姜洪遠(yuǎn)， 楊光友,2， 劉 浪, 劉威宏

(1.湖北工業(yè)大學(xué) 農(nóng)機(jī)工程研究設(shè)計(jì)院， 湖北 武漢 430068； 2.湖北省農(nóng)機(jī)裝備智能化工程技術(shù)研究中心, 湖北 武漢 430068)

引言

目前，國內(nèi)外的各種類型聯(lián)合收割機(jī)已廣泛應(yīng)用液壓控制技術(shù)。液壓系統(tǒng)的應(yīng)用使收割機(jī)機(jī)械結(jié)構(gòu)整體布置更緊湊、質(zhì)量更輕，操作更方便，更易于實(shí)現(xiàn)自動(dòng)控制[1]。由于聯(lián)合收割機(jī)作業(yè)環(huán)境惡劣且粉塵較多，為保障聯(lián)合收割機(jī)的正常運(yùn)行，對聯(lián)合收割機(jī)液壓系統(tǒng)的監(jiān)測顯得尤為重要[2-3]。國內(nèi)外學(xué)者進(jìn)行了廣泛的研究；何麗平[4]將模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立模糊神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，構(gòu)造了基于模糊神經(jīng)網(wǎng)絡(luò)的聯(lián)合收割機(jī)液壓故障診斷系統(tǒng)；陳章位[5]研究了信號時(shí)域-頻域分析處理的小波分析，提出了機(jī)械系統(tǒng)狀態(tài)特征提取的新途徑，并將其應(yīng)用于電液伺服系統(tǒng)狀態(tài)監(jiān)測中，實(shí)現(xiàn)了系統(tǒng)狀態(tài)特征的定量描述；周汝勝等[6]團(tuán)隊(duì)提出了基于模糊化規(guī)則的FARX模型，并將此模型應(yīng)用于挖掘機(jī)液壓系統(tǒng)之中；張若青等[7]采用多步預(yù)測神經(jīng)網(wǎng)絡(luò)對多級液壓伺服系統(tǒng)進(jìn)行故障診斷，并通過仿真和實(shí)驗(yàn)驗(yàn)證了多步預(yù)測神經(jīng)網(wǎng)絡(luò)對多級液壓伺服系統(tǒng)進(jìn)行故障診斷的有效性；SEPASI M,SASSANI F[8]設(shè)計(jì)了應(yīng)用無跡卡爾曼濾波器對液壓系統(tǒng)進(jìn)行在線故障診斷系統(tǒng)；MOZAFFARI A等[9]提出了一種用于具有分組方法、數(shù)據(jù)處理和基于語法仿生監(jiān)督的可進(jìn)化自組織神經(jīng)模糊多層分類器的液壓系統(tǒng)故障診斷方法。

基于液壓系統(tǒng)非線性特點(diǎn)，本研究提出了一種將SAE和DBN融合的聯(lián)合收割機(jī)液壓系統(tǒng)運(yùn)行狀態(tài)監(jiān)測系統(tǒng)，該系統(tǒng)先使用SAE直接對由傳感器輸入的原始信號進(jìn)行特征提取，然后通過DBN進(jìn)行二次特征提取，建立聯(lián)合收割機(jī)液壓系統(tǒng)狀態(tài)參數(shù)和狀態(tài)類型之間的非線性映射，擺脫了對人工經(jīng)驗(yàn)診斷的依賴，提高了對聯(lián)合收割液壓系統(tǒng)工作狀態(tài)監(jiān)測的準(zhǔn)確率和實(shí)時(shí)性，為液壓系統(tǒng)故障診斷打下基礎(chǔ)。

1 SAE-DBN模型的建立

1.1 堆疊自動(dòng)編碼器

由Rumelhart等提出的自動(dòng)編碼器與其他前饋神經(jīng)網(wǎng)絡(luò)類似，都是由輸入層、隱藏層和輸出層組成，如圖1所示。自動(dòng)編碼器的輸出層和輸入層具有相同的神經(jīng)元個(gè)數(shù)，且隱藏層的神經(jīng)元個(gè)數(shù)小于輸入層和輸出層。通過最小化輸入層和輸出層之間的重構(gòu)誤差，使得自動(dòng)編碼器學(xué)習(xí)到原始數(shù)據(jù)的特征表示。

