CN111310830B - 一种联合收割机堵塞故障诊断***及方法 - Google Patents
一种联合收割机堵塞故障诊断***及方法 Download PDFInfo
- Publication number
- CN111310830B CN111310830B CN202010096661.4A CN202010096661A CN111310830B CN 111310830 B CN111310830 B CN 111310830B CN 202010096661 A CN202010096661 A CN 202010096661A CN 111310830 B CN111310830 B CN 111310830B
- Authority
- CN
- China
- Prior art keywords
- data
- sdae
- model
- training
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 230000000903 blocking effect Effects 0.000 title claims abstract description 23
- 230000002452 interceptive effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 71
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003756 stirring Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000006378 damage Effects 0.000 claims 2
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 230000000007 visual effect Effects 0.000 abstract description 5
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 230000002427 irreversible effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种联合收割机堵塞故障诊断***及方法，***包括传感器模块、数据采集模块、交互式显示屏、声光报警装置以及嵌入式工控机，所述传感器模块用于在线监测收割机各项参数信息，传感器模块监测的数据通过数据采集模块采集，然后通过嵌入式工控机进行数据处理，首先通过采集的数据对SDAE‑BP模型进行训练，获取SDAE‑BP模型的权值参数和偏置参数，然后将该SDAE‑BP模型预制在嵌入式工控机内，之后采集数据通过嵌入式工控机内的SDAE‑BP模型即可判断联合收割机的运行状态。本发明可以完成对联合收割机在线监测，堵塞故障监测准确率高，有效防止设备长时间带病运行从而造成效率低下和不可逆的设备损失。
Description
技术领域
本发明属于农机领域，涉及一种农机故障监测技术，具体涉及一种联合收割机堵塞故障诊断***及方法，该***可用于联合收割机滚筒、喂入搅龙及输送链耙等关键部位的状态监测和故障诊断。其可应用到农业机械、矿山机械、车辆机械以及工业机械等领域中。
背景技术
联合收割机是农业生产的重要机械装备之一。由于联合收割机的结构复杂、作业环境恶劣，极易导致脱粒滚筒、喂入搅龙以及输送链耙等关键部位的堵塞故障。因此，实时监测联合收割机关键作业部位状态，能够有效防止联合收割机严重堵塞故障的发生，对保证收割作业效率具有重要意义。
我国现有的联合收割机堵塞故障诊断***，所使用的方案是在一些关键运转部件上设置传感器，将传感器采集到的信号经过收集处理，得到联合收割机堵塞结果。其中《一种基于FNN的切纵流联合收割机故障诊断方法及其故障》(201310493990.2)提出了通过采集割台搅龙、输送槽、切流滚筒以及输粮搅龙的转速信号通过基于FNN的故障诊断算法进行故障分析；《基于CAN总线的联合收割机故障诊断***》(201721245251.1)提出了将采集的发动机转速传感器、变速箱转速传感器、割台输入转速传感器、输送绞龙转速传感器以及升运器转速传感器等传感器的信号数据通过CAN总线传输给控制器进行故障诊断。由于联合收割机存在作业环境恶劣、信号监测干扰源复杂等问题，使得现有的故障诊断***对联合收割机的堵塞故障无法进行有效预警，故障预警准确率还需要进一步提高。为了解决上述问题，提出了一种具有抗噪能力的联合收割机堵塞故障诊断***。
