唐湘滟，蔡寬麒，程杰仁,3，劉博藝,4

(1.海南大學(xué)信息科學(xué)技術(shù)學(xué)院，海南 ?？?570228；2.海南大學(xué)機(jī)電工程學(xué)院，海南 ?？?570228； 3.海南大學(xué)南海海洋資源利用國家重點(diǎn)實(shí)驗(yàn)室，海南 海口 570228;4.中國科學(xué)院大學(xué)，北京 100000)

1 引言

橡膠不僅是重要的工業(yè)原料，也是經(jīng)濟(jì)建設(shè)的原料[1]，由于其在交通運(yùn)輸和國防等諸多領(lǐng)域展現(xiàn)出的不可替代性和可再生性，使橡膠產(chǎn)業(yè)成為熱帶國家和地區(qū)經(jīng)濟(jì)的重要組成部分[2]。割膠則是橡膠生產(chǎn)過程中的中心環(huán)節(jié)和唯一手段。膠工對(duì)割膠技術(shù)的掌握程度決定了割膠過程中橡膠的產(chǎn)量，然而新膠工難以在短時(shí)間內(nèi)學(xué)會(huì)割膠技術(shù)，這就使其在割膠過程中，由于割膠深度不足或太深導(dǎo)致橡膠樹產(chǎn)膠量下降甚至不產(chǎn)膠，嚴(yán)重影響橡膠產(chǎn)業(yè)的發(fā)展[2]。針對(duì)這一問題，本文設(shè)計(jì)和實(shí)現(xiàn)了一種割膠技術(shù)智能輔助學(xué)習(xí)儀，用以實(shí)時(shí)評(píng)價(jià)膠工割膠技術(shù)，幫助初學(xué)者更快地掌握割膠技術(shù)。

2 研究現(xiàn)狀

目前，國內(nèi)為了能夠提高橡膠產(chǎn)量，降低技術(shù)壁壘，對(duì)割膠工具進(jìn)行了改進(jìn)，但此類改進(jìn)大部分是通過對(duì)割膠刀具的改進(jìn)，例如西雙版納州農(nóng)機(jī)研究所所研制的電動(dòng)割膠刀，其原理是通過電機(jī)減少人力輸出從而做到割膠速度快、效率高，比傳統(tǒng)割膠刀省力，但其存在一些如刀片不穩(wěn)定、安全系數(shù)低等問題。再比如海南大學(xué)所研制的一種智能割膠刀，其優(yōu)點(diǎn)在于將以往的經(jīng)驗(yàn)轉(zhuǎn)化為割膠深度并可視化，此款割膠刀在一定程度上提高了割膠產(chǎn)量但是其功能較少，并且無法從根源上提升膠工的割膠水平。

本文針對(duì)割膠技術(shù)難以掌握的問題，提出了一種可以實(shí)時(shí)對(duì)膠工的割膠技術(shù)進(jìn)行評(píng)價(jià)的方法，并設(shè)計(jì)出一種割膠技術(shù)智能輔助學(xué)習(xí)儀。該學(xué)習(xí)儀通過收集處理傳感器傳來的信號(hào)可實(shí)時(shí)監(jiān)測割膠厚度和割膠環(huán)境，并且將膠工工作時(shí)所測得的割膠深度數(shù)據(jù)進(jìn)行儲(chǔ)存，通過處理后對(duì)膠工技術(shù)進(jìn)行評(píng)價(jià)，從而達(dá)到促進(jìn)膠工學(xué)習(xí)的目的；其次它還擁有語音控制和人體感應(yīng)等功能，以期改善由于割膠技術(shù)門檻高使得新膠工割膠技術(shù)學(xué)習(xí)過慢而導(dǎo)致割膠過程中產(chǎn)膠量低下或橡膠樹死亡等問題。

3 評(píng)估體系的結(jié)構(gòu)

3.1 評(píng)估體系的結(jié)構(gòu)

如圖1所示，割膠技術(shù)智能輔助學(xué)習(xí)儀主要由智能輔助學(xué)習(xí)模塊和割膠模塊組成，割膠模塊包含割膠刀主體，而智能模塊則由顯示屏、溫濕度檢測裝置、照明系統(tǒng)、可拆卸裝置、傳感器模塊和內(nèi)部的Arduino Mega 2560[3]開發(fā)板組成。

Figure 1 Structure and principle diagram of the intelligent tapping technology auxiliary learning instrument圖1 割膠技術(shù)智能輔助學(xué)習(xí)儀整機(jī)結(jié)構(gòu)和工作原理示意圖