圖1 自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Autoencoder network structure

編碼器是將原始數(shù)據(jù)映射到數(shù)據(jù)的隱含表示，如式(1)所示；解碼器盡可能的將隱含表示重構(gòu)為原始輸入數(shù)據(jù)，如式(2)所示。將編碼器的輸出h作為原始數(shù)據(jù)的特征表示，而解碼器的輸出主要用于訓(xùn)練過程中的重構(gòu)誤差的計(jì)算，通過重構(gòu)誤差反向傳播以調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置值。

編碼器f通過式(1)將輸入層的數(shù)據(jù)X=[x1,x2,…,xn]映射到隱藏層，得到原始數(shù)據(jù)的特征表示h：

(1)

其中,sf為編碼器非線性激活sigmoid函數(shù)，Wij為輸入層第i個(gè)神經(jīng)元與隱藏層第j個(gè)神經(jīng)元之間的連接權(quán)值，bj為編碼器偏置值，hj為隱藏層第j個(gè)神經(jīng)元的輸出值，n為輸入層的神經(jīng)元個(gè)數(shù)。解碼器g通過式(2)將原始數(shù)據(jù)的特征表示h映射到輸出層，得到原始數(shù)據(jù)的重構(gòu)數(shù)據(jù)Y：

(2)

輸入層的值X和輸出層的值Y之間的誤差為重構(gòu)誤差，其計(jì)算公式如式(3)所示：

(3)

BENGIO Y等[10]在Rumelhart等提出的自動(dòng)編碼器(AE)的基礎(chǔ)上提出的堆疊自動(dòng)編碼器(SAE)，能夠逐層的學(xué)習(xí)原始數(shù)據(jù)更加抽象和更加復(fù)雜的特征表示。SAE是在貪婪逐層非監(jiān)督預(yù)訓(xùn)練之后經(jīng)過有監(jiān)督的微調(diào)得到的，其由多個(gè)自動(dòng)編碼器堆疊而成，如圖2所示。堆疊自動(dòng)編碼器的每個(gè)自動(dòng)編碼器以上一層自動(dòng)編碼器的隱藏層輸出h作為輸入層的輸入，從而使得SAE能夠獲得原始輸入數(shù)據(jù)更深層次的特征表示。經(jīng)過無監(jiān)督預(yù)訓(xùn)練得到的自動(dòng)編碼器的編碼器f都將被保存，并在有監(jiān)督的微調(diào)過程中作為編碼器的初始權(quán)重和偏置值[11-12]。

圖2 堆疊自編碼器預(yù)訓(xùn)練原理圖Fig.2 Stack Autoencoder pretraining schematic

使用自動(dòng)編碼器的方法訓(xùn)練AE1層，使用AE1層的隱藏層的值H訓(xùn)練AE2層，得到H的特征表示G。同理訓(xùn)練AE3層，直到所有AE層訓(xùn)練完成。將所有訓(xùn)練好的自動(dòng)編碼器的編碼器依次連接，得到預(yù)訓(xùn)練好的SAE模型[13]。預(yù)訓(xùn)練好的SAE頂層加入Softmax分類器，用于對SAE的有監(jiān)督微調(diào)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 堆疊自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Stack autoencoder network structure

將預(yù)訓(xùn)練過程中所得到的所有編碼器的權(quán)值和偏置值作為有監(jiān)督微調(diào)的初始值。Softmax函數(shù)用于分類，其輸出神經(jīng)元個(gè)數(shù)和分類數(shù)相同。Softmax分類層的各個(gè)神經(jīng)元的輸出由式(4)和式(5)計(jì)算得出：

li=WiZ+bi

(4)

(5)

