袁泓磊，李尚平

(廣西民族大學(xué)，廣西南寧530006)

0 引言

甘蔗是我國重要的經(jīng)濟作物，而廣西、云南的丘陵地區(qū)蔗地約占90%，廣西丘陵蔗地約占種植面積的 60%以上[1]。蔗地存在小而分散、地形復(fù)雜、機耕道路差等問題，影響了甘蔗全程機械化的推進，造成原料及砍運成本居高不下，嚴(yán)重制約了我國糖業(yè)的發(fā)展以及在國際市場上的競爭力。目前，我國丘陵地區(qū)的甘蔗轉(zhuǎn)運車多采用半掛側(cè)翻式結(jié)構(gòu)或廂式轉(zhuǎn)運結(jié)構(gòu)，車型輪距大、提升重心高，甘蔗轉(zhuǎn)運一般依靠司機手動操作。在丘陵地區(qū)蔗地進行甘蔗轉(zhuǎn)運時，由于地形復(fù)雜或司機經(jīng)驗不足，難以準(zhǔn)確判斷運車的運行狀態(tài)，容易發(fā)生過載和車身傾翻的情況，從而造成較大的安全隱患。

目前我國的甘蔗轉(zhuǎn)運車主要是引進或仿制，其提升重心偏移大、輪距寬、安全性差，主要適于在平原地區(qū)的蔗地作業(yè)，因為地貌環(huán)境和種植方式的差異，不太適于我國丘陵地區(qū)蔗地的作業(yè)。因此，課題組經(jīng)過前期大量的文獻查閱企業(yè)走訪以及實際調(diào)查，設(shè)計了一款適用于丘陵地區(qū)作業(yè)的自行式雙剪叉提升的甘蔗轉(zhuǎn)運車，增強了甘蔗機械化收獲轉(zhuǎn)運的工作穩(wěn)定性、安全性，提高了轉(zhuǎn)運作業(yè)的效率。

目前，國內(nèi)外針對轉(zhuǎn)運車的研究均是在結(jié)構(gòu)設(shè)計方面的改進與優(yōu)化，JOHN DEERE公司研發(fā)制造了采用網(wǎng)兜式、雙搖桿支撐的新型甘蔗轉(zhuǎn)運車；洛陽辰漢農(nóng)業(yè)裝備科技有限公司研發(fā)的網(wǎng)兜式甘蔗轉(zhuǎn)運車，具有操作簡單、機動性和適應(yīng)性強、適配成本低等特點；中聯(lián)重科股份有限公司研發(fā)的7YGS-10廂式運輸結(jié)構(gòu)的甘蔗田間收集搬運機，配置了高壓共軌發(fā)電機，動力強勁、通過性強、對宿根破壞性小。當(dāng)前尚缺乏對甘蔗轉(zhuǎn)運車穩(wěn)定性及狀態(tài)監(jiān)測的研究。

轉(zhuǎn)運車的轉(zhuǎn)運工作過程是由舉升、開門、傾倒、關(guān)門、下放等一系列的動作組成，為了驗證雙剪叉式甘蔗轉(zhuǎn)運車的結(jié)構(gòu)穩(wěn)定性，實現(xiàn)對甘蔗轉(zhuǎn)運車進行工作狀態(tài)的實時監(jiān)測，需將采集到的傳感器信號進行識別處理，需選擇較好的轉(zhuǎn)運車狀態(tài)監(jiān)測方法顯得尤為重要。

近年來，隨著人工智能技術(shù)的發(fā)展，基于深度學(xué)習(xí)的機械設(shè)備狀態(tài)監(jiān)測的方法得到學(xué)者的廣泛關(guān)注，廖明燕等[2]利用神經(jīng)網(wǎng)絡(luò)方法對多種傳感數(shù)據(jù)融合的鉆井系統(tǒng)進行狀態(tài)識別，很好地識別了鉆井系統(tǒng)不同的工作狀態(tài)；商斌梁等[3]利用小波變換對柴油機缸蓋的振動信號進行時頻處理，再利用圖像處理技術(shù)對時頻圖進行識別，建立了基于圖像匹配的內(nèi)燃機氣閥機構(gòu)診斷模型；王卉[4]等提出一種多源信息融合的神經(jīng)網(wǎng)絡(luò)故障診斷方法，成功應(yīng)用于對火炮裝填系統(tǒng)故障的診斷。