如圖2所示，該機(jī)器通過采集數(shù)據(jù)、分析處理數(shù)據(jù)、顯示處理結(jié)果三個(gè)階段與膠工進(jìn)行人機(jī)交互，從而促進(jìn)膠工快速掌握割膠技術(shù)。割膠技術(shù)智能輔助學(xué)習(xí)儀的兩個(gè)模塊由L型環(huán)套和固定臂相連。當(dāng)膠工的割膠水平到達(dá)一定高度時(shí)，可將學(xué)習(xí)模塊取下，學(xué)習(xí)模塊的取下不會(huì)破壞刀具的完整性，并且學(xué)習(xí)模塊能夠多次使用。學(xué)習(xí)儀內(nèi)部的Arduino Mega 2560 開發(fā)板被鋁合金外殼所包裹，以防止在凌晨較為惡劣的割膠環(huán)境下電子元件的短路。鋁合金外殼一方面起到保護(hù)作用，另一方面起到支撐傳感器系統(tǒng)的作用。照明系統(tǒng)位于外殼的頂部，其由1.2 W、5 V的LED燈組成，并且其具有聲控功能，膠工通過聲音即可做到對(duì)LED燈光亮暗的控制，此方法簡單、便捷，避免了膠工在漆黑環(huán)境下找不到燈的開關(guān)的困擾。并且在外殼的下方安裝位移傳感器，位移傳感器的末端與刀具豎直面平行，通過傳感器實(shí)時(shí)反饋的數(shù)據(jù)可以實(shí)時(shí)監(jiān)測割膠厚度。在外殼的正面還安裝有人體傳感器，用以節(jié)約膠工工作后忘記關(guān)機(jī)帶來的能耗。溫濕度等傳感器收集外界不同的信號(hào)并傳遞給處理器，處理后的數(shù)據(jù)通過顯示屏和喇叭與膠工進(jìn)行信息傳遞，并且該學(xué)習(xí)儀還可針對(duì)不同層次的使用者給出不同評(píng)價(jià)。

Figure 2 Three-dimensional model of the intelligent tapping technology auxiliary learning instrument圖2 割膠技術(shù)智能輔助學(xué)習(xí)儀三維模型

3.2 割膠模塊的工作原理和技術(shù)參數(shù)

使用前將智能輔助學(xué)習(xí)模塊和普通割膠刀具結(jié)合，調(diào)整位移傳感器頭部滾珠的位置。使用時(shí)膠工打開啟動(dòng)按鈕，在聽到后置的聲音輸出裝置傳出的MP3提示音后，屏幕亮起，傳感器將采集數(shù)據(jù)發(fā)送至開發(fā)板，開發(fā)板處理后在屏幕上顯示出時(shí)間、溫濕度、已割厚度、還需割厚度、膠工的工作評(píng)分信息，隨后膠工只需要在聲音傳感器前說“開燈”即可打開LED燈光，膠工進(jìn)行割膠時(shí)，要使位移傳感器的頭部滾珠緊貼樹皮，并且在行刀過程中應(yīng)注意使位移傳感器與刀具平行。機(jī)器在刀口切入樹干過程中，彈簧受到橡膠樹表皮阻擋而壓縮，由于樹皮對(duì)彈簧的壓縮量與膠工所割的厚度相等，因此可以間接求出瞬時(shí)割膠厚度，并且實(shí)時(shí)反映在顯示屏上；與此同時(shí)，該機(jī)器還能記錄以往膠工所割的厚度，通過Arduino Mega 2560 開發(fā)板內(nèi)的算法進(jìn)行相應(yīng)的評(píng)估并給出意見，通過聲音輸出裝置將評(píng)估分?jǐn)?shù)告訴膠農(nóng)，為膠工下次割膠提供數(shù)據(jù)參照，促使膠工割膠技術(shù)的增長，達(dá)到學(xué)習(xí)的目的。整機(jī)主要性能指標(biāo)和技術(shù)參數(shù)如表 1 所示。

Table 1 Main technical parameters of the intelligent

3.3 可拆卸設(shè)備的設(shè)計(jì)

為了能夠在不破壞刀具的完整性的前提下將智能輔助學(xué)習(xí)模塊和普通割膠刀具結(jié)合牢固，本文設(shè)計(jì)了L型環(huán)套，環(huán)套的三維圖如圖3所示。

Figure 3 L-shaped loop overlapping map圖3 L型環(huán)套圖

由于割膠刀的首尾厚度變化大，而刀身處厚度較為平緩，因此本文分別設(shè)計(jì)兩個(gè)尺寸不同的中空的L型環(huán)套，環(huán)套的一端通過固定臂與智能輔助學(xué)習(xí)模塊相連，為了使得智能輔助學(xué)習(xí)模塊和割膠刀具的連接處結(jié)構(gòu)簡單、承載能力大、承受沖擊性能好，因此在安裝L型環(huán)套時(shí)，利用熱脹冷縮的特性，將L型環(huán)套的內(nèi)孔加熱，趁孔徑擴(kuò)大，迅速套到割膠刀上，待冷卻收縮后兩個(gè)零件就緊緊配合成一體，完成過盈配合?？紤]到L型環(huán)套在潮濕、惡劣的割膠環(huán)境下不能因?yàn)楦g使得兩個(gè)模塊脫落，并且結(jié)合輕量化考慮，因此選用鋁合金作為L型環(huán)套的材料。其參數(shù)如表2所示。