式中，σi(l)為第i個(gè)Softmax神經(jīng)元的輸出，表示該樣本屬于第i個(gè)類別的概率；r為類別數(shù)；Z為SAE求得的樣本深層特征表示；zb為Z的第b個(gè)元素；Wi為SAE的最后一個(gè)隱藏層所有神經(jīng)元到第i個(gè)Softmax神經(jīng)元的權(quán)值矢量；bi為偏置值。Softmax分類函數(shù)的損失函數(shù)使用式(6)所示的交叉熵函數(shù)進(jìn)行度量：

(6)

式中,yi為該樣本經(jīng)過one-hot編碼后的標(biāo)簽；L為Softmax分類函數(shù)的損失函數(shù)。

1.2 深度信念神經(jīng)網(wǎng)絡(luò)

深度信念神經(jīng)網(wǎng)絡(luò)(Deep Belief Network，DBN)由Geoffrey Hinton[14]教授在2006年提出，是一種由多層非線性變量連接組成的概率生成模型[15]。DBN通過建立觀察數(shù)據(jù)和標(biāo)簽之間的聯(lián)合概率分布，對P(Observation|Label)和P(Label|Observation)均作了評估，其學(xué)習(xí)能力非常強(qiáng)大,可以在原始樣本數(shù)據(jù)中提取有效的低維特征,以便于進(jìn)行準(zhǔn)確分類。DBN的網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示，由圖7可知DBN是由多個(gè)受限玻爾茲曼機(jī)(Restricted Boltzmann Machine, RBM)疊加構(gòu)成的。通過貪婪逐層算法[7]訓(xùn)練DBN網(wǎng)絡(luò)，從最底層的RBM開始訓(xùn)練,從下往上邊訓(xùn)練邊保存模型參數(shù),直到DBN網(wǎng)絡(luò)完成訓(xùn)練。與其他神經(jīng)網(wǎng)絡(luò)相比較，大大提高了訓(xùn)練效率[16-18]。不僅解決了局部最優(yōu)問題，而且此方法是無監(jiān)督的。本研究使用BP神經(jīng)網(wǎng)絡(luò)對DBN進(jìn)行微調(diào)優(yōu)化[19]，以提高網(wǎng)絡(luò)的分類能力，DBN的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

(7)

圖4 DBN的網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 DBN network structure

DBN網(wǎng)絡(luò)的訓(xùn)練包括無監(jiān)督的學(xué)習(xí)和反向調(diào)優(yōu)兩個(gè)過程[20]。

1) 無監(jiān)督的學(xué)習(xí)

利用CD-K算法(Contrastive Divergence，對比散度算法)進(jìn)行權(quán)值初始化。

(1) 隨機(jī)初始化權(quán)值{W，a，b}，其中W為權(quán)重向量，a是可見層的偏置向量，b為隱藏層的偏置向量，隨機(jī)初始化為較小的數(shù)值。

(2) 將X賦給顯層v(0)，計(jì)算使隱層神經(jīng)元被開啟的概率：

(8)

其中，式中的上標(biāo)用于區(qū)別不同的向量，下標(biāo)用于區(qū)別同一向量中的不同維。

(3) 根據(jù)計(jì)算的概率分布進(jìn)行一步Gibbs抽樣，對隱藏層中的每個(gè)單元從{0,1}中抽取得到相應(yīng)的值，即h(0)～p(h(0)|v(0))。詳細(xì)過程如下：

首先，產(chǎn)生一個(gè)[0,1]上的隨機(jī)數(shù)rj，然后由式(9)確定hj的值如下：

(9)

(4) 用h(0)重構(gòu)顯層，需先計(jì)算概率密度，再進(jìn)行Gibbs抽樣：

對于貝葉斯可見層神經(jīng)元[21]

(10)

對于高斯可見層神經(jīng)元

(11)

其中，N表示為正態(tài)分布函數(shù)。

(5) 根據(jù)計(jì)算到的概率分布，再一次進(jìn)行一步Gibbs采樣，對顯層中的神經(jīng)元從{0,1}中抽取相應(yīng)的值來進(jìn)行采樣重構(gòu)，詳細(xì)過程如下：