本文將深度學(xué)習(xí)方法應(yīng)用于甘蔗轉(zhuǎn)運車轉(zhuǎn)運過程中的不穩(wěn)定性的監(jiān)測分析中。首先，通過傳感器采集轉(zhuǎn)運車的工作狀態(tài)，在轉(zhuǎn)運車關(guān)鍵節(jié)點安裝應(yīng)變片，獲得不同試驗條件下節(jié)點應(yīng)力狀況，經(jīng)過應(yīng)力的數(shù)據(jù)統(tǒng)計分析，建立轉(zhuǎn)運車不同狀態(tài)的判斷標(biāo)準(zhǔn)；然后，通過采用無線壓電加速度傳感器采集甘蔗轉(zhuǎn)運過程中的振動信號，對采集到振動的信號進行數(shù)據(jù)預(yù)處理；最后，利用深度置信網(wǎng)絡(luò)構(gòu)建甘蔗轉(zhuǎn)運車轉(zhuǎn)運過程的狀態(tài)監(jiān)測預(yù)警模型。

1 轉(zhuǎn)運車試驗平臺及狀態(tài)分類方法

雙剪叉式甘蔗轉(zhuǎn)運車主要由車體、舉升機構(gòu)、集蔗車廂、輔助支撐腳等組成。舉升機構(gòu)安裝于車架上，舉升機構(gòu)包括4對雙剪叉式舉升機構(gòu)以及驅(qū)動裝置和輔助支撐腳。車廂裝置安裝于舉升機構(gòu)上4個輔助支撐安裝在車架下方，車廂采用側(cè)傾卸載方式，便于轉(zhuǎn)運和傾倒甘蔗及肥料等農(nóng)用物資。舉升機構(gòu)采用每對舉升桿的前后移動，來調(diào)節(jié)整體的高度，從而實現(xiàn)上下提升車廂裝置。舉升前先進行車廂的平衡姿態(tài)檢測、輔助支撐的自動調(diào)整；舉升車廂時，液壓油缸驅(qū)動所有的舉升桿向內(nèi)移動，將車廂裝置舉升至指定的高度；傾倒卸載時，驅(qū)動側(cè)檔板油缸打開車廂側(cè)檔板、驅(qū)動車廂底部的油缸，車廂傾斜一定角度，以便于車廂上將甘蔗傾倒至運輸車上；傾倒完畢后，依次驅(qū)動各油缸，使側(cè)檔板、車廂復(fù)位，以使舉升下降收回，該轉(zhuǎn)運車簡單便捷，具有重心低和穩(wěn)定性高的優(yōu)點。后輔助支撐腳和前輔助支撐腳固定在車體上，起到增大接觸面積，提高穩(wěn)定性的作用。課題組與企業(yè)合作開發(fā)的甘蔗轉(zhuǎn)運車樣機如圖1所示。

甘蔗轉(zhuǎn)運車的工作過程是由一系列連貫的動作組成，為了能夠描述轉(zhuǎn)運車的工作狀態(tài)和進行轉(zhuǎn)運車不穩(wěn)定性狀態(tài)識別提供參考，本次試驗在轉(zhuǎn)運車關(guān)鍵節(jié)點粘貼應(yīng)變片以獲取轉(zhuǎn)運車不同試驗下的節(jié)點應(yīng)變，通過統(tǒng)計分析得到轉(zhuǎn)運車不同工況下受力的特征及狀態(tài)的判別標(biāo)準(zhǔn)，為利用振動信號和深度置信網(wǎng)絡(luò)對轉(zhuǎn)運車工作狀態(tài)識別提供了數(shù)據(jù)基礎(chǔ)。