发明内容
本发明的目的在于设计一种基于转动速度对联合收割机堵塞情况进行监测和诊断的***。通过科学合理的方法，有效的解决联合收割机在复杂干扰情况下作业时，使得现有的故障诊断***对堵塞故障诊断准确率较低的问题得到改善。本发明提出一种通过深度学习对联合收割机的堵塞情况进行监测和诊断的方法，该方法的优势在于通过建立深层次模型，大幅提升模型的监测诊断能力及泛化能力，同时摆脱了对人工诊断经验的依赖。能够实现高精度的联合收割机堵塞故障诊断。
为了实现上述目的，本发明提出了去噪自编码器和BP神经网络结合(StackedDenoising Autoencoder-BP,SDAE-BP)的联合收割机堵塞故障诊断模型。此模型通过堆叠去噪自编码器(SDAE)进行数据特征的提取，结合BP神经网络实现堵塞故障诊断，其算法流程如图2所示。
为了实现上述的要求，本发明专利采用了如下的技术方案：
一种联合收割机堵塞故障诊断方法，该方法利用A个速度传感器分别监控联合收割机的k个传动部位，利用数据采集模块对A个速度传感器进行数据采集，利用工控机进行数据处理，其特征在于，诊断方法如下：
步骤1、通过数据采集模块持续采集A个速度传感器的模拟信号，并将模拟信号转换为数字信号；
步骤2、人为设定故障类型，采集A个速度传感器的数据作为训练数据T，利用训练数据T建立基于堆叠去噪自编码器和BP神经网络结合的SDAE-BP模型，获取该SDAE-BP模型的权值参数W和偏置参数b；
步骤3、根据数据采集、数据处理和SDAE-BP模型的参数在工控机内预制或者编写数据处理软件；
步骤4、采用一定的采样间隔，利用数据采集模块向工控机内的SDAE-BP模型输送采集样本数据；
步骤5、对步骤4中采集的样本数据进行归一化，归一化后的数据值在0-1之间；
步骤6、利用训练好的SDAE-BP模型判断联合收割机的运行状态。
进一步地，所述步骤2中，训练数据T由n个带有标签的历史数据和K个不带标签的历史数据构成，带标签的数据记为T1＝{(M1,y1),(M2,y2),…,(Mj,yj),…,(Mn,yn)}，其中n为带标签的样本总数，其中Mj为第j个样本，yj为第j个样本的标签，即联合收割机堵塞故障种类；不带标签的数据记为T2＝{M1,M2,…,Mj,…,MK}，K为不带标签的样本总数；Mj＝(m1,m2,…mi…,mA)，mi为第j个样本中第i个速度传感器采集的数据，SDAE-BP模型建立方法如下：
步骤2.1、数据处理，对于样本数据Mj＝(m1,m2,…mi…,mA)的每个采集数据都进行0-1标准化，得到归一化后的样本数据Xj＝(x1,x2,…,xA)，归一化后的数据集为
T1X＝{(X1,y1),(X2,y2),…,(Xj,yj),…,(Xn,yn)}，其中Xj为归一化后的第j个样本，其中yj为第j个样本的标签，1≤j≤n；
T2X＝{X1,X2,…,Xj,…,XK}其中Xj为归一化后的第j个样本，1≤j≤K；
步骤2.2、利用不带标签的数据集T2X利用SDAE模型在不同的高斯噪声下依次进行训练，得到预训练的SDAE模型；
步骤2.3、之后通过带标签的数据集T1X导入到预训练的SDAE模型，提取数据集{(h1,y1),(h2,y2),…,(hj,yj),…,(hn,yn)}，hj为第j个数据经过SDAE模型提取到的特征值，yj为提取的标签
步骤2.4、最后通过BP模型微调预训练好的SDAE模型。
进一步地，所述步骤2.1中，SDAE-BP模型训练包括无监督预训练和有监督微调两个过程；
SDAE的无监督预训练过程如下：
利用不带标签的样本T2X进行无监督预训练；
a、初始训练过程
1)给定初始高斯噪声中心为γ0和高斯噪声方差σ＝1，使用高斯噪声对原始输入数据x进行一定程度的破坏，得到被破坏后的数据为/>其中/>
2)首先根据公式(1-1)对含有噪声的数据进行编码得到深层次的特征编码
其中，sf是非线性激活函数，W为权重矩阵，b为偏置向量；
然后利用公式(1-2)从深层特征编码h1中进行解码得到原始输入数据的重构输出
最后通过优化目标函数公式(1-3)就可完成去噪自编码器的训练；
式中K为无标签的训练样本总数，直到DAE0模型的所有参数已经收敛；此时，获得DAE0模型初始的最优权值W1和最优偏置值b1，与此同时也得到了原始输入数据的初始深层特征表示h1；同理利用初始深层特征表示h1训练DAE1，得到DAE1模型初始的最优权值W2、最优偏置值b2以及特征表示h2；使用特征表示h2训练DAE2，得到DAE2模型初始的最优权值W3、最优偏置值b3以及特征表示h3.