首先，產(chǎn)生[0,1]上的隨機(jī)數(shù)，然后確定vj的值：

(12)

(6) 再次用顯元(重構(gòu)后的)，計(jì)算出隱層神經(jīng)元被開啟的概率：

對于高斯或者伯努利可見層神經(jīng)元

(13)

(7) 按照式(14)～式(16)更新得到新的權(quán)重和偏置。

W←W+λ[p(h(0)=1|v(0))v(0)T-

p(h(1)=1|v(1))v(1)T]

(14)

b←b+λ[p(h(0)=1|v(0))-p(h(1)=1|v(1))

(15)

a←a+λ[v(0)-v(1)]

(16)

其中，λ為學(xué)習(xí)率。

2) 反向調(diào)優(yōu)

進(jìn)行有監(jiān)督的調(diào)優(yōu)訓(xùn)練時(shí)，需要先利用前向傳播算法，從輸入得到相應(yīng)的輸出值，然后再利用后向傳播算法來更新網(wǎng)絡(luò)的權(quán)重值和偏置值。

(1) 前向傳播

利用CD算法預(yù)訓(xùn)練好的W，b來確定相應(yīng)隱元的開啟和關(guān)閉。逐層向上傳播，一層層地將隱藏層中每個(gè)隱元的激勵(lì)值計(jì)算出來并用sigmoid函數(shù)完成標(biāo)準(zhǔn)化，如下所示：

(17)

最后由式(18)和式(19)計(jì)算出輸出層的激勵(lì)值和輸出：

h(l)=W(l)·h(l-1)+b(l)

(18)

(19)

(2) 反向傳播

采用最小均方誤差準(zhǔn)則的反向誤差傳播算法來更新整個(gè)網(wǎng)絡(luò)的參數(shù)，則代價(jià)函數(shù)如式(20)：

(20)

其中，E為DNN學(xué)習(xí)的平均平方誤差，Xi表示理想的輸出，i為樣本索引。(Wl,bl)表示有待學(xué)習(xí)的權(quán)重和偏置的參數(shù)。

采用梯度下降法，來更新網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)，如(21)所示：

(21)

其中，λ為學(xué)習(xí)效率。

1.3 SAE-DBN算法原理

SAE作為特征提取的一類模型，能夠提取出良好的數(shù)據(jù)特征。如果將SAE提取出的特征進(jìn)行二次特征提取，會(huì)產(chǎn)生更好的分類效果。因此本研究將SAE和DBN結(jié)合得到SAE-DBN模型。其模型結(jié)構(gòu)圖如圖5所示。底層為SAE層，提取輸入數(shù)據(jù)的深層次特征；DBN層對輸入數(shù)據(jù)的深層次特征進(jìn)行降維操作，得到的數(shù)據(jù)作為Softmax層的輸入，Softmax層對輸入樣本進(jìn)行分類處理，得到當(dāng)前樣本的種類。

圖5 SAE-DBN結(jié)構(gòu)Fig.5 SAE-DBN structure

2 模型應(yīng)用

為驗(yàn)證SAE-DBN在聯(lián)合收割機(jī)液壓系統(tǒng)運(yùn)行狀態(tài)監(jiān)測上的有效性，于2019年5月在山東濰坊進(jìn)行了聯(lián)合收割機(jī)收割作業(yè)實(shí)驗(yàn)。采集的數(shù)據(jù)為GM80型聯(lián)合收割機(jī)液壓系統(tǒng)的壓力以及相關(guān)部位的轉(zhuǎn)速，而所需作物以及實(shí)驗(yàn)環(huán)境等信息通過人員現(xiàn)場測試獲得。