圖1 樣機雙剪叉舉升試驗圖

1.1 轉(zhuǎn)運車試驗平臺

由于舉升機構(gòu)和集蔗車廂的設(shè)計尺寸較大，為了進行轉(zhuǎn)運車的穩(wěn)定性狀態(tài)的實驗測試，根據(jù)相似性原理，在材料的屈服應(yīng)力線性階段內(nèi)進行研究分析，將試驗平臺按照樣機設(shè)計的尺寸，將整體縮小為原尺寸的 1/4進行研究，雙剪叉式甘蔗轉(zhuǎn)運車的試驗平臺如圖2所示。

1.2 基于舉升架關(guān)鍵節(jié)點應(yīng)力分析的轉(zhuǎn)運車狀態(tài)分類方法

圖2 甘蔗轉(zhuǎn)運車試驗平臺

由于上下支撐架、車廂等部位受力較小，主要的受力部件為剪叉舉升桿件，因此將應(yīng)變測量點布置在舉升桿交叉鉸接點的附近。一共有8根舉升桿，每根舉升桿布置3個測量點，共有24個測量點。采用東華公司的24通道DH3818Y靜態(tài)應(yīng)力應(yīng)變測試分析系統(tǒng)采集測試過程中的節(jié)點應(yīng)力。測點布置如圖3所示。舉升機構(gòu)共有4組舉升桿組成，記車廂傾倒側(cè)為第一組舉升桿，依次第二組、第三組、第四組，第一組測量點標(biāo)號如圖4所示。

圖4中1-1的 2個1，分別表示標(biāo)記的第幾個節(jié)點和第幾組桿。

在雙剪叉式甘蔗轉(zhuǎn)運車的 8根桿件上 4組 24個測點分別粘貼應(yīng)變片，應(yīng)變片選用的是黃巖測試儀器廠的 BX系列箔式電阻應(yīng)變計，型號為BX120-3BA，接線端子選用的是黃巖測試儀器廠的板基-911，基地材料是用玻璃纖維增強環(huán)氧樹脂板經(jīng)蝕刻制成，不易損壞，絕緣電阻好。

圖4 第一組測量點標(biāo)記

應(yīng)力測量步驟如下：

⑴貼片：將應(yīng)變片粘貼在轉(zhuǎn)運車關(guān)鍵節(jié)點處；

⑵連接測量電路：將應(yīng)變直角花和應(yīng)力應(yīng)變測試分析系統(tǒng)連接起來，使信號輸送到計算機中；

⑶清零：在每組試驗開始時進行平衡清零；

⑷測試并采集數(shù)據(jù)：對每組試驗進行測試，當(dāng)輸入信號穩(wěn)定時進行數(shù)據(jù)采集，每組試驗結(jié)束時將試驗數(shù)據(jù)保存至指定文件夾。

在每組試驗開始時，需要進行平衡清零以及等到輸入信號穩(wěn)定時再進行數(shù)據(jù)采集，否則無法采集到真實的試驗數(shù)據(jù)，每組試驗重復(fù)進行3次，確保數(shù)據(jù)的有效可靠性。

分別進行過載舉升試驗與傾斜試驗：

⑴過載試驗

本試驗的試驗變量為舉升載重的質(zhì)量，分別進行舉升載重質(zhì)量為80、100、120、140和160 kg 5個水平的試驗，因變量指標(biāo)為每個測量點的最大應(yīng)變，每個水平進行3次重復(fù)性試驗。

統(tǒng)計每組試驗數(shù)據(jù)，安排3次重復(fù)性試驗，取其平均值，試驗數(shù)據(jù)統(tǒng)計如表1所示。

表1 160 kg時各個點的受力統(tǒng)計 單位：MPa

通過上述實驗數(shù)據(jù)統(tǒng)計表分析可知：各桿件中間節(jié)點應(yīng)力大于上下節(jié)點應(yīng)力，并且中間節(jié)點應(yīng)力隨著舉升載重質(zhì)量的增加而明顯增加。

