申科，任曉智，王旭艷，麻芳蘭

（廣西大學(xué)機(jī)械學(xué)院，廣西南寧530004）

ΣΣΣ

基于極限學(xué)習(xí)機(jī)的入土切割過(guò)程數(shù)據(jù)驅(qū)動(dòng)模型研究

申科，任曉智，王旭艷，麻芳蘭

（廣西大學(xué)機(jī)械學(xué)院，廣西南寧530004）

在甘蔗收割機(jī)切割過(guò)程中，入土切割能有效提高甘蔗切割質(zhì)量，但入土切割深度過(guò)大極易造成推土現(xiàn)象，不利于控制刀盤升降。為了能夠?qū)Φ侗P入土切割深度進(jìn)行有效控制，采用基于極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)模型對(duì)影響刀盤負(fù)載壓力的主要參數(shù)與刀盤入土深度之間的非線性關(guān)系進(jìn)行擬合預(yù)測(cè)，并利用粒子群優(yōu)化算法（PSO）對(duì)模型參數(shù)進(jìn)行優(yōu)化以提高極限學(xué)習(xí)機(jī)的泛化能力。通過(guò)仿真分析并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較分析。由分析結(jié)果可知基于極限學(xué)習(xí)機(jī)的數(shù)據(jù)模型優(yōu)于基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)模型，有良好的泛化能力，從而為對(duì)入土切割刀盤自動(dòng)控制系統(tǒng)的研發(fā)提供了依據(jù)。關(guān)鍵詞：極限學(xué)習(xí)機(jī)；粒子群優(yōu)化；入土切割；甘蔗收割機(jī)

廣西是我國(guó)最主要的甘蔗原材料基地，甘蔗糖的總產(chǎn)量能占到全國(guó)糖總產(chǎn)量的60%以上[1，2]。但是由于甘蔗收割過(guò)程機(jī)械化程度不高，嚴(yán)重制約了廣西甘蔗產(chǎn)業(yè)的發(fā)展。廣西的甘蔗種植規(guī)模小且分散；種植地形復(fù)雜，多以丘陵為主[3]，國(guó)外大型切斷式甘蔗收割機(jī)不適用于我國(guó)地形。而我國(guó)自主研發(fā)的甘蔗收割機(jī)由于普遍存在破頭率較高的問(wèn)題[4]而無(wú)法應(yīng)用于實(shí)際。國(guó)內(nèi)外學(xué)者對(duì)降低破頭率做了大量的分析和試驗(yàn)研究。文獻(xiàn)[5]中通過(guò)反求法建立甘蔗-土壤模型后通過(guò)仿真得到了入土切割可以有效降低破頭率的結(jié)論。文獻(xiàn)[6]中通過(guò)實(shí)地試驗(yàn)同樣得到了入土切割能有效降低破頭率的結(jié)論。雖然對(duì)入土切割研究較多，但是針對(duì)入土切割刀盤深度自動(dòng)控制方面，卻鮮有報(bào)道。而甘蔗收割機(jī)入土切割過(guò)深或過(guò)淺都會(huì)影響甘蔗收割質(zhì)量，尤其是入土切割過(guò)深時(shí)會(huì)出現(xiàn)推土現(xiàn)象，從而引起刀盤負(fù)載壓力過(guò)大。

為了解決入土切割時(shí)刀盤入土深度無(wú)法直接測(cè)量或者檢測(cè)的問(wèn)題，本文采用基于極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)模型對(duì)影響刀盤負(fù)載壓力的主要參數(shù)與刀盤入土深度之間的非線性關(guān)系進(jìn)行擬合預(yù)測(cè)，并利用粒子群算法對(duì)模型參數(shù)進(jìn)行優(yōu)化從而提高模型的預(yù)測(cè)精度，通過(guò)構(gòu)建入土深度預(yù)測(cè)模型達(dá)到對(duì)刀盤升降自動(dòng)控制的目的。

1 極限學(xué)習(xí)機(jī)理論

極限學(xué)習(xí)機(jī)是由黃廣斌[7]教授提出的一種新型的單隱含層神經(jīng)網(wǎng)絡(luò)。極限學(xué)習(xí)機(jī)與傳統(tǒng)的單隱藏層反饋神經(jīng)網(wǎng)絡(luò)相比，能大幅提高學(xué)習(xí)速度、有較好的泛化能力并且能避免過(guò)擬合等問(wèn)題[8，9]。由于該模型不需調(diào)整輸入層與隱含層之間的權(quán)值以及隱含層的閾值而對(duì)其權(quán)值以及閾值進(jìn)行隨機(jī)取值，只需設(shè)置隱含層節(jié)點(diǎn)數(shù)，將最終問(wèn)題化歸為最小范數(shù)的最小二乘問(wèn)題，從而得到最優(yōu)解。假設(shè)有N組數(shù)據(jù)將其作為訓(xùn)練樣本數(shù)據(jù)，其中輸入輸出數(shù)據(jù)樣本分別表示為xi=!xi1，xi2，…xin"T∈Rn，t=!ti1，ti2，…tin"T∈Rm，i =1，2，…，N.隱藏層節(jié)點(diǎn)數(shù)為L(zhǎng).則標(biāo)準(zhǔn)單隱含層神經(jīng)網(wǎng)絡(luò)可表示為：