Table 2 Parameters of the L-shaped loop overlapping

4 基于智能算法的技術(shù)等級(jí)評(píng)估方法

4.1 評(píng)估指標(biāo)體系

4.1.1 基于德爾菲法的數(shù)據(jù)采集

膠工割膠水平評(píng)價(jià)屬于信息系統(tǒng)效益評(píng)價(jià)，為了能較好地處理信息系統(tǒng)多因素、模糊性以及主觀判斷等問題，本文將原來的定性評(píng)價(jià)定量化。首先需要確定的是影響膠工割膠水平的評(píng)價(jià)指標(biāo)，由于當(dāng)前并沒有完善的認(rèn)可度高的評(píng)價(jià)體系或者數(shù)據(jù)可以參考，因此本文采用德爾菲法[4 - 6]對(duì)指標(biāo)進(jìn)行設(shè)定。

(1)平均割膠厚度。橡膠樹樹皮從外到里分為粗皮、砂皮、黃皮、水囊皮、形成層五層，而橡膠大都儲(chǔ)存于黃皮、水囊皮，但割膠的深度過淺時(shí)，則會(huì)導(dǎo)致橡膠樹的產(chǎn)膠量較少，而割膠深度過深，則可能割傷橡膠樹導(dǎo)致其產(chǎn)膠量下降甚至不能產(chǎn)膠[7]。因此，本文認(rèn)為割膠的深淺與割膠水平的好壞有可能相關(guān)。

(2)割膠溫度。由于膠樹的光合作用在15 ℃以下時(shí)大為減弱，在10 ℃以下時(shí)則完全停止，而光合作用的減弱則會(huì)減少橡膠合成的原料來源，影響橡膠的產(chǎn)量，而清晨氣溫為19～24 ℃時(shí)利于橡膠的產(chǎn)膠和排膠，一個(gè)割膠水平高的膠工應(yīng)能對(duì)割膠環(huán)境溫度進(jìn)行判斷，選取在合適的溫度下割膠，因此本文認(rèn)為割膠的溫度與割膠水平的好壞有可能相關(guān)。

(3)割膠濕度(RH)。當(dāng)割膠的濕度達(dá)到80%以上時(shí)，對(duì)排膠有利，如下降到75%時(shí)則會(huì)因分割間封閉較快而使得排膠時(shí)間縮短，因此當(dāng)膠工選擇RH≥80%時(shí)割膠的橡膠產(chǎn)量大于RH≤75%時(shí)，所以本文認(rèn)為割膠的濕度與割膠水平的好壞有可能相關(guān)。

(4)割膠厚度波動(dòng)程度(P)。膠工在割膠過程中的實(shí)時(shí)割膠厚度各不相同，為了防止因外界因素產(chǎn)生誤差，本文提出通過對(duì)整個(gè)割膠過程中計(jì)算膠工每次割膠厚度與最適割膠厚度的最近值的偏離大小的平方作為波動(dòng)程度，用它來衡量膠工整個(gè)割膠過程中的數(shù)據(jù)波動(dòng)大小。在樣本容量相同的情況下，波動(dòng)程度越大，說明膠工在割膠過程中偏離最佳割膠越遠(yuǎn)，技術(shù)水平較低，所以本文認(rèn)為割膠厚度波動(dòng)程度與割膠水平的好壞有可能相關(guān)。

(5)停頓次數(shù)(TD)。在割膠過程中，可能會(huì)出現(xiàn)頓刀、空刀，此時(shí)就會(huì)出現(xiàn)停頓現(xiàn)象，而這些現(xiàn)象正是割膠技術(shù)還不夠成熟的表現(xiàn)，所以本文認(rèn)為膠工割一棵橡膠樹的停頓次數(shù)與割膠水平的好壞有可能相關(guān)。

(6)割膠最佳厚度所占比例(%)。在割膠過程中由于膠工刀口所割的深度不同，割膠厚度處于最適范圍的次數(shù)越多，所割破的乳管就越多，產(chǎn)膠量就越高，因此本文認(rèn)為割膠最佳厚度所占比例與割膠水平的好壞有可能相關(guān)。

(7)割膠時(shí)間系數(shù)(t0)。在割膠過程中，對(duì)于割膠技術(shù)尚未成熟的年輕膠工在割膠的同時(shí)難免會(huì)出現(xiàn)搖手、重刀、亂刀等現(xiàn)象，本文發(fā)現(xiàn)這些現(xiàn)象在割膠的過程中影響最為明顯的是割膠時(shí)間的長短。一個(gè)技術(shù)嫻熟的老膠工割一棵橡膠樹的最短時(shí)間約為36 s，因此本文認(rèn)為膠工平均割膠時(shí)間長短有可能作為膠工割膠技術(shù)的評(píng)價(jià)之一。