b)多噪声的训练过程，设第i个的高斯噪声中心为γi
1)在噪声中心γi下对原始输入数据x进行破坏，得到被破坏后的数据为
2)继续对上一个训练得到的模型SDAEi-1进行训练，在经过K次迭代之后，得到新的模型SDAEi；则权值更新方式为W1 (i)←W1 (i-1)+ΔW1 (i)，W2 (i)←W2 (i-1)+ΔW2 (i)，W3 (i)←W3 (i-1)+ΔW3 (i)；
偏置值更新为b1 (i)←b1 (i-1)+Δb1 (i)，b2 (i)←b2 (i-1)+Δb2 (i)，b3 (i)←b3 (i-1)+Δb3 (i)，深层次特征表示更新为h1 (i)←h1 (i-1)+Δh1 (i)，h2 (i)←h2 (i-1)+Δh2 (i)，h3 (i)←h3 (i-1)+Δh3 (i)；
3)计算新的高斯噪声中心：
γi＝γi-1-Δγ 公式(1-4)
式中Δγ是高斯噪声中心更新的步长，按照步骤b)继续对模型进行新一轮的训练，直至第S个高斯噪声时，S为高斯噪声的总个数，结束训练；
SDAE的有监督微调训练过程
利用带标签的样本T1X进行有监督微调训练；SDAE的有监督微调训练过程是在经过逐层无监督训练之后，在SDAE的顶层添加一个BP分类层，利用输入数据的标签信息，对整个深度网络的所有参数进行微调，训练数据集T1X经过预训练的SDAE模型后得到数据集{(h1,y1),(h2,y2),…,(hj,yj),…,(hn,yn)}；
假定使用样本{(x,y)}对BP网络进行训练，则隐含层的第j个神经元的输入为：
第j个神经元的输出是:
Oj＝f(netj) 公式(1-6)
公式(1-6)中的f(netj)为激活函数：
其中，θj表示偏置值；
输出层第k个神经元的总输入是：
输出层第k个神经元的输出是：
误差信号的计算为：
若BP神经网络的输出和期望的输出值y不一致，则将误差信号从输出端进行反向传播，并在反向传播过程中使用梯度下降法公式(1-11)、公式(1-12)对加权系数和偏置值不断的进行修正；
式中η为学习率，令η＝0.01直至所有样本都进行训练为止，此时得到SDAE-BP模型所有的权值参数W和偏置参数b，保存SDAE-BP模型。
进一步地，所述训练数据T的样本总量n范围为1500-3000。
进一步地，所述速度传感器一共有八个，分别为割刀频率传感器、喂入搅龙转速传感器、输送链耙转速传感器、脱粒滚筒转速传感器、风机风扇转速传感器、逐稿器频率传感器、杂余搅龙转速传感器和输粮搅龙转速传感器，其中割刀频率和逐稿器频率等效转换为转速。
进一步地，所述步骤2.1中，数据归一化的方法为：
其中Nmax为最大的发动机转速，其取值范围为2000-3000r/min。
进一步地，所述样本的标签yj值表示该样本联合收割机的故障类型，具体如下表格：
一种联合收割机堵塞故障诊断***，其特征在于：包括传感器模块、数据采集模块、交互式显示屏、声光报警装置以及嵌入式工控机，所述传感器模块包括割刀频率传感器、喂入搅龙转速传感器、输送链耙转速传感器、脱粒滚筒转速传感器、风机风扇转速传感器、逐稿器频率传感器、杂余搅龙转速传感器、输粮搅龙转速传感器，传感器模块监测的数据通过数据采集模块采集，然后通过嵌入式工控机进行数据处理，先采集的数据首先通过SDAE-BP模型进行训练，获取SDAE-BP模型的权值参数W和偏置参数b，然后将该SDAE-BP模型预制在嵌入式工控机内，之后采集数据通过嵌入式工控机内的SDAE-BP模型即可判断联合收割机的故障类型。
本发明有益效果是：
本发明联合收割机堵塞故障诊断***是一种诊断精度高、抗干扰能力强的故障诊断***。本发明利用多个速度传感器通过去噪自编码器和BP神经网络结合的诊断模型可以在线诊断联合收割机的状态，起到很好的预警作用，可以有效防止设备长时间带病运行，从而造成效率低下和不可逆的设备损失，造成重大损失。
附图说明
图1联合收割机堵塞故障诊断***。
图2联合收割机堵塞故障诊断***算法流程。
图3速度传感器安装位置。
图4SDAE-BP模型的训练过程示意图。
图5BP神经网络的拓扑结构。
图6联合收割机故障诊断***结构图。
附图标记：1-割刀回转轴，2-喂入搅龙带轮，3-风机风扇带轮，4-输送搅龙带轮，5-脱粒滚筒带轮，6-输粮搅龙带轮，7-杂余绞龙带轮，8-张紧带轮，9-振动筛带轮，10-脱粒滚筒轴承。
具体实施方式
如图1所述，一种联合收割机堵塞故障诊断***，包括割刀频率传感器、喂入搅龙转速传感器、输送链耙转速传感器、脱粒滚筒转速传感器、风机风扇转速传感器、逐稿器频率传感器、杂余搅龙转速传感器、输粮搅龙转速传感器、数据采集模块、交互式显示屏以及嵌入式工控机等，割刀频率传感器、逐稿器频率传感器因为都是往复运动，因此本发明采用转速传感器测量频率。