該型號聯(lián)合收割機(jī)液壓系統(tǒng)原理示意圖如圖6所示，聯(lián)合收割機(jī)的主要?jiǎng)幼靼〒芎梯喩?、割臺(tái)升降、主離合控制、滾筒位置調(diào)節(jié)、喂入攪龍轉(zhuǎn)動(dòng)以及撥禾輪轉(zhuǎn)動(dòng)等，這些動(dòng)作由撥禾輪升降油缸、割臺(tái)油缸、主離合油缸、滾筒油缸、喂入攪龍液壓馬達(dá)和撥禾輪液壓馬達(dá)等執(zhí)行元件來完成。該液壓系統(tǒng)還包括換向閥、溢流閥液壓鎖、單向節(jié)流閥等控制元件以及液位計(jì)、冷卻器、過濾器等輔助元件。

1.過濾器 2.冷卻器 3.液壓泵 4.電機(jī) 5.單向閥6.三位八通換向閥 7.二位二通換向閥 8.順序閥9.三位四通換向閥 10.液壓鎖 11.單向節(jié)流閥12.卸荷閥 13.溢流閥 14.二位八通換向閥15.溫度計(jì) 16.液位計(jì) 17.加熱器 18.油箱圖6 聯(lián)合收割機(jī)液壓系統(tǒng)原理示意圖Fig.6 Hydraulic system schematic diagram of combine harvester

聯(lián)合收割機(jī)作業(yè)時(shí)，首先接通割臺(tái)油缸(a2通電)，調(diào)節(jié)割臺(tái)高度， 使得割臺(tái)處于合適的位置； 同時(shí)接通喂入攪龍液壓馬達(dá)和撥禾輪液壓馬達(dá)(i2和g2受力)，驅(qū)使喂入攪龍和撥禾輪旋轉(zhuǎn)；然后接通撥禾輪升降油缸(b2通電)，油缸有桿腔進(jìn)油時(shí)，油缸回縮，撥禾輪下降接觸小麥。此時(shí)可驅(qū)動(dòng)聯(lián)合收割機(jī)進(jìn)行小麥?zhǔn)斋@作業(yè)。在作業(yè)時(shí)，可接通滾筒油缸調(diào)節(jié)滾筒位置(e2通電)，以獲得更優(yōu)異的脫粒性能。作業(yè)結(jié)束，依次斷開喂入攪龍液壓馬達(dá)(i2失力)、撥禾液壓馬達(dá)(g2失力)，接通滾筒油缸調(diào)節(jié)滾筒位置(e1通電)，回復(fù)脫離滾筒初始位置，接通割臺(tái)油缸(a1通電)，調(diào)節(jié)割臺(tái)高度，接通撥禾輪升降油缸(b1通電)，調(diào)節(jié)撥禾輪位置，完成聯(lián)合收割機(jī)的停車作業(yè)。

實(shí)驗(yàn)依據(jù)國家標(biāo)準(zhǔn)GB/T 8097—2008《收獲機(jī)械聯(lián)合收割機(jī)試驗(yàn)方法》的要求，選取適當(dāng)大小的試驗(yàn)田。由于數(shù)據(jù)采集系統(tǒng)存在干擾，采集到的原始數(shù)據(jù)中存在異常值和缺失值等，因此對原始數(shù)據(jù)進(jìn)行預(yù)處理。若1個(gè)樣本中所有屬性都為0，則刪除該樣本；對于異常值，通過前后樣本的均值取代該異常值；對于缺失值，通過樣條插值法進(jìn)行填補(bǔ)，表1為經(jīng)過預(yù)處理之后的實(shí)驗(yàn)數(shù)據(jù)。駕駛員操作使聯(lián)合收割機(jī)處于不同工作狀態(tài),采集該狀態(tài)下的液壓參數(shù)，如圖7所示為聯(lián)合收割機(jī)進(jìn)行實(shí)驗(yàn)的實(shí)驗(yàn)現(xiàn)場圖和傳感器安裝圖。