(8)超越危險(xiǎn)厚度次數(shù)(F)。割膠過程中割膠厚度超越危險(xiǎn)厚度即觸及形成層時(shí)則會(huì)導(dǎo)致產(chǎn)膠量減少，經(jīng)過本文調(diào)研，危險(xiǎn)厚度值約為19 mm，超越危險(xiǎn)厚度次數(shù)越少則對(duì)樹的傷害越小。為此本文認(rèn)為超越危險(xiǎn)厚度次數(shù)有可能作為膠工割膠技術(shù)的評(píng)價(jià)之一。

(9)最深割膠厚度(Dmax)。割膠的最深厚度可以作為割膠傷樹程度的評(píng)價(jià)指標(biāo)，若割膠最深厚度遠(yuǎn)超過危險(xiǎn)厚度時(shí)會(huì)增加死皮數(shù)和割面病害的蔓延，從而影響產(chǎn)膠量，為此本文認(rèn)為割膠最深厚度有可能作為膠工割膠技術(shù)的評(píng)價(jià)之一。

(10)穩(wěn)定性(M)。為了能更全面衡量膠工在整個(gè)工作過程中所展現(xiàn)的割膠水平，本文利用一段時(shí)間割膠深度的方差來度量割膠深度和其數(shù)學(xué)期望(即均值)之間的偏離程度。本文認(rèn)為方差越大，穩(wěn)定值越大，膠工的技術(shù)水平越精湛。

4.1.2 基于灰色關(guān)聯(lián)度分析的指標(biāo)體系建立

為了能準(zhǔn)確把握影響膠工割膠技術(shù)較大的關(guān)鍵指標(biāo)，達(dá)到對(duì)膠工進(jìn)行正確引導(dǎo)的目的，從而促使膠工快速掌握割膠技術(shù)，本文對(duì)上文所述的10個(gè)指標(biāo)進(jìn)行綜合評(píng)價(jià)。綜合評(píng)價(jià)方法根據(jù)權(quán)重的確定可分為主觀賦權(quán)法和客觀賦權(quán)法，目前主流的綜合評(píng)價(jià)和決策方法有主成分分析、TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)、層次分析等方法。由于割膠過程中有大量的不確定因素及其相互關(guān)系，因此本文選用灰色關(guān)聯(lián)分析法[8]，將定性和定量的方法結(jié)合起來，通過確定參考數(shù)據(jù)列和若干個(gè)比較數(shù)據(jù)列的幾何形狀相似程度來判斷其聯(lián)系是否緊密，并反映了曲線間的關(guān)聯(lián)程度，該算法計(jì)算簡便，在一定程度上可減小決策者的主觀任意性。

本文除了從機(jī)理方面進(jìn)行研究外，還通過實(shí)驗(yàn)獲取影響因素的數(shù)據(jù)并結(jié)合灰色關(guān)聯(lián)度分析進(jìn)行指標(biāo)體系建立，其步驟如下：

Step1確定分析數(shù)列。

設(shè)參考數(shù)列(又稱母序列)為：

x0={x0(k)|k=1,2,…,n}=

(x0(1),x0(2),…,x0(n))

(1)

比較數(shù)列(又稱子序列)為：

xi={xi(k)|k=1,2,…,n}=

(xi(1),xi(2),…,xi(n)),i=1,2,…,m

(2)

其中，參考數(shù)列x0為可能影響膠工割膠水平的因素的割膠厚度、割膠溫度、割膠濕度、割膠厚度波動(dòng)程度、停頓次數(shù)、割膠最佳厚度所占比例、割膠時(shí)間系數(shù)、超越危險(xiǎn)厚度次數(shù)、割膠最深厚度和穩(wěn)定性所構(gòu)成的數(shù)列；比較數(shù)列xi為膠工的割膠水平的得分。

Step2數(shù)據(jù)的百分比變換：

(3)

其中，x(k)為數(shù)列中的單個(gè)元素。f(x(k))的值為單個(gè)元素對(duì)該行最大值的比值，由于系統(tǒng)中影響割膠技術(shù)水平的各因素列中的數(shù)據(jù)量綱不同，不便于比較，因此在進(jìn)行灰色關(guān)聯(lián)度分析前，本文對(duì)數(shù)據(jù)進(jìn)行百分比變換。

Step3計(jì)算關(guān)聯(lián)系數(shù)。

計(jì)算比較數(shù)列xi對(duì)參考數(shù)列x0在k時(shí)的關(guān)聯(lián)系數(shù)：

(4)

Step4計(jì)算關(guān)聯(lián)度:

(5)

