故障，再在線檢測軸承故障的發生。文獻[124]隨機生成初始檢測器，并采用實值向量表示檢測器和樣本數據，構建故障診斷系統。系統狀態空間分為正常空間和故障空間，然而兩類空間的分布并不規則，最大范圍地占據非己空間并盡可能減少故障空間的重疊，可以提高旋轉機械故障診斷的實時性和準確性。文獻[125]設計T模塊和B模塊，建立免疫系統框架，T模塊采用實值向量陰性選擇算法生成異常檢測器，B模塊響應系統實際狀態，形成告警模塊反饋至T模塊。文中將特征向量空間簡化為二維[0，1]空間，將超球體檢測器簡化為平面圓，產生可以相互覆蓋的檢測器。但因為其檢測器可以覆蓋，因此初始分布策略需要進一步優化。上述文獻采用的均是固定半徑的檢測器，檢測器數量隨正常空間大小成倍增加[136]，在故障空間中覆蓋率與檢測器重疊很難均衡，限制了此類陰性算法的應用。

文獻[126]提出一種持續學習的故障檢測方法，采用實值陰性選擇算法，利用PCA（Principal Components Analysis）降維將數據投射到一個單元超立方體中，再將自我集合和檢測器表示成超球體，檢測器半徑動態決定，停止檢測器更新的標準是覆蓋率達標。文獻[127]將旋轉機械的軸心軌跡等3D參數圖像轉化為2D圖像，將非己空間異常程度分級，采用超球體檢測器表示自我空間，優先克隆半徑較大的檢測器，可以有效減少空洞現象并盡可能減少檢測器數量。文獻[128]基于變半徑檢測器和免疫記憶細胞，檢測器的中心和半徑變化存儲到記憶細胞中，當新的檢測器產生時，通過動態調整其位置使覆蓋率提高。上述文獻采用了變半徑檢測器，有效減少了檢測器之間的重疊。

文獻[129]將故障樣本映射成相應的二進制編碼，根據編碼范圍將復雜故障解耦，變為多個單一故障，采用R連續位匹配規則進行樣本和檢測器的匹配，進行旋轉機械故障診斷。但是二進制編碼難以表示復雜的自我／非我語義空間，匹配規則缺乏物理意義。文獻[130]采用實值匹配算法的陰性選擇算法產生典型故障樣本，作為徑向基函數神經網絡的輸入，用于滾動軸承故障診斷。文獻[131]基于隨機實值陰性選擇算法，對于自我集合小的系統，基本陰性選擇算法產生檢測器的數量大的缺點，在訓練階段，由正常樣本和已知故障樣本作為自我空間，擴大了自我集合的范圍，探測階段自我集合則只包含正常狀態。文獻[132]中不使用實值陰性選擇算法診斷未知數據集，而是用來生成未知故障樣本的檢測器，作為訓練支持向量機（SVM, Support Vector Machine）算法的輸入，解決了常規方法缺少訓練樣本的問題。文獻[133]提出了一種免疫相關向量機，該方法利用實值陰性選擇算法產生檢測器，并將其作為異常樣本與正常樣本一起訓練相關向量機，解決了故障采樣數據缺失或不完整的訓練問題。

文獻[134]采用變半徑實值向量檢測器，利用歐幾里德距離表示測量數據與檢測器的距離。其獨特之處在于，訓練多個檢測器，每個檢測器對應于一種特定的渦輪機故障，首先檢測故障的發生部位，然后判斷故障種類。文獻[135]提出了一種分層故障診斷方案，第一階段根據激活檢測器的數量進行電機故障診斷，第二階段根據激活的檢測器識別故障類型。文獻[136]提出疫苗作用抗體的改進方法，每種抗體只響應一種故障，對抗體編號排列，根據所觸發的抗體編號即可判斷發生了哪種故障。文獻[137]使用電機正常特征信號產生NSA（Negative Selection Algorithm，反向選擇算法）檢測器，檢測電機定子和轉子的早期故障。

陰性選擇算法不需要先驗知識，能夠根據少量正常樣本區分異常狀態和正常狀態，解決了實際工程中難以獲取完整異常列表的問題。出現新故障時，陰性選擇算法不需要重新訓練，只需增加檢測器或重新分布檢測器，即可完成對新故障的檢測。陰性選擇還具有記憶功能，對于出現過的故障，陰性選擇能夠通過記憶檢測器快速診斷。但是陰性選擇算法不能夠識別故障種類，初始檢測器的生成會導致耗時量大。而且在樣本表示、檢測器表示等方面也需要進一步完善。