圖7 實(shí)驗(yàn)現(xiàn)場及所用傳感器Fig.7 Field diagram and sensors

表1 主要實(shí)驗(yàn)數(shù)據(jù)Tab.1 Main experimental datas

實(shí)驗(yàn)數(shù)據(jù)經(jīng)過預(yù)處理之后得到65677個(gè)樣本數(shù)據(jù)，包括了聯(lián)合收割機(jī)待機(jī)狀態(tài)、割臺(tái)低位收割短時(shí)穩(wěn)定運(yùn)行、割臺(tái)低位收割長時(shí)穩(wěn)定運(yùn)行、聯(lián)合收割機(jī)原地?fù)芎梯嗈D(zhuǎn)動(dòng)、收割時(shí)僅喂入攪龍轉(zhuǎn)動(dòng)、割臺(tái)高位收割短時(shí)穩(wěn)定運(yùn)行、割臺(tái)高位收割長時(shí)穩(wěn)定運(yùn)行、原地?fù)芎梯喓臀谷霐圐堔D(zhuǎn)動(dòng)、喂入攪龍為高轉(zhuǎn)速等九種作業(yè)狀態(tài)時(shí)相應(yīng)部件的液壓數(shù)據(jù)。其中聯(lián)合收割機(jī)處于割臺(tái)低位收割短時(shí)穩(wěn)定運(yùn)行和割臺(tái)高位收割短時(shí)穩(wěn)定運(yùn)行時(shí)，液壓系統(tǒng)參數(shù)變化曲線如圖8所示，作業(yè)時(shí)對應(yīng)的液壓系統(tǒng)狀態(tài)One-hot編碼[22]標(biāo)簽如表2所示。

圖8 液壓系統(tǒng)部分參數(shù)Fig.8 Partial parameters of hydraulic system

表2 液壓系統(tǒng)工作狀態(tài)對應(yīng)標(biāo)簽Tab.2 Corresponding label of hydraulic system working state

2.1 實(shí)驗(yàn)有效性驗(yàn)證

1) 實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建和實(shí)驗(yàn)環(huán)境

在每個(gè)類取1000個(gè)樣本數(shù)據(jù)組成測試集(9000個(gè)樣本)，其余樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集(56677個(gè)樣本)。實(shí)驗(yàn)軟件環(huán)境為Windows10 64位操作系統(tǒng)，采用Tensorflow深度學(xué)習(xí)框架，選用Python3.5作為編程語言，硬件環(huán)境：計(jì)算機(jī)內(nèi)存8GB，搭載Intel(R)Core(TM) i5-7500 CPU@3.40GHz處理器。

2) SAE-DBN模型訓(xùn)練

對數(shù)據(jù)進(jìn)行歸一化能夠提升模型的收斂速度、運(yùn)行速度以及模型的精度[23]，因此在模型訓(xùn)練之前首先用Min-Max標(biāo)準(zhǔn)化方法對數(shù)據(jù)集進(jìn)行歸一化處理， 使得結(jié)果落在[0,1]區(qū)間內(nèi)，轉(zhuǎn)換函數(shù)如下：

(22)

其中,x為樣本數(shù)據(jù)，xmax為數(shù)據(jù)集中的最大值，xmin為數(shù)據(jù)集中的最小值，x*為歸一化后的數(shù)據(jù)。

本研究使用的SAE-DBN模型中，SAE層擁有3個(gè)自動(dòng)編碼層在模型的無監(jiān)督深層次特征學(xué)習(xí)訓(xùn)練階段，對于每個(gè)自編碼網(wǎng)絡(luò)均使用sigmoid作為激活函數(shù)[24]。DBN層擁有3個(gè)RBM網(wǎng)絡(luò)，通過貪婪逐層算法進(jìn)行訓(xùn)練。最后通過Softmax分類層[25]對整個(gè)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的微調(diào)。

3) SAE-DBN實(shí)現(xiàn)過程

(1) 對樣本數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理后，按要求將數(shù)據(jù)集分為訓(xùn)練集和測試集；

(2) 建立基于SAE-DBN的聯(lián)合收割機(jī)液壓系統(tǒng)運(yùn)行狀態(tài)監(jiān)測模型；

(3) 隨機(jī)初始化SAE中的所有參數(shù)，同時(shí)使用訓(xùn)練集中的無標(biāo)簽樣本對SAE進(jìn)行逐層預(yù)訓(xùn)練；