關(guān)聯(lián)系數(shù)計(jì)算式是描述各影響因素與割膠技術(shù)關(guān)聯(lián)程度的一種指標(biāo)。由于不同的k值都有一個(gè)關(guān)聯(lián)數(shù)，因此信息顯得過于分散，不便于比較，所以使用關(guān)聯(lián)度ri將影響割膠水平的某個(gè)指標(biāo)的關(guān)聯(lián)系數(shù)相加求平均作為描述指標(biāo)對(duì)割膠水平的得分的關(guān)聯(lián)度。

Step5關(guān)聯(lián)度排序。

將各影響指標(biāo)的關(guān)聯(lián)度按大小排序，關(guān)聯(lián)度越大，則表示該指標(biāo)對(duì)割膠水平的影響越大。

4.1.3 評(píng)估指標(biāo)權(quán)重計(jì)算

目前權(quán)重的確定主要有AHP(Analytic Hierarchy Process)法、變異系數(shù)法、德爾菲法等。為了增加精度，本文選擇客觀性強(qiáng)的熵權(quán)法[9]作為割膠技術(shù)影響指標(biāo)的賦權(quán)方法。熵權(quán)法根據(jù)影響割膠技術(shù)灰色關(guān)聯(lián)度分析后選取7個(gè)評(píng)價(jià)指標(biāo)的變異程度，利用信息熵計(jì)算出各指標(biāo)的熵權(quán)，接著利用熵權(quán)對(duì)各指標(biāo)的權(quán)重進(jìn)行調(diào)整，從而得出可信度較高的指標(biāo)權(quán)重。熵權(quán)法確定權(quán)重在目標(biāo)識(shí)別等領(lǐng)域[10]有著廣泛的應(yīng)用。

Step1形成數(shù)據(jù)矩陣。

M=(M1,M2,…,Mm)

(6)

D=(D1,D2,D3,…,Dn)

(7)

(8)

其中,M為參與實(shí)驗(yàn)的膠工割膠水平得分?jǐn)?shù)列，D為通過灰色關(guān)聯(lián)度分析所篩選出來的已量綱化處理的割膠水平影響指標(biāo)數(shù)列，xij表示某一割膠水平下對(duì)應(yīng)某一割膠技術(shù)影響指標(biāo)的值。

Step2特征比重。

將Step 1所形成的數(shù)據(jù)矩陣代入式(9)中，計(jì)算出第j項(xiàng)割膠技術(shù)影響指標(biāo)下，第i個(gè)割膠技術(shù)水平對(duì)象的特征比重Pij，由于0≤xij≤1，所以0≤Pij≤1，通過式(9)可求出各割膠技術(shù)水平下的某一指標(biāo)出現(xiàn)的概率。

(9)

Step3計(jì)算指標(biāo)的熵值:

(10)

其中,Pij為Step 2所求出的特征比重;ej為第j項(xiàng)割膠水平影響指標(biāo)的熵值，該值越小則反映了該指標(biāo)在對(duì)膠工割膠水平進(jìn)行評(píng)價(jià)時(shí)提供的信息越多，所起的作用越大。

Step4計(jì)算各指標(biāo)熵權(quán):

dj=1-ej

(11)

(12)

其中，dj為差異系數(shù)，Wj為各個(gè)指標(biāo)在對(duì)膠工進(jìn)行技術(shù)評(píng)價(jià)時(shí)的權(quán)重。

Step5將各個(gè)權(quán)重作為系數(shù)可以列出關(guān)于膠工割膠水平得分的線性函數(shù)，若將一名膠工各指標(biāo)的值代入函數(shù)中即可求得對(duì)膠工割膠水平定量化的得分評(píng)價(jià)。

4.1.4 技術(shù)等級(jí)分類模型構(gòu)建

本文采用云模型作為技術(shù)等級(jí)的分類模型。云模型[11]是1995年由中國工程院院士李德毅提出的，該模型用于處理定性概念與定量描述的不確定轉(zhuǎn)換[12]。設(shè)U為精確數(shù)值表示的割膠技術(shù)優(yōu)劣的定量論域，即C是U上的模糊性描述即割膠水平初級(jí)、中級(jí)、高級(jí)的評(píng)價(jià)，若其中一次評(píng)分x為膠工割膠水平的得分U中的一次隨機(jī)實(shí)現(xiàn)，x相對(duì)于C穩(wěn)定傾向的隨機(jī)數(shù)，此時(shí)可稱x為云滴，x在定量論域的分布為云(Cloud)。本文利用逆向云發(fā)生器[13]實(shí)現(xiàn)膠工獲得的評(píng)價(jià)分?jǐn)?shù)向割膠技術(shù)好壞的轉(zhuǎn)化，其步驟如下：

Step1每個(gè)膠工作為一個(gè)云滴，其割膠技術(shù)得分為定量值xi其隸屬度為yi，進(jìn)而一個(gè)云滴的表達(dá)方式為(xi,yi)。