速度传感器安装位置如图3所示，联合收割机监测点包括割刀回转轴1、喂入搅龙带轮2、风机风扇带轮3、输送搅龙带轮4、脱粒滚筒带轮5、输粮搅龙带轮6、杂余绞龙带轮7、张紧带轮8、振动筛带轮9和脱粒滚筒轴承10。
本发明提出了堆叠去噪自编码器和BP神经网络结合(Stacked DenoisingAutoencoder-BP,SDAE-BP)的联合收割机堵塞故障诊断模型，即SDAE-BP模型。此模型通过堆叠去噪自编码器(SDAE)进行数据特征的提取，结合BP神经网络实现堵塞故障诊断，其算法流程如图2所示。
联合收割机堵塞故障诊断***工作过程：
将安装在联合收割机8个监测点上的转速传感器上的模拟信号E(.)＝(e1,e2,…,e8)输入到数据采集模块，将其转换为数字信号M(.)＝(m1,m2,…,m8)，数字信号M(.)经过SDAE-BP模型得到联合收割机运行状态的类型f；并将其在交互显示屏上显示，如果当前是故障状态，则通过声光报警装置发出警报并在显示屏上显示故障发生的位置，驾驶员通过交互式显示屏反馈诊断结果是否正确。数据采集***中的转速传感器的安装位置图3所示，传感器检测部位如表1所示，其安装位置如图1所示。
表1转速传感器检测部位
| 监测点名称 | 监测传感器 |
| 割刀 | 速度传感器1 |
| 喂入搅龙 | 速度传感器2 |
| 输送链耙 | 速度传感器3 |
| 脱离滚筒 | 速度传感器4 |
| 风机风扇 | 速度传感器5 |
| 逐稿器 | 速度传感器6 |
| 杂余搅龙 | 速度传感器7 |
| 输粮搅龙 | 速度传感器8 |
故障预警模型构建：
训练数据T由带标签的历史数据和不带标签的历史数据构成，2000个带标签的历史数据构成训练数据T1，用于模型的有监督训练，记为
样本T1＝{(M1,y1),(M2,y2),…,(Mj,yj),…,(Mn,yn)}，n＝2000，Mj为第j个样本，yj为第j个样本的标签，即联合收割机堵塞故障种类；500个不带标签的历史数据构成训练数据T2，用于模型的无监督训练，样本T2＝{M1,M2,…,Mj,…,MK}，K＝500，Mj＝(m1,m2,…mi…,m8)，mi为第j个样本中第i个速度传感器采集的数据。
1)数据预处理
对数据进行归一化能够提升模型的收敛速度、运行速度以及模型的精度，因此通过公式(1-0)对样本数据Mj＝(m1,m2,…,m8)进行0-1标准化(包括所有训练数据和实测数据都按照这个方法处理)，得到归一化后的样本数据Xj＝(x1,x2,…,x8)。
其中Nmax为最大的发动机转速，Nmax＝2500r/min。
2)SDAE-BP算法
相较于传统的单一噪声SDAE来说，不同高斯噪声的SDAE能够学习到原始输入数据的不同的深层次特征表示。本发明专利提出的SDAE算法可以同时学到原始输入数据的全局粗粒化特征和局部细粒化特征，从而提高模型对联合收割机转速的深层特征表示能力。图4给出了本专利使用的SDAE-BP模型的训练过程示意图。可以看出来本专利使用的SDAE是由SDAE在多个不同的高斯噪声下依次进行训练。其中γi为第i个高斯噪声的中心，S≥i≥1，同时γi-1>γi。
通过数据集T1X和T2X对SDAE-BP模型的训练，归一化处理后的无标签数据记为T2X＝{X1,X2,…,Xj,…,XK}，其中Xj为归一化后的第j个样本，其中yj为第j个样本的标签，1≤j≤K。Xj＝(x1,x2,…xi…,x8)，xi为第j个样本中第i个速度传感器采集归一化后的数据。
归一化处理后的有标签数据记为T1X＝{(X1,y1),(X2,y2),…,(Xj,yj),…,(Xn,yn)}，其中Xj为第j个样本，yj为第j个样本的标签(1≤j≤n)，即联合收割机堵塞的故障种类。建立堵塞故障表如表2所示。
表2堵塞故障表
SDAE-BP模型的参数设置如表3所示。
表3SDAE-BP模型的参数设置
3)SDAE-BP模型训练
SDAE-BP模型训练包括无监督预训练和有监督微调两个过程。
3.1SDAE的无监督预训练过程如下：
利用不带标签的样本T2X进行无监督预训练；
a)初始训练过程
1)给定初始高斯噪声中心为γ0和高斯噪声方差σ＝1，使用高斯噪声对原始输入数据x进行一定程度的破坏，得到被破坏后的数据为/>其中/>
2)首先根据式(1-1)对含有噪声的数据进行编码得到深层次的特征编码
其中，sf是非线性激活函数，常规的像sigmoid函数，W为权重矩阵，b为偏置向量。