（2）克隆選擇算法

文獻[138]利用克隆選擇算法在線更新檢測器，實現在線持續學習，克隆選擇算法有效提高了異常空間的覆蓋率，并且保持檢測器數量在一個較低的水平。未被激活的檢測器并不刪除，其有助于發現新的故障。文獻[139]中，每個抗體編碼為二進制字符串，采用克隆選擇算法優化支持向量機的內核和懲罰參數，對轉子斷條和定子故障進行分類。文獻[140]首次提出了基于免疫的自動分類規則，應用于故障電機的診斷。基于每個規則的信任和支持度，利用克隆選擇產生關聯規則集，作為感應電機故障診斷分類規則。文獻[141]中，為了解決克隆選擇算法隨機突變導致收斂速度慢的問題，將粒子群算法引入克隆選擇中，每個檢測器作為一個粒子，收斂速度通過演化方程得到提高。文獻[142]采用粗糙集作為SVR（回歸型支持向量機）的預處理器，選擇輸入變量的一個子集，并采用免疫克隆算法優化SVR參數。文獻[143]采用表達樹描述抗體，使用克隆選擇算法設計分類器，其有效性在不同轉速的旋轉機械上得到驗證。文獻[144]首先使用遺傳算法優化檢測器，占據非我空間的最大覆蓋空間，然后根據克隆選擇算法進一步微調，優化檢測器的中心和半徑。文獻[145]首先確定神經網絡結構和隱層節點數，然后利用免疫遺傳算法優化，提高了RBF（Radical Basis Function，徑向基函數神經網絡）的收斂速度和識別率。文獻[146]采用克隆選擇算法和遺傳算法優化RBF神經網絡的結構，基于密度和適應度的選擇概率提高了神經網絡的收斂性能。

克隆選擇具有良好的優化能力和記憶能力，可以在全局范圍內找到近似最優解，也適用于保留多個局部最優解。與遺傳算法相比，克隆選擇算法由于沒有“交叉”環節，因此收斂速度更快。但是，克隆選擇算法的親和力計算，增殖復制算子和變異算子還缺少統一范式。

（3）人工免疫網絡

文獻[147]利用aiNet免疫網絡動態調整檢測器數量，實現故障在線檢測。文獻[148]中，B細胞由原始數據產生的B細胞網絡形成的初始個體和克隆突變產生的克隆個體組成，當抗體相互識別時產生抑制，利用免疫網絡理論避免抗體無限增長，減少數據冗余。文獻[149]中，免疫網絡理論用來避免數據冗余，優化RBF神經網絡的隱層。文獻[150]提出一種改進的基于免疫網絡模型的故障診斷算法，根據抗體群和抗原群的匹配關系，自適應調整剪枝和抗體親和力閾值的規則，使抗體群能夠更好地覆蓋故障樣本空間，克服了aiNet網絡不能識別新故障的缺點。文獻[151]進一步討論了剪枝門限、誤診率和漏診率之間的關系。文獻[152]融合克隆選擇算法和RAIN免疫網絡，提出群體網絡算法，并對風機故障進行診斷。

人工免疫網絡研究系統在動態環境中如何保持免疫穩定，抗體群之間、抗體群和抗原群之間相互制約的關系，避免抗體群的無限增長，減少數據冗余，從而保證適當的診斷率和診斷時間，維持故障診斷系統的動態平衡。人工免疫網絡發展至今已經出現了各種學說，但是相對于自然免疫系統，免疫網絡的機理還不完善，對于剪枝門限、親和力閾值等參數的合理選取還需要進一步研究。

3．人工免疫系統在旋轉機械故障診斷中的研究成果

人工免疫系統在旋轉機械故障診斷中的研究正處于發展階段，國內外專家學者針對旋轉機械故障的緩變、間歇、復合等特點，對人工免疫系統進行了各種改進，并且取得了一系列寶貴成果。現階段的研究成果主要集中在以下幾個方面。

（1）將無量綱指標作為檢測器的樣本提高診斷效果

在利用振動信號進行旋轉機械的故障診斷中，時域振動波形是最簡單、最直接的表現形式。根據振動信號幅值獲得概率密度函數，衍生出幅值域中的均值、斜度、峭度等屬于量綱指標。無量綱指標由兩個具有相同量綱的量的比值組成，當它描述某一特定體系時具有一定的物理意義。無量綱診斷是一種將“無量綱參數”用于設備故障診斷的技術方法[153]。在時域中，量綱指標對故障敏感，但極易因負荷、轉速等條件的變化而改變。采用陰性選擇算法對其編碼，在實際中很難區分。無量綱指標對干擾不敏感，但它難以搜索故障特征之間的關系[190]。文獻[154]采用連續位部分匹配準則，進一步將多個無量綱免疫檢測器同時進行交叉檢測，再進行集成、融合，從而能較全面地獲得故障信息；最后將離線訓練后的免疫檢測器進行在線故障檢測。文獻[155]基于人工免疫和無量綱參數，提出了旋轉機械診斷模型和算法。該模型使用故障的獨特性質一一映射，可用于單一或復合故障診斷。文獻[156]離線構建無量綱免疫檢測器，將每個檢測器診斷結果轉化成置信度分布形式，解決了無量綱參數故障范圍有重疊的現象，以實現目標的在線故障診斷。