Step3樣本均值即所求的期望值Ex，期望值是割膠技術(shù)定性轉(zhuǎn)定量的最典型樣本。

4.1.5 技術(shù)等級(jí)識(shí)別算法

聚類算法有k-means聚類算法、層次方法中的凝聚型層次聚類算法、基于模型方法的神經(jīng)網(wǎng)絡(luò)聚類算法，為了能減少算法運(yùn)算時(shí)間，本文選用運(yùn)算效率高的k-means聚類[14]法來進(jìn)行不同割膠水平中心點(diǎn)的計(jì)算，以便于進(jìn)行技術(shù)與等級(jí)的識(shí)別。

Step1先選取3名膠工作為初級(jí)膠工、中級(jí)膠工、高級(jí)膠工三類簇的中心點(diǎn)，其中每個(gè)中心點(diǎn)都包含膠工期望、熵和超熵3個(gè)指標(biāo)，在3個(gè)初始類簇中心點(diǎn)的情況下，把對(duì)每名測試膠工的期望、熵和超熵分到離其最近的類簇中心點(diǎn)所代表的類簇中。

Step2所有分?jǐn)?shù)分配完畢之后，根據(jù)一個(gè)類簇內(nèi)的所有期望、熵和超熵分別取平均值來重新計(jì)算該類簇的中心點(diǎn)。

Step3迭代進(jìn)行分配點(diǎn)和更新類簇中心點(diǎn)的步驟，直至誤差小到某個(gè)值或者到達(dá)一定的迭代步數(shù)，誤差不變。通過上述聚類可以使得同一水平的膠工得分越近，不同水平膠工的得分越遠(yuǎn)，最終形成3個(gè)較為合理的類簇中心點(diǎn)。

最小歐氏距離確定類別[15,16]:

Step1輸入一名測試膠工的期望、熵和超熵x(x1，x2，x3)三個(gè)指標(biāo)。設(shè)3個(gè)特征集合為初級(jí)膠工、中級(jí)膠工、高級(jí)膠工，其中初級(jí)膠工的期望、熵和超熵所構(gòu)成的向量為v1，其向量表示為v(v11，v12，v13)；中級(jí)膠工的期望、熵和超熵所構(gòu)成的向量為v2，其向量表示為v(v21，v22，v23)；高級(jí)膠工的期望、熵和超熵所構(gòu)成的向量為v3，其向量表示為v(v31，v32，v33)。

Step2求x與三個(gè)特征之間的距離，其公式如下：

d=|x-v|2

Step3該測試膠工的割膠水平越趨近于距離小的特征集合。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 實(shí)驗(yàn)環(huán)境

在完成了割膠技術(shù)輔助學(xué)習(xí)儀的機(jī)械設(shè)計(jì)部分和算法設(shè)計(jì)與實(shí)現(xiàn)后，完成了割膠技術(shù)輔助學(xué)習(xí)儀的技術(shù)驗(yàn)證機(jī)的實(shí)物研制，并于9月15日在海南省儋州市割膠隊(duì)中進(jìn)行了實(shí)地實(shí)驗(yàn)，部分實(shí)驗(yàn)實(shí)時(shí)截圖如圖4所示。實(shí)驗(yàn)過程中，共有24名膠工進(jìn)行了技術(shù)驗(yàn)證機(jī)的實(shí)驗(yàn)測試，其中高級(jí)膠工、中級(jí)膠工和初級(jí)膠工各8名，有高級(jí)、中級(jí)、初級(jí)各1名膠工的驗(yàn)證機(jī)割膠數(shù)據(jù)作為樣本數(shù)據(jù)來源，其余的作為測試數(shù)據(jù)。實(shí)驗(yàn)共獲得各項(xiàng)數(shù)據(jù)2 310個(gè)，共330個(gè)評(píng)價(jià)數(shù)據(jù)，其中樣本數(shù)據(jù)30個(gè)，測試數(shù)據(jù)300個(gè)。

在海南省儋州市橡膠林進(jìn)行實(shí)驗(yàn)，分別將割膠智能輔助學(xué)習(xí)儀分給剛結(jié)束割膠培訓(xùn)的學(xué)徒、從事割膠工作達(dá)3年的膠工和割膠工作達(dá)10年的割膠輔導(dǎo)員各自進(jìn)行為期7天的割膠實(shí)驗(yàn)，三種不同的膠工代表割膠技術(shù)的初、中、高三個(gè)級(jí)別，并采集影響因素的數(shù)據(jù)，采集的數(shù)據(jù)如表3所示。

Figure 4 Experiment screenshot圖4 實(shí)驗(yàn)截圖

表3中割膠溫度、濕度數(shù)據(jù)是利用安裝在割膠技術(shù)智能輔助學(xué)習(xí)儀上的溫濕度傳感器(DHT11[17])進(jìn)行采集的。

5.2 評(píng)價(jià)模型實(shí)驗(yàn)