轉(zhuǎn)運車試驗平臺的舉升桿采用不銹鋼 316，其材料的屈服強度≥310 MPa；舉升重量為160 kg時最大應(yīng)力為256.3 MPa，接近不銹鋼316材料的屈服強度；但由于試驗中，當(dāng)進行160 kg時，發(fā)生明顯的結(jié)構(gòu)損壞，所以本文將160 kg作為舉升載重的臨界值，將≥160 kg的載重舉升狀態(tài)視為過載狀態(tài)。

⑵傾斜試驗

為模擬在丘陵地區(qū)土地不平情況下的作業(yè)環(huán)境，在試驗平臺上進行傾斜狀態(tài)的應(yīng)力應(yīng)變試驗。傾斜試驗中，墊高試驗平臺的一側(cè)，使其傾斜一個角度，再進行舉升作業(yè)測試。

將試驗平臺的傾斜角度作為自變量因子，進行單因素試驗，設(shè)置 5個水平，分別為：0°、2°、7°、9.6°、11°。

以傾斜角為0°時、各節(jié)點應(yīng)力為基準(zhǔn)，測出受力最大的中間節(jié)點應(yīng)力狀態(tài)，列出當(dāng)傾斜角增加時每個節(jié)點相對增加的幅度，如表2所示。

表2 舉升桿受力增加幅度

由表2可見，當(dāng)傾斜角為2°時，節(jié)點受力平均增幅約為7%左右，最大增幅為13.0%；當(dāng)傾斜角為7°時，節(jié)點受力平均增幅約為 20%左右，最大增幅為32.9%；當(dāng)傾斜角為9.6°時，節(jié)點受力平均增幅為30%左右，最大增幅為52.2%；當(dāng)傾斜角為11°時，節(jié)點受力平均增幅大于40%，有4個點超過50%，最大增幅為65.2%。

根據(jù)項目設(shè)計要求和對表格數(shù)據(jù)統(tǒng)計分析，將車身傾斜 2°作為轉(zhuǎn)運車傾斜需調(diào)整的臨界狀態(tài)，將傾斜＜2°的情況視為正常狀態(tài)。

2 基于深度置信網(wǎng)絡(luò)的狀態(tài)識別

深度置信網(wǎng)絡(luò)(Deep Belief Network，DBN)于2006年被Hinton等[5]提出，作為一種半監(jiān)督深度學(xué)習(xí)算法被廣泛關(guān)注。在結(jié)構(gòu)上，DBN由多層限制波爾茲曼機(Restricted Boltzmann Machine，RBM)堆疊構(gòu)成。

2.1 受限玻爾茲曼機模型

RBM 是由一個可見層和一個隱含層組成的二元無向圖模型，包含一組二進制隱藏單元h，一組(二進制或?qū)嵵?可視單元v以及權(quán)值矩陣W，可見單元和隱含單元的偏置b和a。對于RBM的可見層與隱含層，層間神經(jīng)元全連接，而層內(nèi)神經(jīng)元無連接[6]。

受限玻爾茲曼機是基于能量的模型，其聯(lián)合概率分布能量函數(shù)指定。對于一組特定的(v，h)，RBM能量函數(shù)的定義為：

其中，vi和hj是可見單元i和隱藏單元j的二進制狀態(tài)，θ={w,b,a}是模型的參數(shù)，wij是可見單元i和隱藏單元j。

入到可見層時，可見層將決定隱藏層各神經(jīng)元的狀態(tài)，隱藏層第j個神經(jīng)元激活概率為：

類似的，可見層第i個神經(jīng)元激活概率為：

慮及所有的神經(jīng)元，模型賦值給一個可見向量的概率是由所有可能的隱藏向量求和得到：

RBM 訓(xùn)練的目的是求出參數(shù)θ以擬合給定的訓(xùn)練數(shù)據(jù)，最優(yōu)參數(shù)θ^求解方法如下：

其中，hjdata表示一個期望的數(shù)據(jù)分布，hjmodel表示由模型定義的期望分布。在實際應(yīng)用中，使用對比散度方法計算梯度，即利用吉布斯采樣取代hjmodel。