然后利用公式(1-2)从深层特征编码h1中进行解码得到原始输入数据的重构输出
最后通过优化目标函数公式(1-3)就可完成去噪自编码器的训练。
式中K为训练样本总数。直到DAE0模型的所有参数已经收敛；此时，获得DAE0模型初始的最优权值W1和最优偏置值b1，与此同时也得到了原始输入数据的初始深层特征表示h1；同理利用初始深层特征表示h1训练DAE1，得到DAE1模型初始的最优权值W2、最优偏置值b2以及特征表示h2；使用特征表示h2训练DAE2，得到DAE2模型初始的最优权值W3、最优偏置值b3以及特征表示h3。
b)多噪声的训练过程，设第i个的高斯噪声中心为γi
1)在噪声中心γi下对原始输入数据x进行破坏，得到被破坏后的数据为
2)继续对上一个训练得到的模型SDAEi-1进行训练，在经过K次迭代之后，得到新的模型SDAEi；则权值更新方式为W1 (i)←W1 (i-1)+ΔW1 (i)，W2 (i)←W2 (i-1)+ΔW2 (i)，W3 (i)←W3 (i-1)+ΔW3 (i)；偏置值更新为b1 (i)←b1 (i-1)+Δb1 (i)，b2 (i)←b2 (i-1)+Δb2 (i)，b3 (i)←b3 (i-1)+Δb3 (i)，深层次特征表示更新为h1 (i)←h1 (i-1)+Δh1 (i)，h2 (i)←h2 (i-1)+Δh2 (i)，h3 (i)←h3 (i-1)+Δh3 (i)；
3)计算新的高斯噪声中心：
γi＝γi-1-Δγ 公式(1-4)
式中Δγ是高斯噪声中心更新的步长，返回到步骤(b)继续对模型进行新一轮的训练，直至第S个高斯噪声时，结束训练。
3.2SDAE的有监督微调训练过程
利用带标签的样本T1X进行有监督微调训练；
SDAE的有监督微调训练过程是在经过逐层无监督训练之后，在SDAE的顶层添加一个BP分类层。利用输入数据的标签信息，对整个深度网络的所有参数进行微调。训练数据集经过无监督的SDAE模型后得到数据集{(h1,y1),(h2,y2),…,(hj,yj),…,(hn,yn)}；BP神经网络的拓扑结构如图5所示。
假定使用样本{(x,y)}对BP网络进行训练。则隐含层的第j个神经元的输入为：
第j个神经元的输出是:
Oj＝f(netj) 公式(1-6)
公式(1-6)中的f(netj)为激活函数：
其中，θj表示偏置值。
输出层第k个神经元的总输入是：
输出层第k个神经元的输出是：
误差信号的计算为：
若BP神经网络的输出和期望的输出值y不一致，则将误差信号从输出端进行反向传播，并在反向传播过程中使用梯度下降法(1-10)对加权系数和偏置值不断的进行修正。
式中η为学习率，令η＝0.01直至所有样本都进行训练为止，此时得到SDAE-BP模型所有的权值参数W和偏置参数b，保存SDAE-BP模型。
故障预警***流程：
在使用SDAE-BP模型对联合收割机堵塞故障诊断之前，需要在嵌入式工控机中部署好相应的故障诊断***软件，包括数据采集、数据预处理以及离线训练好的SDAE-BP模型的网络权值W和偏置值b、模型的输入层和输出层结点的个数、模型的学习率η以及激活函数f(netj)的偏置值θj。故障诊断***的工作流程如下：
步骤1：联合收割机当前状态采集
为了保证堵塞故障诊断的实时性和提高故障诊断准确率，所以信号的取样率取为300Hz,采样长度为200ms。即数据采集***每次给SDAE-BP输送的数据M(.)＝(m1,m2…mi…m8)为(1,8)维数据。
步骤2：数据预处理
通过公式(1-0)对样本M(.)进行归一化，得到经过归一化后的样本数据为X′(.)＝(x1′,x2′,…xi′…,x8′)，其中xi′为第i个速度传感器采集到的数据进行归一化得到的数据，1≤i≤8。
步骤3：使用SDAE-BP进行堵塞故障诊断
运行在嵌入式工控机上的SDAE-BP模型接收到归一化的样本数据X′(.)，其中mi为第i个速度传感器采集到的数据1≤i≤8，把待诊断样本送入SDAE-BP模型将得到联合收割机运行状态类型f。联合收割机堵塞故障诊断***如图6所示。
应用实例：
1、待诊断样本输入
将数据采集模块采集到的8个数据存入M(.)中，即为SDAE-BP模型的输入向量M(.)。例如M(.)＝(8.25,1342.89,987.97,1542.51,476.81,634.26,244.98,8.25)，其中m1为逐稿器频率、m2杂余搅龙转速、m3为输粮搅龙转速、m4为风机转速、m5为输送链耙转速、m6为脱离滚筒转速、m7为喂入搅龙转速、m8为割刀频率。
2、数据归一化
