馬娜，段慧芳

(1.山西農(nóng)業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，山西 太谷 030801；2.西北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，陜西 西安 710000)

棉花采摘機(jī)結(jié)構(gòu)復(fù)雜，工作強(qiáng)度高，容易發(fā)生故障。研究表明，99%的故障在發(fā)生之前會(huì)出現(xiàn)征兆，并且大多數(shù)設(shè)備會(huì)經(jīng)歷“缺陷”、“潛在故障”和“發(fā)生故障”3個(gè)過(guò)程[1～3]。故障預(yù)測(cè)可以發(fā)現(xiàn)“潛在故障”，在設(shè)備發(fā)生故障之前發(fā)出提示或警告，從而降低設(shè)備發(fā)生故障的可能性。

我國(guó)農(nóng)業(yè)機(jī)械故障診斷主要經(jīng)歷了人為故障診斷、監(jiān)測(cè)故障診斷和智能故障預(yù)測(cè)3個(gè)階段[4]。農(nóng)業(yè)機(jī)械故障診斷與現(xiàn)代智能方法融合，提出了專家系統(tǒng)、模糊邏輯和神經(jīng)網(wǎng)絡(luò)等方法。孫書(shū)林等[5]在專家系統(tǒng)中加入模糊邏輯對(duì)船舶起貨機(jī)液壓系統(tǒng)進(jìn)行故障診斷。賀平平等[6]提出基于聯(lián)合故障樹(shù)的農(nóng)機(jī)車(chē)輛制動(dòng)系統(tǒng)故障診斷專家系統(tǒng)設(shè)計(jì)，對(duì)農(nóng)機(jī)車(chē)輛制動(dòng)系統(tǒng)進(jìn)行故障診斷，但專家系統(tǒng)在知識(shí)獲取功能模塊方面有一定的劣勢(shì)。

智能故障預(yù)測(cè)是農(nóng)機(jī)故障診斷的發(fā)展趨勢(shì)。近年來(lái)很多智能化方法被用在農(nóng)機(jī)故障診斷上，取得了較好的效果。王吉權(quán)等[7]研究了BP神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)機(jī)械化中的應(yīng)用研究。王書(shū)提等[8]采用BP神經(jīng)網(wǎng)絡(luò)對(duì)電控發(fā)動(dòng)機(jī)故障進(jìn)行診斷。熊鈺等[9]采用改進(jìn)的ART神經(jīng)網(wǎng)絡(luò)對(duì)液壓系統(tǒng)的故障進(jìn)行診斷，但無(wú)法實(shí)現(xiàn)故障預(yù)測(cè)。

本文在棉花采摘機(jī)采摘頭、風(fēng)機(jī)、風(fēng)管、棉箱、發(fā)動(dòng)機(jī)、液壓管路、變速箱、籽棉箱等8個(gè)核心部件安裝傳感器，通過(guò)傳感器監(jiān)測(cè)棉花采摘機(jī)實(shí)時(shí)運(yùn)行參數(shù)。然后采用基于BP-Adaboost方法的預(yù)維修算法對(duì)棉花采摘機(jī)進(jìn)行故障預(yù)測(cè)。該方法簡(jiǎn)單快捷，且不需要前期經(jīng)驗(yàn)數(shù)據(jù)，實(shí)現(xiàn)了棉花采摘機(jī)故障的智能預(yù)測(cè)，準(zhǔn)確率較高，一定程度上降低了棉花采摘機(jī)發(fā)生故障的概率。

1 Adaboost神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

基于BP神經(jīng)網(wǎng)絡(luò)，選擇不同參數(shù)構(gòu)建多個(gè)BP弱預(yù)測(cè)器，然后用Adaboost算法將獲得的幾個(gè)BP弱預(yù)測(cè)器形成一個(gè)強(qiáng)預(yù)測(cè)器。具體步驟如下[10]：

(1)樣本數(shù)據(jù)選擇和神經(jīng)網(wǎng)絡(luò)初始化

初始化訓(xùn)練樣本的權(quán)重，權(quán)重分布如下：

Dt(i)=1/Ni=1,2,…,N

(1)

式中，N為訓(xùn)練數(shù)據(jù)集中樣本總數(shù)，Dt(i)表示權(quán)重值，t為迭代數(shù)，i為樣本數(shù)。初始化時(shí)t=1；設(shè)置最大迭代次數(shù)為T(mén)。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)根據(jù)樣本輸入輸出維度、BP網(wǎng)絡(luò)權(quán)重以及閾值φ(0<φ<1)初始化。