(4) 采用訓(xùn)練集中的標(biāo)簽樣本通過Softmax函數(shù)對SAE進(jìn)行有監(jiān)督的網(wǎng)絡(luò)調(diào)優(yōu)；

(5) 隨機(jī)初始化DBN網(wǎng)絡(luò)的參數(shù)值{W，a，b}，同時(shí)使用SAE提取的無標(biāo)簽特征數(shù)據(jù)通過CD算法對RBM進(jìn)行逐層預(yù)訓(xùn)練[26]；

(6) 采用SAE提取的標(biāo)簽特征數(shù)據(jù)通過Softmax函數(shù)對SAE進(jìn)行有監(jiān)督的網(wǎng)絡(luò)調(diào)優(yōu)；

(7) 將SAE和DBN疊加，使用訓(xùn)練數(shù)據(jù)集中的標(biāo)簽樣本對SAE-DBN進(jìn)行整個(gè)模型的參數(shù)調(diào)優(yōu)[27]，直至誤差小于規(guī)定值。

4) 模型訓(xùn)練結(jié)果

在模型訓(xùn)練過程中，發(fā)現(xiàn)聯(lián)合收割機(jī)液壓系統(tǒng)運(yùn)行狀態(tài)監(jiān)測的準(zhǔn)確率與AE層數(shù)和RBM層數(shù)均有一定的關(guān)系。有訓(xùn)練數(shù)據(jù)集經(jīng)過大量的實(shí)驗(yàn)，繪制出三者之間的關(guān)系，如圖9所示。

圖9 SAE-DBN模型準(zhǔn)確率與RBM層和AE層數(shù)之間的關(guān)系Fig.9 Relationship among accuracy of SAE-DBN model and numbers of RBM layer and AE layer

由圖9可知，隨著SAE中AE層數(shù)的增加，模型的準(zhǔn)確率呈現(xiàn)上升趨勢，且趨勢逐漸變緩；準(zhǔn)確率隨著RBM層數(shù)的增加出現(xiàn)上升趨勢。但是當(dāng)RBM層數(shù)大于5層時(shí)，SAE-DBN模型的準(zhǔn)確開始出現(xiàn)下降趨勢。因此確定本研究使用的SAE-DBN模型由3個(gè)AE層疊加形成的SAE和5層RBM構(gòu)成的DBN組成，SAE-DBN模型的每層神經(jīng)元個(gè)數(shù)如表3所示，SAE-DBN網(wǎng)絡(luò)模型訓(xùn)練過程中的訓(xùn)練準(zhǔn)確率如圖10所示，不同層的損失變化σ曲線如圖11所示。

表3 SAE-DBN深度網(wǎng)絡(luò)模型的參數(shù)設(shè)置Tab.3 Parameter setting of SAE-DBN depth network model

從圖10的準(zhǔn)確率ζ變化曲線可以看出模型的準(zhǔn)確率隨著訓(xùn)練次數(shù)n的增加而趨于穩(wěn)定，SAE-DBN的準(zhǔn)確率為92.47%。