通过式(1-0)对样本M(.)进行归一化，得到经过归一化后的样本数据为X′(.)＝(0.0033,0.537156,0.395188,0.617004,0.190724,0.25374,0.097992,0.0033)
3、DAE-BP堵塞故障诊断
以当前的X′(.)作为SDAE-BP模型的输入，则SDAE模型通过公式式(4-1)的特征h＝h1,h2,h3,h4为：
其中sf为Sigmoid函数，W1，W2，W3分别为SDAE模型的第一层、第二层和第三层的权值矩阵，b1，b2，b3分别为SDAE模型的第一层、第二层和第三层的偏置值矩阵。计算得到输出特征h＝(0.95256，0.1192，0.0174，0.88131)，然后使用BP神经网络进行分类，使用Sigmoid函数作为BP神经网络的激励函数。
其中W4，W5分别为BP神经网络的输入层和隐含层的权值矩阵，b1，b2分别为BP神经网络的输入层和隐含层的偏置值矩阵。fg为最终计算的堵塞故障类型。
步骤4：结果输出
显示联合收割机状态f在显示屏上，如果当前是故障状态，则通过声光报警装置发出警报并在显示屏上显示故障发生的位置，驾驶员通过交互式显示屏反馈联合收割机故障诊断***诊断结果是否正确。
输入样本X′(.)经过SDAE-BP模型计算得到最终的堵塞故障类型为f＝(0，1，0，0)。由表2可知从当前监测点检测的结果可以判定联合收割机为脱离滚筒轻微堵塞故障。将其显示在交互式显示屏上，并激活声光报警装置点亮警示灯，发出蜂鸣声。
Claims (5)
1.一种联合收割机堵塞故障诊断方法，该方法利用A个速度传感器分别监控联合收割机的k个传动部位，利用数据采集模块对A个速度传感器进行数据采集，利用工控机进行数据处理，其特征在于，诊断方法如下：
步骤1、通过数据采集模块持续采集A个速度传感器的模拟信号，并将模拟信号转换为数字信号；
步骤2、人为设定故障类型，采集A个速度传感器的数据作为训练数据T，利用训练数据T建立基于堆叠去噪自编码器和BP神经网络结合的SDAE-BP模型，获取该SDAE-BP模型的权值参数和偏置参数/>；
步骤3、根据数据采集、数据处理和SDAE-BP模型的参数在工控机内预制或者编写数据处理软件；
步骤4、采用一定的采样间隔，利用数据采集模块向工控机内的SDAE-BP模型输送采集样本数据；
步骤5、对步骤4中采集的样本数据进行归一化，归一化后的数据值在0-1之间；
步骤6、利用训练好的SDAE-BP模型判断联合收割机的运行状态；
所述步骤2中，训练数据T由n个带有标签的历史数据和K个不带标签的历史数据构成，带标签的数据记为，其中n为带标签的样本总数，其中/>为第j个样本，/>为第j个样本的标签，即联合收割机堵塞故障种类；不带标签的数据记为/>，K为不带标签的样本总数；/>，/>为第j个样本中第i个速度传感器采集的数据，SDAE-BP模型建立方法如下：
步骤2.1、数据处理，对于样本数据的每个采集数据都进行0-1标准化，得到归一化后的样本数据/>，归一化后的数据集为
，其中/>为归一化后的第j个样本，其中为第j个样本的标签，/>；
其中/>为归一化后的第j个样本，/>；
步骤2.2、首先利用不带标签的数据集通过SDAE模型在不同的高斯噪声下依次进行训练，得到预训练的SDAE模型；
步骤2.3、之后通过带标签的数据集导入到预训练的SDAE模型，提取数据集，/>为第j个样本数据经过SDAE模型提取的特征值，为提取的标签；
步骤2.4、最后通过BP模型微调预训练好的SDAE模型；
步骤2中，SDAE-BP模型训练包括无监督预训练和有监督微调两个过程；
SDAE的无监督预训练过程如下：
利用不带标签的样本进行无监督预训练；
a、初始训练过程
1）给定初始高斯噪声中心为和高斯噪声方差/>，使用高斯噪声/>对原始输入数据/>进行一定程度的破坏，得到被破坏后的数据为/>，其中/>；
2）根据公式（1-1）对含有噪声的数据进行编码得到深层次的特征编码/>
公式（1-1）
其中，是非线性激活函数，W为权重矩阵，b为偏置向量；
然后利用公式（1-2）从深层特征编码中进行解码得到原始输入数据的重构输出；
公式（1-2）
最后通过优化目标函数公式(1-3)就可完成去噪自编码器的训练；
公式（1-3）
式中K为无标签的训练样本总数，直到DAE0模型的所有参数已经收敛；此时，获得DAE0模型初始的最优权值和最优偏置值/>，与此同时也得到了原始输入数据的初始深层特征表示/>；同理利用初始深层特征表示/>训练DAE1，得到DAE1模型初始的最优权值/>、最优偏置值/>以及特征表示/>；使用特征表示/>训练DAE2，得到DAE2模型初始的最优权值/>、最优偏置值/>以及特征表示/>.