由上可知由于缺少輸出層閾值，則輸入權(quán)重以及隱藏層偏置不需調(diào)整，因此確定輸出層權(quán)值即可得到數(shù)據(jù)驅(qū)動(dòng)模型。所以公式（1）可表示為：

公式（2）中H表示為隱藏層輸出矩陣，β表示為輸出權(quán)值矩陣，T表示為輸出矩陣。當(dāng)ω和b固定時(shí)，隱藏層的輸出矩陣也為固定矩陣。經(jīng)過(guò)激活函數(shù)將H在高維呈現(xiàn)線性關(guān)系，利用最小二乘法可得：

其中，（H+）T表示的是樣本輸入層經(jīng)過(guò)隱藏層后的輸出矩陣的Moore-Penrose廣義逆矩陣。

2 粒子群優(yōu)化算法

粒子群優(yōu)化算法是一種由Kennedy與Eberhart兩位學(xué)者從鳥類覓食中受到啟發(fā)在1995年提出的優(yōu)化算法。每個(gè)粒子具有一定的飛行距離和飛行速度，通過(guò)改變自身粒子的位置和速度來(lái)不斷調(diào)整粒子的適應(yīng)度值，從而獲取當(dāng)前空間最優(yōu)的粒子。各粒子通過(guò)不斷迭代使得位置以及速度進(jìn)行更新從而獲取最優(yōu)解。更新公式表示為：

其中，c1和c2為加速系數(shù)或認(rèn)知系數(shù)，分別表示粒子對(duì)整體以及個(gè)體的認(rèn)知程度；rand（）為在[0，1]中均勻分布的隨機(jī)值；Pid表示粒子i的個(gè)體最優(yōu)位置；Pgd表示為全體最優(yōu)位置。為防止粒子在飛行過(guò)程中飛出求解空間，分別將粒子速度和粒子位置限制在一定范圍內(nèi)中，避免盲目搜索的同時(shí)提高搜索能力。

3 基于粒子群的極限學(xué)習(xí)機(jī)數(shù)據(jù)驅(qū)動(dòng)模型

由于極限學(xué)習(xí)機(jī)在對(duì)輸入連接權(quán)值以及隱藏層閾值的取值是隨機(jī)，所以可能含有無(wú)效點(diǎn)，導(dǎo)致輸出權(quán)值矩陣有所偏差。為了避免無(wú)效點(diǎn)的存在，提高模型的泛化能力。本文提出了一種基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)算法（PSOELM），優(yōu)化輸入連接權(quán)值和隱藏層閾值，消除無(wú)效點(diǎn)。利用粒子群對(duì)輸入連接權(quán)值以及隱藏層閾值進(jìn)行優(yōu)化。其粒子群優(yōu)化模型參數(shù)的具體步驟如下：

步驟一：歷史數(shù)據(jù)隨機(jī)分成訓(xùn)練樣本和檢測(cè)樣本并歸一化處理；

步驟二：確定粒子群中各項(xiàng)參數(shù)，如種群大小和最大迭代次數(shù)等；

步驟三：初始化種群，隨機(jī)產(chǎn)生粒子初始化的位置和速度；

步驟四：將初始值帶入適應(yīng)度函數(shù)，得到初始適應(yīng)度，并選取最優(yōu)群體最優(yōu)適應(yīng)值；

步驟五：以其當(dāng)前最優(yōu)個(gè)體作為下一種群的初始值，并通過(guò)速度以及位置迭代公式進(jìn)行迭代；

步驟六：迭代過(guò)程中，若新的個(gè)體適應(yīng)度值比原來(lái)的適應(yīng)度值小，保留新的個(gè)體適應(yīng)度，否則保留原來(lái)的個(gè)體適應(yīng)度以及全局適應(yīng)度；

步驟七：若滿足迭代結(jié)束條件，則輸出全局適應(yīng)度以及對(duì)應(yīng)的適應(yīng)度值，否則轉(zhuǎn)向步驟三；

步驟八：獲取最優(yōu)輸入連接權(quán)值以及隱藏層閾值。

優(yōu)化算法為粒子群算法，激活函數(shù)為sig函數(shù)，構(gòu)建極限學(xué)習(xí)機(jī)模型的具體步驟如下：

步驟一：對(duì)歷史數(shù)據(jù)進(jìn)行劃分隨機(jī)得到訓(xùn)練樣本以及測(cè)試樣本，同時(shí)對(duì)所有數(shù)據(jù)進(jìn)行歸一化處理；