Step1基于灰色關(guān)聯(lián)度模型和樣本數(shù)據(jù)，對(duì)本文提出的10項(xiàng)割膠技術(shù)水平評(píng)價(jià)指標(biāo)進(jìn)行關(guān)聯(lián)度分析。其中樣本數(shù)據(jù)如表4所示，各指標(biāo)與割膠技術(shù)水平的關(guān)聯(lián)度數(shù)據(jù)如表5所示，各指標(biāo)關(guān)聯(lián)度比較如圖5所示。

Table 4 Worker’s scores in the sample data

Table 5 Results of the correlationanalysis of each evaluation index

根據(jù)上文所述的實(shí)驗(yàn)數(shù)據(jù)結(jié)果，本文對(duì)評(píng)價(jià)指

Table 3 Average tapping thickness

標(biāo)進(jìn)行了篩選，最后選定平均割膠厚度、割膠厚度波動(dòng)程度、停頓次數(shù)、割膠最佳厚度所占比例、割膠時(shí)間系數(shù)、超越危險(xiǎn)厚度次數(shù)和穩(wěn)定性這7個(gè)評(píng)價(jià)指標(biāo)。

Step2利用上文中所述熵權(quán)法和樣本數(shù)據(jù)，確定各指標(biāo)權(quán)重，如表6所示。根據(jù)表6的權(quán)重和實(shí)時(shí)獲得的數(shù)據(jù)，便可得到膠工的割膠成績。

Figure 5 Comparison of the correlation degree of each index圖5 各指標(biāo)關(guān)聯(lián)度比較

%

Step3根據(jù)5.2節(jié)的樣本數(shù)據(jù)實(shí)驗(yàn)結(jié)果，可以得到膠工割膠成績的計(jì)算方法。然后本文利用同樣的這三名膠工的數(shù)據(jù)，進(jìn)行了基于逆向云發(fā)生器的定性轉(zhuǎn)化實(shí)驗(yàn)。如表7所示是得到的三名膠工割膠成績?cè)颇Ｐ偷钠谕㈧睾统亍?/p>

Table 7 Parameters of the cloudmodel of three rubber workers’ scores

根據(jù)三名膠工成績?cè)颇Ｐ偷膮?shù)所生成的云滴圖像如圖6所示。從圖6中可以看出，高級(jí)膠工的期望值最高，而且成績分布比較集中，初級(jí)膠工和中級(jí)膠工的成績分布都相對(duì)分散，成績不夠穩(wěn)定。依次類推，根據(jù)三名膠工長時(shí)間實(shí)驗(yàn)得到的數(shù)據(jù)，三種級(jí)別的膠工所有成績所對(duì)應(yīng)的矩陣散點(diǎn)圖[19]如圖7所示，可以看出期望、熵和超熵的對(duì)應(yīng)關(guān)系。

Figure 6 Cloud maps of the scores of the rubber workers with different tapping levels圖6 不同割膠水平的膠工成績所對(duì)應(yīng)的云圖

Figure 7 Scatter plot of tapping scores圖7 膠工割膠成績散點(diǎn)圖

Step4對(duì)三名膠工長時(shí)間實(shí)驗(yàn)得到的不同單位時(shí)間段對(duì)應(yīng)的云模型的期望、熵和超熵進(jìn)行聚類分析，本文采用k-means聚類法，實(shí)驗(yàn)結(jié)果如圖8所示。

根據(jù)聚類得到的三個(gè)聚類中心點(diǎn)為：高級(jí)膠工：(7.7，0.85，0);中級(jí)膠工：(6，1.8，0.2);初級(jí)膠工：(1.78，3.45，0.44)。

Figure 8 Cluster diagram of cloud model parameters corresponding to different tapping levels圖8 不同割膠水平對(duì)應(yīng)的云模型參數(shù)聚類圖

5.3 結(jié)果分析

在得到三個(gè)水平的聚類中心之后，根據(jù)最小歐氏距離法，本文用測試數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果如圖9所示。

如圖9所示，有300個(gè)測試數(shù)據(jù)節(jié)點(diǎn)，其中較細(xì)連線表示正確的實(shí)驗(yàn)數(shù)據(jù)節(jié)點(diǎn)，加粗的連線連接的節(jié)點(diǎn)表示錯(cuò)誤的評(píng)價(jià)結(jié)果對(duì)應(yīng)的數(shù)據(jù)節(jié)點(diǎn)。錯(cuò)誤的數(shù)據(jù)點(diǎn)共有6個(gè)，因此實(shí)驗(yàn)得到的割膠技術(shù)輔助學(xué)習(xí)儀的割膠水平評(píng)價(jià)正確率為98%。