圖10 SAE-DBN訓(xùn)練過程準(zhǔn)確率變化曲線Fig.10 Training accuracy curve of SAE-DBN

圖11 不同層的損失變化曲線Fig.11 Loss variation curves at different layers

此SAE-DBN模型在測試集上的結(jié)果如表4所示， 由表4可知當(dāng)操作聯(lián)合收割機(jī)割臺(tái)低位收割短時(shí)穩(wěn)定運(yùn)行、割臺(tái)低位收割長時(shí)穩(wěn)定運(yùn)行、割臺(tái)高位收割短時(shí)穩(wěn)定運(yùn)行、割臺(tái)高位收割長時(shí)穩(wěn)定運(yùn)行，模型的準(zhǔn)確率較低。本研究使用的SAE-DBN模型在聯(lián)合收割機(jī)待機(jī)狀態(tài)下、收割時(shí)僅喂入攪龍轉(zhuǎn)動(dòng)、聯(lián)合收割機(jī)原地?fù)芎梯嗈D(zhuǎn)動(dòng)、原地?fù)芎梯喓臀谷霐圐堔D(zhuǎn)速同時(shí)轉(zhuǎn)動(dòng)等狀態(tài)下有優(yōu)異的性能。對基于SAE、DBN和BPNN的聯(lián)合收割機(jī)液壓系統(tǒng)運(yùn)行狀態(tài)監(jiān)測方法，采用與SAE-DBN同樣的訓(xùn)練集進(jìn)行訓(xùn)練，4種模型在不同收割機(jī)狀態(tài)下的性能如圖12所示。

表4 SAE-DBN對聯(lián)合收割機(jī)工作狀態(tài)辨別結(jié)果Tab.4 Result of combine harvester's working state identification based on SAE-DBN

圖12 SAE-DBN和SAE、DBN以及BPNN之間的比較圖Fig.12 Comparison diagram between SAE-DBN and SAE, DBN and BPNN

由圖12可知SAE-DBN模型準(zhǔn)確率為91.88%，與SAE、DBN以及BPNN等相比，分別提高了3.82%，4.81%和8.09%；但是在割臺(tái)低位收割短時(shí)穩(wěn)定運(yùn)行、割臺(tái)低位收割長時(shí)穩(wěn)定運(yùn)行、割臺(tái)高位收割短時(shí)穩(wěn)定運(yùn)行以及割臺(tái)高位收割長時(shí)穩(wěn)定運(yùn)行狀態(tài)下性能與其他模型相比，準(zhǔn)確率提升不顯著；在聯(lián)合收割機(jī)原地?fù)芎梯嗈D(zhuǎn)動(dòng)、 原地?fù)芎梯喓臀谷霐圐堔D(zhuǎn)速同時(shí)轉(zhuǎn)動(dòng)、收割時(shí)僅喂入攪龍轉(zhuǎn)動(dòng)狀態(tài)下，SAE-DBN模型準(zhǔn)確率有顯著提高。

由實(shí)驗(yàn)結(jié)果可知SAE-DBN模型在聯(lián)合收割機(jī)液壓系統(tǒng)狀態(tài)分類有優(yōu)異的表現(xiàn)，為聯(lián)合收割機(jī)液壓系統(tǒng)故障診斷與預(yù)警提供了一種比較先進(jìn)的技術(shù)手段。

3 結(jié)論

提出了一種SAE-DBN的聯(lián)合收割機(jī)液壓系統(tǒng)運(yùn)行狀態(tài)監(jiān)測方法，并通過聯(lián)合收割機(jī)不同工況實(shí)驗(yàn)，驗(yàn)證了模型的有效性。主要結(jié)論如下：

(1) 基于SAE-DBN模型的液壓系統(tǒng)運(yùn)行狀態(tài)監(jiān)測方法，較大程度上提高了模型學(xué)習(xí)特征的能力，實(shí)驗(yàn)數(shù)據(jù)表明，與SAE、DBN和BPNN相比，SAE-DBN具有更高的分類準(zhǔn)確率；

(2) 構(gòu)建的基于SAE-DBN模型的液壓系統(tǒng)運(yùn)行狀態(tài)監(jiān)測系統(tǒng)，可以采用無標(biāo)簽數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，克服了BPNN等模型無法利用無標(biāo)簽樣本訓(xùn)練的缺點(diǎn)，提高了對無標(biāo)簽數(shù)據(jù)的利用率；

(3) SAE-DBN模型能夠有效學(xué)習(xí)到數(shù)據(jù)的深層特征表示，避免了人工設(shè)計(jì)數(shù)據(jù)特征的步驟，為液壓系統(tǒng)故障診斷提供了新的方法。

下一步研究可通過遺傳算法、粒子群算法等對該模型進(jìn)行優(yōu)化，避免人工確定網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步提升模型性能。