b）多噪声的训练过程，设第i个的高斯噪声中心为
1）在噪声中心下对原始输入数据x进行破坏，得到被破坏后的数据为/>；
2）继续对上一个训练得到的模型SDAEi-1进行训练，在经过K次迭代之后，得到新的模型SDAEi；则权值更新方式为，/>，/>；
偏置值更新为，/>，/>，深层次特征表示更新为/>，/>，/>；
3）计算新的高斯噪声中心：
公式(1-4)
式中是高斯噪声中心更新的步长，按照步骤b）继续对模型进行新一轮的训练，直至第S个高斯噪声时，结束训练；
SDAE的有监督微调训练过程
利用带标签的样本进行有监督微调训练；SDAE的有监督微调训练过程是在经过逐层无监督训练之后，在SDAE的顶层添加一个BP分类层，利用输入数据的标签信息，对整个深度网络的所有参数进行微调，训练数据集/>经过预训练的SDAE模型后得到数据集；
假定使用样本对BP网络进行训练，则隐含层的第j个神经元的输入为：
公式(1-5)
第j个神经元的输出是:
公式(1-6)
公式 (1-6)中的为激活函数：
公式(1-7)
其中，表示偏置值；
输出层第k个神经元的总输入是：
公式(1-8)
输出层第k个神经元的输出是：
公式(1-9)
误差信号的计算为：
公式(1-10)
若BP神经网络的输出和期望的输出值y不一致，则将误差信号从输出端进行反向传播，并在反向传播过程中使用梯度下降法公式(1-11)、公式（1-12）对加权系数和偏置值不断的进行修正；
公式(1-11)
公式(1-12)
式中为学习率，令/>直至所有样本都进行训练为止，此时得到SDAE-BP模型所有的权值参数/>和偏置参数/>，保存SDAE-BP模型。
2.如权利要求1所述一种联合收割机堵塞故障诊断方法，其特征在于：所述训练数据T的样本总量n范围为1500-3000。
3.如权利要求1所述一种联合收割机堵塞故障诊断方法，其特征在于：所述速度传感器一共有八个，分别为割刀频率传感器、喂入搅龙转速传感器、输送链耙转速传感器、脱粒滚筒转速传感器、风机风扇转速传感器、逐稿器频率传感器、杂余搅龙转速传感器和输粮搅龙转速传感器，其中割刀频率和逐稿器频率等效转换为转速。
4.如权利要求3所述一种联合收割机堵塞故障诊断方法，其特征在于：所述步骤2.1中，数据归一化的方法为：
其中为最大的发动机转速，其取值范围为2000-3000r/min。
5.一种采用权利要求1-4任意一项所述联合收割机堵塞故障诊断方法的联合收割机堵塞故障诊断***，其特征在于：包括传感器模块、数据采集模块、交互式显示屏以及嵌入式工控机，所述传感器模块包括割刀频率传感器、喂入搅龙转速传感器、输送链耙转速传感器、脱粒滚筒转速传感器、风机风扇转速传感器、逐稿器频率传感器、杂余搅龙转速传感器、输粮搅龙转速传感器，传感器模块监测的数据通过数据采集模块采集，然后通过嵌入式工控机进行数据处理，先采集的数据首先通过SDAE-BP模型进行训练，获取SDAE-BP模型的权值参数和偏置参数/>，然后将该SDAE-BP模型预制在嵌入式工控机内，之后采集数据通过嵌入式工控机内的SDAE-BP模型即可判断联合收割机的故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010096661.4A CN111310830B (zh) | 2020-02-17 | 2020-02-17 | 一种联合收割机堵塞故障诊断***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010096661.4A CN111310830B (zh) | 2020-02-17 | 2020-02-17 | 一种联合收割机堵塞故障诊断***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111310830A CN111310830A (zh) | 2020-06-19 |
| CN111310830B true CN111310830B (zh) | 2023-10-10 |
Family