樣機(jī)實(shí)驗(yàn)結(jié)果表明，該學(xué)習(xí)儀的正確率高，能夠達(dá)到實(shí)際使用的要求。

Figure 9 Experimental results圖9 實(shí)驗(yàn)測試結(jié)果圖

6 結(jié)束語

本文結(jié)合德爾菲法、灰色關(guān)聯(lián)度分析、熵權(quán)法和云模型，提出了一種割膠技術(shù)等級(jí)評(píng)估方法，該方法能夠?qū)崟r(shí)顯示割膠厚度，并對(duì)膠工割膠技術(shù)進(jìn)行實(shí)時(shí)評(píng)價(jià)和打分，從而促進(jìn)膠工割膠技術(shù)的提升，在割膠技術(shù)評(píng)價(jià)領(lǐng)域具備較高參考價(jià)值，可應(yīng)用于不同膠工的實(shí)時(shí)評(píng)價(jià)。同時(shí)，本文設(shè)計(jì)并研制了割膠技術(shù)智能輔助學(xué)習(xí)儀，該學(xué)習(xí)儀滿足膠工割膠時(shí)的所需功能，并且經(jīng)過實(shí)驗(yàn)驗(yàn)證該學(xué)習(xí)儀實(shí)時(shí)性強(qiáng)、技術(shù)評(píng)價(jià)精準(zhǔn)度高，對(duì)提高膠工割膠水平與橡膠產(chǎn)量有極大的促進(jìn)作用。

[1] Hebbard G M,Powell S T,Rostenbach R E.Rubber industry[J].Industrial & Engineering Chemistry,1947,39(5):589-595.

[2] Musikavong C,Gheewala S H.Assessing ecological footprints of products from the rubber industry and palm oil mills in Thailand[J].Journal of Cleaner Production,2016,142:1148-1157.

[3] Elsamanty M,Khalifa A,Fanni M,et al.Methodology for identifying quadrotor parameters,attitude estimation and control[C]∥Proc of 2013 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM),2013:1343-1348.

[4] Linstone H A,Turoff M.The Delphi method:Techniques and applications[J].Journal of Marketing Research,1975,18(3):363-364.

[5] Strand J,Carson R T,Navrud S,et al.Using the Delphi method to value protection of the Amazon rainforest[J].Ecological Economics,2017,131:475-484.

[6] Weir A,H?lmich P,Schache A G,et al.Terminology and definitions on groin pain in athletes:Building agreement using a short Delphi method.[J].British Journal of Sports Medicine,2015,49(12):825-827.

[7] Golbon R,Ogutu J O,Cotter M,et al.Rubber yield prediction by meteorological conditions using mixed models and multi-model inference techniques[J].International Journal of Biometeorology,2015,59(12):1747-1759.

[8] Rajesh R, Ravi V. Supplier selection in resilient supply chains:A grey relational analysis approach[J].Journal of Cleaner Production,2015,86(1):343-359.

[9] Tang P,Chen D,Hou Y.Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting[J].Chaos Solitons & Fractals,2016,89:243-248.

[10] Liu Bo-yi,Cheng Jie-ren,Tang Xiang-yan,et al.Moving vehicles recognition in complex dynamic environment[J].Journal of Frontiers of Computer Science & Technology,2017,11(1):134-143.(in Chinese)

[11] Wang J Q,Peng J J,Zhang H Y,et al.An uncertain linguistic multi-criteria group decision-making method based on a cloud model[J].Group Decision and Negotiation,2015,24(1):171-192.

[12] Wang G,Xu C,Li D.Generic normal cloud model[J].Information Sciences,2014,280(280):1-15.

[13] Xiahou J,Lin F,Huang Q H,et al.Multi-datacenter cloud storage service selection strategy based on AHP and backward cloud generator model[J].Neural Computing & Applications,Publish online:14 July 2016,2016:1-15.

[14] Shahrivari S, Jalili S.Single-pass and linear-timek-means clustering based on MapReduce[J].Information Systems,2016,60(C):1-12.

[15] Bermanis A, Wolf G, Averbuch A.Diffusion-based kernel methods on Euclidean metric measure spaces[J].Applied & Computational Harmonic Analysis,2016,41(1):190-213.

[16] Dokmanic I,Parhizkar R,Ranieri J,et al.Euclidean distance matrices:Essential theory,algorithms,and applications[J].IEEE Signal Processing Magazine,2015,32(6):12-30.

[17] Krishnamurthi K,Thapa S,Kothari L,et al.Arduino based weather monitoring system[J].International Journal of Engineering Research and General Science,2015,3(2):452-458.

[18] Nordhausen K,Oja H.Independent subspace analysis using three scatter matrices[J].Austrian Journal of Statistics,2016,40(1&2):93-101.

附中文參考文獻(xiàn)：

[10] 劉博藝,程杰仁,唐湘滟,等.復(fù)雜動(dòng)態(tài)環(huán)境下運(yùn)動(dòng)車輛的識(shí)別方法[J].計(jì)算機(jī)科學(xué)與探索,2017,11(1):134-143.