（2）陰性選擇檢測故障種類

基本陰性選擇算法只能將異常狀態和正常狀態區別開來，并不能真正識別故障種類，不能滿足實際工程的要求。針對這個問題，一些學者開發了能夠檢測故障種類的陰性選擇算法。文獻[157]針對多種故障訓練多個檢測器，每個檢測器對應某一種故障，根據被激發的檢測器便可獲得故障種類。文獻[158]將故障診斷分為兩層，第一層只進行故障檢測，第二層檢測故障種類。文獻[136]開發了多個抗體，并對每個抗體編號，根據被激發的抗體編號判斷故障種類。

（3）克隆選擇算法優化檢測器

陰性選擇算法的初始檢測器是隨機產生的，其效率往往不高，因此陰性選擇經常與克隆選擇算法結合，利用克隆選擇算法的優化特點，提高檢測器的覆蓋率，減少檢測器的數量。例如，在文獻[159]中，陰性選擇算法與克隆選擇算法結合優化檢測器，以產生最佳的異常檢測率。文獻[138]使用克隆選擇算法在線更新檢測器，在保持低數量檢測器的情況下有效提高了異常空間的覆蓋范圍。

（4）克隆選擇算法用于其他故障診斷方法的參數優化

克隆選擇算法具有良好的全局搜索能力和收斂速度快的優點，常常用于參數的優化。支持向量機目前已成為軟件計算最流行的分類方法之一，然而支持向量機方法的分類精度取決于內核和懲罰參數。文獻[139]采用三相電機電流，基于Park's向量方法構建特征向量，然后利用人工免疫系統調節支持向量機的內核和懲罰參數，用SVM分類識別轉子斷條和定子短路故障。基于神經網絡的方法已成功地開發并應用于故障診斷領域。當人工神經網絡的輸入和輸出選擇恰當時，神經網絡可代替基于知識的診斷系統。神經網絡由學習算法和結構參數直接影響算法性能。普通人工神經網絡學習算法極易陷入局部最小化，從而導致大的逼近誤差。文獻[160]利用人工免疫系統定義一種數據聚類算法，自適應地選擇RBF神經網絡的隱層中心數量和位置。

4．人工免疫系統在旋轉機械故障診斷中的發展方向

人工免疫系統為旋轉機械故障診斷提供了新思路、新方法，然而人工免疫方法的研究還只是集中于簡單的隱喻和直接應用，在實際的旋轉機械故障診斷應用中還需要進一步貼合工程需要。針對目前的研究現狀，應用于旋轉機械故障診斷的人工免疫系統還存在以下的問題值得研究。

（1）陰性選擇算法實時性與覆蓋率的均衡問題

陰性選擇算法中，旋轉機械的正常模式和異常模式通過檢測器檢測，檢測準確性依賴于檢測器對非我空間的覆蓋率，覆蓋率越高，準確性越高。但是檢測器的數量越多，實時性也就越差。因此，如何克服實時性與覆蓋率的矛盾是一個值得深入研究的課題。

（2）陰性選擇算法中初始檢測器的效率有待提高

陰性選擇的初始檢測器選定后，再通過一個陰性選擇的過程進行故障診斷。由于初始檢測器是隨機產生的，檢測器的數量越多，陰性選擇的過程也就越長。如何開發效率更高的初始檢測器生成規則，是陰性選擇算法中的挑戰性問題之一。

（3）免疫算法和免疫機理有待進一步開發

在旋轉機械故障診斷中應用的各種免疫算法和模型雖然得到了較好的效果，但對于人工免疫系統的構建仍顯得有些粗糙，生物免疫系統的很多復雜機理沒有在人工免疫系統中得到描述和應用，這會影響人工免疫算法有效性的提高，作為機理性的研究依然是人工免疫系統的基本問題。

（4）免疫算法與其他算法互補

雖然克隆選擇算法在與SVM、神經網絡等智能方法的結合優化方面得到了應用，但是總體來說，將人工免疫算法和其他算法相結合的理論體系、實驗驗證等方面還有很大的可拓展研究空間。在實際操作環境中，旋轉機械會出現一些帶有復合、模糊、間歇性質的故障，人工免疫系統可以與模糊系統結合，將人工免疫系統中諸如檢測器半徑、克隆個體數等固定參數模糊化，可以改善人工免疫系統應對故障診斷中不確定性問題的能力，實現對旋轉機械復合故障、間歇故障等的正確診斷。