(2)生成預(yù)測(cè)器

首先進(jìn)行BP弱預(yù)測(cè)器預(yù)測(cè)。通過(guò)選擇不同的BP神經(jīng)元網(wǎng)絡(luò)功能，構(gòu)建BP弱預(yù)測(cè)器。在第1、2、…、T迭代中，使用BP神經(jīng)網(wǎng)絡(luò)對(duì)弱預(yù)測(cè)器進(jìn)行訓(xùn)練用于建立回歸模型。

然后用Adaboost方法合成多個(gè)BP弱預(yù)測(cè)器，即用訓(xùn)練數(shù)據(jù)集訓(xùn)練BP弱預(yù)測(cè)器，當(dāng)訓(xùn)練第k(k=1,2,…,M)個(gè)BP神經(jīng)網(wǎng)絡(luò)時(shí)，得到的樣本誤差和為：

ek=∑[gk(i)-yi](i=1,2,…,N)

(2)

式中，gk(i)為BP神經(jīng)網(wǎng)絡(luò)的期望輸出值，yi為BP神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值。

進(jìn)而根據(jù)訓(xùn)練樣本誤差和ek調(diào)整第k(k=1,2,…,M)個(gè)BP弱預(yù)測(cè)器的權(quán)重值，公式如下：

(3)

然后，根據(jù)得到的權(quán)重βk計(jì)算下一輪訓(xùn)練樣本的權(quán)重，其公式為：

(i=1,2,…,N)

(4)

式中：Bk為歸一化因子；Dk(i)為經(jīng)過(guò)k-1次訓(xùn)練調(diào)整后的權(quán)重。

最后，經(jīng)過(guò)T次循環(huán)后，輸出強(qiáng)預(yù)測(cè)函數(shù)，得到由弱預(yù)測(cè)器組合而成的強(qiáng)預(yù)測(cè)器函數(shù)，計(jì)算公式為：

(5)

式中：fk(x)為k個(gè)弱預(yù)測(cè)器函數(shù)；x為測(cè)試數(shù)據(jù)。

2 BP-Adaboost預(yù)維修實(shí)現(xiàn)

基于BP-Adaboost算法的預(yù)維修方法包括數(shù)據(jù)采集、特征向量提取、故障模型建立和預(yù)測(cè)4部分。

2.1 數(shù)據(jù)采集

利用傳感器技術(shù)、web技術(shù)和計(jì)算機(jī)通信技術(shù)，將傳感數(shù)據(jù)接收器的運(yùn)行數(shù)據(jù)通過(guò)通信控制器傳輸?shù)揭呀覫nternet的數(shù)據(jù)庫(kù)服務(wù)器，保存棉花采摘機(jī)運(yùn)行的歷史數(shù)據(jù)。數(shù)據(jù)采集過(guò)程如圖1所示。

圖1 棉花采摘機(jī)數(shù)據(jù)收集過(guò)程Fig.1 The collection process of cotton picker data

棉花采摘機(jī)駕駛室內(nèi)部的車(chē)載控制器通過(guò)GPRS-DTU設(shè)備將傳感器采集到的棉花采摘機(jī)8個(gè)核心部件的工況參數(shù)信息傳輸至數(shù)據(jù)庫(kù)。各部件及其傳感器參數(shù)為：

(1)采摘頭：采用北京森德格公司生產(chǎn)的SGD-1型轉(zhuǎn)速傳感器監(jiān)測(cè)5個(gè)采摘頭內(nèi)部摘錠的轉(zhuǎn)速。

(2)風(fēng)機(jī)：采用天津凱士達(dá)儀器儀表有限公司生產(chǎn)的KV621型風(fēng)機(jī)管道風(fēng)速傳感器監(jiān)測(cè)風(fēng)機(jī)轉(zhuǎn)速。采用上海置賽自動(dòng)化科技有限公司生產(chǎn)的PT100型軸承不銹鋼溫度傳感器監(jiān)測(cè)風(fēng)機(jī)軸承溫度。

(3)風(fēng)管：采用深圳市東方萬(wàn)和儀表有限公司生產(chǎn)的WH201型風(fēng)速風(fēng)壓傳感器監(jiān)測(cè)風(fēng)管的風(fēng)壓風(fēng)速。

(4)棉箱：采用天津嘉諾德科貿(mào)有限公司生產(chǎn)的A300型梳棉機(jī)棉箱壓力傳感器監(jiān)測(cè)棉箱應(yīng)力變化。

(5)發(fā)動(dòng)機(jī)：采用重慶網(wǎng)銳科技有限公司生產(chǎn)的WR2000-15T型汽車(chē)油耗傳監(jiān)控儀監(jiān)測(cè)發(fā)動(dòng)機(jī)油耗信息。