2.2 基于深度置信網(wǎng)絡(luò)的轉(zhuǎn)運車狀態(tài)識別模型

深度置信網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示。通過利用前一層的激活作為輸入，將每一層(從低到高)訓(xùn)練RBM。具體訓(xùn)練過程如下所示：首先充分訓(xùn)練一個RBM 的權(quán)重和偏移量，適用其隱層神經(jīng)元的狀態(tài)，作為第二個 RBM 的輸入向量；接著充分訓(xùn)練第二個RBM后，將第二個RBM堆疊在第一個RBM的上方，以此類推，重復(fù)以上步驟直至達(dá)到預(yù)設(shè)的次數(shù)。多個 RBM 堆疊模型訓(xùn)練結(jié)束后，在網(wǎng)絡(luò)上頂層增加一個 Softmax分類層并通過反向傳播算法對轉(zhuǎn)運車工作狀態(tài)進行分類。

圖5 深度置信網(wǎng)絡(luò)結(jié)構(gòu)[7]

Softmax回歸模型作為邏輯回歸模型的一種拓展形式，常用于多分類問題[8]。對于m個樣本的k類訓(xùn)練數(shù)據(jù)｛（x(1),y(1),(x(2),y(2),···(x(m),y(m)）｝，其中樣本集為對于給定的樣本輸入x，估算出類別j的概率值如式⑹所示：

其中，θ=[θ1,θ2,···,θk]為模型參數(shù)，過對概率分布進行歸一化，使得所有概率之和為1。

Softmax模型對應(yīng)的損失代價函數(shù)如式⑺所示：

Softmax回歸模型是監(jiān)督學(xué)習(xí)模型，通過誤差反向傳播法來迭代更新參數(shù)使得代價函數(shù)最小化，從而找到最優(yōu)參數(shù)以適應(yīng)訓(xùn)練集。

3 轉(zhuǎn)運車狀態(tài)監(jiān)測試驗實例

3.1 轉(zhuǎn)運車狀態(tài)監(jiān)測試驗

由于實際尺寸的轉(zhuǎn)運車比較大，為了研究監(jiān)測轉(zhuǎn)運車狀態(tài)的方法和減小試驗難度，在預(yù)設(shè)置的轉(zhuǎn)運車尺寸上等比例縮小4倍；采用振動監(jiān)測法，通過一個壓電式加速度傳感器采集加工過程中的振動動態(tài)數(shù)據(jù)，傳感器的布置如圖6所示。壓電式加速度傳感器為東華測試公司的通用壓電式加速度傳感器，試驗過程中，采用DH3816N數(shù)據(jù)采集裝置采集動態(tài)信號，采樣頻率設(shè)置200 Hz。采集的動態(tài)數(shù)據(jù)選取每組試驗舉升到最高點的15 s作為一個轉(zhuǎn)運車采集樣本，轉(zhuǎn)運車狀態(tài)分為正常、車體傾斜和過載狀態(tài)等3種狀態(tài)。

壓電加速度傳感器獲得的各狀態(tài)的振動信號時域波形如圖7所示。

圖6 轉(zhuǎn)運車狀態(tài)監(jiān)測試驗平臺及傳感器安裝圖

圖7 轉(zhuǎn)運車不同狀態(tài)下振動信號時域波形

3.2 數(shù)據(jù)預(yù)處理

在轉(zhuǎn)運試驗平臺的試驗過程中，采用壓電加速度傳感器采集振動信號，通過數(shù)據(jù)預(yù)處理后輸入到轉(zhuǎn)運車狀態(tài)監(jiān)測模型，數(shù)據(jù)預(yù)處理過程框圖如圖8所示。