步驟二：利用粒子群優(yōu)化算法對(duì)極限學(xué)習(xí)機(jī)中的輸入連接權(quán)值矩陣以及隱藏層閾值矩陣進(jìn)行優(yōu)化，求出最優(yōu)矩陣參數(shù)；

步驟三：通過(guò)式（3）求解出最優(yōu)輸出連接權(quán)值；

步驟四：將最優(yōu)輸出連接權(quán)值、輸入連接權(quán)值以及隱藏層閾值帶入式（1）中得到甘蔗收割機(jī)入土切割過(guò)程數(shù)據(jù)預(yù)測(cè)模型。

4 仿真結(jié)果與分析

甘蔗收割機(jī)入土切割過(guò)程是一個(gè)較為復(fù)雜的非線性過(guò)程，無(wú)法通過(guò)常規(guī)方法對(duì)入土深度進(jìn)行檢測(cè)。本文通過(guò)引入基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)算法建立入土切割過(guò)程數(shù)據(jù)驅(qū)動(dòng)模型，對(duì)入土切割過(guò)程中切割器入土深度進(jìn)行預(yù)測(cè)，從而達(dá)到控制刀盤的目的。

由課題組前期試驗(yàn)研究[10]可知入土切割時(shí)，土壤含水率、土壤密度、行進(jìn)速度以及負(fù)載壓力對(duì)刀盤入土深度的影響尤為顯著。所以將其作為模型輸入變量，將切割器入土深度作為輸出變量。以前期所獲取的27組正交試驗(yàn)數(shù)據(jù)[10]作為歷史數(shù)據(jù)對(duì)模型進(jìn)行仿真分析。為比較模型的優(yōu)越性，本文選取基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行對(duì)比。BP神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)為200，學(xué)習(xí)率為0.1，目標(biāo)精度為0.001，并采用4*6*1的網(wǎng)絡(luò)結(jié)構(gòu)。為保證數(shù)據(jù)模型的魯棒性和泛化能力，通過(guò)均方根（RMSE）、均方（MSE）、平均絕對(duì)誤差（MAE）以及決定系數(shù)（R2）等多個(gè)評(píng)價(jià)指標(biāo)對(duì)測(cè)試樣本進(jìn)行比較，表1表示為基于BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)極限學(xué)習(xí)機(jī)以及基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)數(shù)據(jù)預(yù)測(cè)模型的性能對(duì)比結(jié)果。以入土深度為輸出，圖1A、B分別表示基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)與基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)測(cè)試樣本的預(yù)測(cè)結(jié)果對(duì)比圖以及絕對(duì)誤差對(duì)比圖。

表1 基于不同方法構(gòu)建數(shù)據(jù)驅(qū)動(dòng)模型性能對(duì)比

圖1 基于PSOELM與BP神經(jīng)網(wǎng)絡(luò)模型性能

對(duì)模型進(jìn)行評(píng)價(jià)時(shí)決定系數(shù)約接近1時(shí)說(shuō)明數(shù)據(jù)驅(qū)動(dòng)模型的預(yù)測(cè)性能和擬合效果越好，而RMSE、MSE以及MAE等指標(biāo)越小表明模型精度越高。由表1可知本文提出的基于PSOELM以及BP神經(jīng)網(wǎng)絡(luò)的決定系數(shù)相對(duì)ELM均較高，而BP神經(jīng)網(wǎng)絡(luò)略高于PSOELM，但是相差不大。但PSOELM模型預(yù)測(cè)的均方根比BP神經(jīng)網(wǎng)絡(luò)減小37.13%，平均絕對(duì)誤差減小了43.29%.通過(guò)絕對(duì)誤差值以及精度評(píng)價(jià)指標(biāo)的比較可知，基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)入土切割過(guò)程數(shù)據(jù)驅(qū)動(dòng)模型較BP神經(jīng)網(wǎng)絡(luò)模型能更好的反映期望輸出，具有較好的魯棒性以及泛化能力。

由圖1可知，當(dāng)絕對(duì)誤差越接近零線時(shí)，說(shuō)明數(shù)據(jù)誤差波動(dòng)越小，數(shù)據(jù)驅(qū)動(dòng)模型擬合度程度越高。由圖1B可知，基于PSOELM的絕對(duì)誤差分布點(diǎn)較均勻的分別在零線上下且數(shù)值較小，而BP神經(jīng)網(wǎng)絡(luò)的絕對(duì)誤差擬合程度相對(duì)較差，基于PSOELM的預(yù)測(cè)結(jié)果能夠更為有效的反應(yīng)期望輸出，所以基于PSOELM數(shù)據(jù)模型的預(yù)測(cè)輸出更能準(zhǔn)確現(xiàn)體實(shí)值，具有更好的擬合能力。