(6)液壓油管：采用佛山市浩捷電子儀器有限公司生產(chǎn)的PTJ207型管道油壓壓力傳感器監(jiān)測(cè)管路壓力。

(7)變速箱：采用大連雷爾達(dá)儀表有限公司生產(chǎn)的WZP-035型溫度傳感器監(jiān)測(cè)變速箱溫度。

(8)籽棉氣體濃度：采用煒盛科技公司生產(chǎn)的MQ-7B型一氧化碳傳感器監(jiān)測(cè)棉箱內(nèi)部籽棉的CO濃度。采用荊州市愛(ài)爾瑞科技有限公司生產(chǎn)的SEC-4NO-M型一氧化氮?dú)怏w傳感器監(jiān)測(cè)棉箱內(nèi)部籽棉的NO濃度。

2.2 特征向量提取

選取采集到的1 500條記錄，對(duì)收集到的20個(gè)棉花采摘機(jī)屬性進(jìn)行分析，選取變化范圍較大的屬性作為預(yù)測(cè)故障的特征向量。特征向量為風(fēng)機(jī)軸承溫度、風(fēng)管壓力、風(fēng)機(jī)轉(zhuǎn)速、風(fēng)管流量和籽棉CO氣體濃度5個(gè)屬性。選取其中1 200條記錄作為訓(xùn)練數(shù)據(jù)，其余作為測(cè)試數(shù)據(jù)。將訓(xùn)練數(shù)據(jù)可視化，如圖2所示。橫坐標(biāo)表示運(yùn)行時(shí)間，縱坐標(biāo)表示風(fēng)機(jī)軸承溫度，風(fēng)管壓力，風(fēng)機(jī)轉(zhuǎn)速，風(fēng)管流量和籽棉CO氣體濃度各屬性的取值。

圖2 采摘機(jī)狀態(tài)數(shù)據(jù)圖Fig.2 The status data diagram of picking machine

2.3 建立故障預(yù)測(cè)模型

由于數(shù)據(jù)變化范圍較大，因此對(duì)提取出特征向量的1 200條記錄作歸一化處理。因?yàn)橛?個(gè)屬性值，所以BP神經(jīng)網(wǎng)絡(luò)的輸入設(shè)置為5，輸出設(shè)置為1。5個(gè)輸入分別為風(fēng)機(jī)軸承溫度，風(fēng)管壓力，風(fēng)機(jī)轉(zhuǎn)速，風(fēng)管流量和籽棉CO氣體濃度，輸出表示采摘機(jī)的健康狀態(tài)，1表示采摘機(jī)處于健康狀態(tài)，-1表示采摘機(jī)可能出現(xiàn)故障，需要檢測(cè)或維修。所以BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)為“5-10-1”，表示輸入層有5個(gè)節(jié)點(diǎn)、隱含層10個(gè)節(jié)點(diǎn)、輸出層1個(gè)節(jié)點(diǎn)。

訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器模型，用10個(gè)弱預(yù)測(cè)器組成強(qiáng)預(yù)測(cè)器，不斷調(diào)整弱預(yù)測(cè)器模型的權(quán)值，構(gòu)建BP-Adaboost強(qiáng)預(yù)測(cè)器模型。

2.4 故障預(yù)測(cè)

將300個(gè)測(cè)試數(shù)據(jù)代入訓(xùn)練好的BP-Adaboost模型，預(yù)測(cè)棉花采摘機(jī)的健康狀態(tài)。

3 性能分析

3.1 BP-Adaboost強(qiáng)預(yù)測(cè)器性能分析

將健康狀態(tài)誤判為不健康狀態(tài)定義為第一類錯(cuò)誤，將不健康狀態(tài)誤判為健康狀態(tài)定義為第二類錯(cuò)誤。顯然，第二類錯(cuò)誤影響更大。試驗(yàn)結(jié)果表明，BP-Adaboost強(qiáng)預(yù)測(cè)器發(fā)生第一類錯(cuò)誤11次，第二類錯(cuò)誤5次，因此BP-Adaboost強(qiáng)預(yù)測(cè)器預(yù)測(cè)錯(cuò)誤率為(11+5)/300=5.3%，準(zhǔn)確率則為94.7%，且第二類錯(cuò)誤較少。