3.2.1 數(shù)據(jù)不平衡處理

其中，S'為加噪后的轉(zhuǎn)運車過載信號，S為未加噪的過載信號，k為加噪的強度參數(shù)，n=1,2,···,N用于控制加噪的不同強度，σ為樣本的標(biāo)準(zhǔn)方差。不平衡處理前后數(shù)據(jù)個數(shù)見表3。

圖8 數(shù)據(jù)預(yù)處理流程圖

表3 不平衡處理前后數(shù)據(jù)個數(shù)

針對圖7(a)的一條過載振動信號，添加3種高斯白噪聲后的振動信號時域圖如圖9所示。

3.2.2 振動信號特征提取

本文所指的特征提取是對振動信號進行時域和頻域內(nèi)的特征提取，將提取后的特征輸入到 BP神經(jīng)網(wǎng)絡(luò)和SVM，將2種網(wǎng)絡(luò)的轉(zhuǎn)運車狀態(tài)監(jiān)測與本文所提出的基于 DBN的轉(zhuǎn)運車狀態(tài)識別方法進行性能對比。

特征提取能夠在表征轉(zhuǎn)運車狀態(tài)信息的同時顯著減少原始數(shù)據(jù)的維度、降低網(wǎng)絡(luò)訓(xùn)練所耗費的時間[9]。本文對采集的動態(tài)信號進行特征提取，分別提取動態(tài)信號的時域、頻域以共16個特征。

選取時域內(nèi)峰值、峭度等12個時域特征、頻域范圍內(nèi)平均頻率、重心頻率等4個頻域特征，提取的部分訓(xùn)練數(shù)據(jù)具體的16個時域、頻域特征如表4所示。

3.2.3 歸一化

為消除某些相對其他輸入樣本特別大或特別小的樣本矢量在訓(xùn)練過程中產(chǎn)生的不良影響，對提取到的信號特征進行歸一化處理：

其中，X'為歸一化后的數(shù)據(jù)，Xmax為某一特征數(shù)據(jù)的最大值，Xmin為同一特征數(shù)據(jù)的最小值。

圖9 加入3種高斯白噪聲后的過載振動信號

表4 提取部分訓(xùn)練數(shù)據(jù)信號特征數(shù)值

3.3 轉(zhuǎn)運車狀態(tài)監(jiān)測實例

在構(gòu)建深度置信網(wǎng)絡(luò)結(jié)構(gòu)過程中，需要分別確定網(wǎng)絡(luò)深度、神經(jīng)元節(jié)點數(shù)等網(wǎng)絡(luò)參數(shù)，但目前深度置信網(wǎng)絡(luò)的結(jié)構(gòu)構(gòu)建尚無成熟的經(jīng)驗和理論[10]。理論上隨著網(wǎng)絡(luò)層數(shù)、節(jié)點數(shù)增加，神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中挖掘隱含信息的能力也會增強，但容易出現(xiàn)過擬合，并顯著增加計算成本。

本文通過試驗嘗試不同網(wǎng)絡(luò)結(jié)構(gòu)的深度置信網(wǎng)絡(luò)，設(shè)置振動信號時域圖片大小為385*1000，輸入節(jié)點數(shù)為38500個數(shù)據(jù)點，最終確定隱含層層數(shù)為2，隱含層節(jié)點數(shù)分別為100、30，輸出層節(jié)點數(shù)為3。將輸入樣本按照8∶2的比例劃分成訓(xùn)練集和測試集，轉(zhuǎn)運車的3種狀態(tài)共46個樣本用于訓(xùn)練網(wǎng)絡(luò)，11個樣本用于測試網(wǎng)絡(luò)。過載、車體傾斜和正常測試樣本數(shù)分別為2、5和4。深度置信網(wǎng)絡(luò)與訓(xùn)練過程迭代次數(shù)設(shè)置為100，學(xué)習(xí)率為0.01，動量為0，批次大小為 1。反向微調(diào)過程中，迭代次數(shù)設(shè)置為100，學(xué)習(xí)率為0.01，動量設(shè)置為0。損失函數(shù)為：