5 結(jié)束語(yǔ)

由于入土切割時(shí)無(wú)法直接對(duì)切割器入土深度進(jìn)行測(cè)量，本文采用極限學(xué)習(xí)機(jī)神經(jīng)構(gòu)建了反映入土切割過(guò)程中入土深度與主要參數(shù)之間的非線性預(yù)測(cè)模型。同時(shí)為提高驅(qū)動(dòng)模型精度，利用粒子群優(yōu)化算法對(duì)輸入連接權(quán)值以及隱藏層閾值進(jìn)行優(yōu)化，得到了基于PSOELM數(shù)據(jù)驅(qū)動(dòng)模型，利用歷史數(shù)據(jù)樣本對(duì)切割器入土深度進(jìn)行預(yù)測(cè)。同時(shí)通過(guò)與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比驗(yàn)證了本文所構(gòu)建的數(shù)據(jù)模型具有較好的泛化能力。

[1]王曉鳴，莫建霖.甘蔗生產(chǎn)機(jī)械化現(xiàn)狀及相關(guān)問(wèn)題思考[J].農(nóng)機(jī)化研究，2012（10）：6-11.

[2]侯佳.廣西蔗糖產(chǎn)業(yè)發(fā)展現(xiàn)狀與分析[J].新經(jīng)濟(jì)，2014（ZI）：18-20.

[3]閆曉明.廣西甘蔗生產(chǎn)機(jī)械化：困境與出路[J].農(nóng)業(yè)部管理干部學(xué)院學(xué)報(bào)，2013（4）：32-36.

[4]曾志強(qiáng)，區(qū)穎剛，解福祥，等.切斷式甘蔗聯(lián)合收獲機(jī)的試驗(yàn)與分析[J].農(nóng)機(jī)化研究，2012（09）：164-166.

[5]陳永繼，楊堅(jiān)，黃麗麗，等.甘蔗—土壤系統(tǒng)仿真模型的研究[J].農(nóng)機(jī)化研究，2009（3）：134-136.

[6]王增.甘蔗收獲機(jī)切割器液壓系統(tǒng)壓力影響因素的試驗(yàn)研究[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2015（1）：37-40.

[7]Huang GB，Zhou HM.Extreme learning machine for regression and multiclass classification[J].IEEE Transactions of Systems，2012，42：513-529.

[8]Song Y，Zhang J.Automatic recognition of epileptic EEG patterns via Extreme Learning Machine and multiresolution feature extraction[J].Expert Systems with Applications，2013，40

（14）：5477-5489.

[9]Olatunji S O，Selamat A，Abdulraheem A.A hybrid model through the fusion of type-2 fuzzy logic systems and extreme learning machines for modelling permeability prediction[J]. Information Fusion，2014，16：29-45.

[10]趙靜.甘蔗收獲機(jī)切割系統(tǒng)負(fù)載壓力影響因素的研究[D].南寧：廣西大學(xué)，2015.

The Buried Cutting Process Data-Driven Model Based on Extreme Learning Machine

SHEN Ke，REN Xiao-zhi，WANG Xu-yan，MA Fang-lan
（College of Engineering，Guangxi University，Nanning Guangxi 530004，China）

In the process of sugarcane harvester cutting，the buried cutting process which can effectively improve the quality of the sugarcane cutting，which also can easily cause bulldozing phenomenon when it cuts too deep.In order to be able to effectively control capacity of cutter cutting depth，the neural network model based on extreme learning machine main parameters affecting the load pressure capacity and the cutter‘s depth the nonlinear relationship between forecast，and by using particle swarm optimization algorithm for model parameter optimization，which can improve the generalization ability.It will compare with the traditional BP neural network by the simulation analysis.the data model based on extreme learning machine is better than on BP neural network according to the analysis results，which has good generalization ability，which provides the basis for the research and development of the automatic control system.

extreme learning machine；particle swarm optimization；cutting blow soil；sugarcane harvester

S225.5

A

1672-545X（2017）06-0001-03

2017-03-21

國(guó)家自然科學(xué)基金資助項(xiàng)目（51465004）；廣西自然科學(xué)基金資助項(xiàng)目（2014GXNSFAA118381）；廣西制造系統(tǒng)與先進(jìn)制造技術(shù)重點(diǎn)實(shí)驗(yàn)室項(xiàng)目（13-051-09S02）

申科（1989-），男，廣西桂林人，本科，研究方向：先進(jìn)制造以及自動(dòng)化；任曉智（1973-），女，山東萊州人，碩士，講師，研究方向：虛擬仿真以優(yōu)化設(shè)計(jì)。