3.2 BP-Adaboost強(qiáng)預(yù)測(cè)器與BP弱預(yù)測(cè)器性能比較

當(dāng)測(cè)試樣本數(shù)為300時(shí)，BP-Adaboost算法與BP算法故障預(yù)測(cè)準(zhǔn)確性比較結(jié)果如表1所示。由表1可以看出，BP-Adaboost算法進(jìn)行預(yù)測(cè)時(shí)，第一類錯(cuò)誤率和第二類錯(cuò)誤率均比BP算法低，準(zhǔn)確率較BP算法高，說(shuō)明BP-Adaboost算法進(jìn)行棉花采摘機(jī)故障診斷效果較好，故障預(yù)測(cè)準(zhǔn)確率達(dá)94.7%。

表1 BP算法和BP-Adaboost算法比較/%
Table1 The Comparison of BP algorithm and BP-Adaboost algorithm

算法類型Algorithmtype準(zhǔn)確率Accuracyrate第一類錯(cuò)誤率Type1errorrate第二類錯(cuò)誤率Type2errorrateBP算法86 75 77 6BP＿Adaboost算法94 73 61 7

為了進(jìn)一步比較BP-Adaboost算法與BP算法的可靠性，計(jì)算了樣本從1到300變化時(shí)，兩種算法預(yù)測(cè)棉花采摘機(jī)故障的樣本錯(cuò)誤率，結(jié)果如圖3所示。由圖3可以看出，BP-Adaboost強(qiáng)預(yù)測(cè)器總體上比BP弱預(yù)測(cè)器預(yù)測(cè)錯(cuò)誤率小，且穩(wěn)定性更好。

4 結(jié)論

本研究采用BP-Adaboost算法建立預(yù)測(cè)模型對(duì)棉花采摘機(jī)的故障進(jìn)行預(yù)測(cè)。利用不同傳感器采集棉花采摘機(jī)核心部件的工況參數(shù)信息，對(duì)數(shù)據(jù)預(yù)處理，采用BP-Adaboost算法建立棉花采摘機(jī)的故障預(yù)測(cè)模型。試驗(yàn)結(jié)果表明，本文提出的模型預(yù)測(cè)準(zhǔn)確率達(dá)94.7%，比傳統(tǒng)BP算法可靠性好，可用于棉花采摘機(jī)故障預(yù)測(cè)，在降低機(jī)具發(fā)生故障的同時(shí)，更提高了棉花采摘機(jī)的工作效率。

圖3 預(yù)測(cè)錯(cuò)誤率Fig.3 Prediction error rate

[1] Huda A S N，Taib S.Application of infrared thermography for predictive/preventive maintenance of thermal defect in electrical equipment[J].Applied Thermal Engineering，2013，61(2):220-227.

[2] Yuanyuan L，Jiang S.Research on Equipment Predictive Maintenance Strategy Based on Big Data Technology[C]∥Intelligent Transportation，Big Data and Smart City (ICITBS)，2015 International Conference，IEEE，2015:641-644.

[3] Yam R C M，Tse P W，Li L，et al.Intelligent Predictive Decision Support System for Condition-Based Maintenance[J].International Journal of Advanced Manufacturing Technology，2001，17(5):383-391.

[4] 屈秀玲.農(nóng)業(yè)機(jī)械故障診斷技術(shù)的研究進(jìn)展[J].農(nóng)村實(shí)用科技信息，2017(3):16.

[5] 孫書(shū)林.基于模糊邏輯船舶起貨機(jī)液壓系統(tǒng)故障診斷專家系統(tǒng)[D].武漢:武漢理工大學(xué)，2011:3-4.

[6] 賀平平.基于聯(lián)合故障樹(shù)的農(nóng)機(jī)車(chē)輛制動(dòng)系統(tǒng)故障診斷專家系統(tǒng)設(shè)計(jì)[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，46(3):422-424.

[7] 王吉權(quán).BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機(jī)械化中的應(yīng)用研究[D].沈陽(yáng)：沈陽(yáng)農(nóng)業(yè)大學(xué)，2011.

[8] 王書(shū)提，巴寅亮，郭增波.基于BP神經(jīng)網(wǎng)絡(luò)的電控發(fā)動(dòng)機(jī)故障診斷[J].現(xiàn)代電子技術(shù)，2015，38(9):128-131.

[9] 熊鈺,吳小川,錢(qián)凱.基于改進(jìn)ART神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)故障診斷研究[J].北京汽車(chē)，2013(4):25-31.

[10] Liu H，Tian H Q，Li Y F，et al.Comparison of four Adaboost algorithm based artificial neural networks in wind speed predictions[J].Energy Conversion and Management，2015，92 (92):67-81.