深度置信網(wǎng)絡(luò)的損失函數(shù)變化曲線如圖10所示。

圖10 深度置信網(wǎng)絡(luò)損失函數(shù)圖

由圖10可以看出，當(dāng)?shù)螖?shù)達(dá)到40代時，損失函數(shù)基本趨于穩(wěn)定、保持不變，可作為迭代種植的參考。

運用MATLAB軟件對深度置信網(wǎng)絡(luò)進行設(shè)計、訓(xùn)練。對網(wǎng)絡(luò)進行5次訓(xùn)練并計算轉(zhuǎn)運車狀態(tài)監(jiān)測準(zhǔn)確度的平均值，選取BP算法、SVM算法與深度置信網(wǎng)絡(luò)轉(zhuǎn)運車狀態(tài)監(jiān)測模型進行對比，BP算法的迭代次數(shù)選擇與深度置信網(wǎng)絡(luò)相同的100次，46個訓(xùn)練樣本與11個測試樣本，學(xué)習(xí)率為0.01，動量為0，批次大小為1。SVM算法選擇RBF核函數(shù)，利用交叉驗證方式確定主要的參數(shù)c(懲罰因子)與g(不敏感系數(shù))，最大迭代次數(shù)設(shè)置為 100。訓(xùn)練及預(yù)測結(jié)果如表5所示。

由表5可見，由于DBN算法的數(shù)據(jù)集是圖像，比使用數(shù)值數(shù)據(jù)集的BP算法與SVM算法在訓(xùn)練時消耗的訓(xùn)練時間要多12～16 s，但在測試時，三者的測試時間在幾乎相同；在算法精確度方面，DBN算法在測試集上的準(zhǔn)確率達(dá)到了 90.90%，時間為0.13 s；不僅在整體準(zhǔn)確度上高于其它算法，而且在轉(zhuǎn)運車處于過載和車體傾斜2種狀態(tài)下的平均準(zhǔn)確度DBN算法表現(xiàn)也很優(yōu)秀，可達(dá)到100%。

表5 3種狀態(tài)檢測方法性能對比

4 結(jié)語

轉(zhuǎn)運車的穩(wěn)定安全有利于提高甘蔗轉(zhuǎn)運的工作效率，提高甘蔗生產(chǎn)全程機械化，對于丘陵地區(qū)特殊的種植環(huán)境，對導(dǎo)致轉(zhuǎn)運車不穩(wěn)定的過載和車體傾斜危險狀態(tài)，能夠準(zhǔn)確及時地檢測出并進行調(diào)整顯得尤為重要，深度置信網(wǎng)絡(luò)作為一種半監(jiān)督深度神經(jīng)網(wǎng)絡(luò)，通過與訓(xùn)練-微調(diào)的訓(xùn)練模式，可以有效減少帶標(biāo)簽樣本量的需求并且避免陷入局部極小點。利用轉(zhuǎn)運過程中振動信號，通過數(shù)據(jù)預(yù)處理后訓(xùn)練深度置信網(wǎng)絡(luò)作為轉(zhuǎn)運車工作狀態(tài)監(jiān)測模型，可以有效地對轉(zhuǎn)運車工作狀態(tài)進行現(xiàn)場實時準(zhǔn)確判別，平均準(zhǔn)確率達(dá)到90.90%，對過載、傾斜2種危險狀態(tài)的識別可達(dá)100%，較其它常規(guī)分類算法準(zhǔn)確度有較好提升，在轉(zhuǎn)運車不穩(wěn)定性狀態(tài)檢測方面具有一定的優(yōu)勢，可為甘蔗轉(zhuǎn)運車工作狀態(tài)的實時監(jiān)控提供理論于技術(shù)基礎(chǔ)。