ID=71145051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010096661.4A Active CN111310830B (zh) | 2020-02-17 | 2020-02-17 | 一种联合收割机堵塞故障诊断***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310830B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112099540B (zh) * | 2020-09-01 | 2023-03-31 | 四机赛瓦石油钻采设备有限公司 | 基于步进式单神经元pid控制算法的砂浓度控制方法 |
| CN112631250B (zh) * | 2020-12-15 | 2022-06-24 | 中国计量大学 | 基于去噪自编码器的非线性过程中的故障隔离与识别方法 |
| CN113945380B (zh) * | 2021-09-24 | 2024-04-09 | 江苏大学 | 一种脱粒滚筒轴承振动故障分析方法及***和联合收割机 |
| CN117628417B (zh) * | 2024-01-25 | 2024-03-26 | 深圳市晶湖科技有限公司 | 一种燃气场用智能安全控制*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
| CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
| CN207319055U (zh) * | 2017-09-27 | 2018-05-04 | 黑龙江省农业机械工程科学研究院 | 基于can总线的联合收割机故障诊断*** |
| CN108363382A (zh) * | 2018-02-09 | 2018-08-03 | 哈尔滨工业大学（威海） | 一种复杂装备故障诊断方法及*** |
| CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
| CN109000930A (zh) * | 2018-06-04 | 2018-12-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
| CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105973595B (zh) * | 2016-04-27 | 2019-03-19 | 清华大学深圳研究生院 | 一种滚动轴承故障的诊断方法 |
| CN109690577A (zh) * | 2016-09-07 | 2019-04-26 | 皇家飞利浦有限公司 | 利用堆叠式自动编码器进行的半监督式分类 |
| CN106682688B (zh) * | 2016-12-16 | 2020-07-28 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
| CN108416103A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种串联混合动力电动汽车交直流变换器的故障诊断方法 |
| CN108918137B (zh) * | 2018-06-08 | 2021-04-27 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
| CN109211546B (zh) * | 2018-08-28 | 2020-05-26 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
| CN109858345B (zh) * | 2018-12-25 | 2021-06-11 | 华中科技大学 | 一种适用于胀管设备的智能故障诊断方法 |
| CN110044554A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 |
| CN110146282A (zh) * | 2019-06-06 | 2019-08-20 | 南京航空航天大学 | 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法 |
-
2020
- 2020-02-17 CN CN202010096661.4A patent/CN111310830B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
| CN207319055U (zh) * | 2017-09-27 | 2018-05-04 | 黑龙江省农业机械工程科学研究院 | 基于can总线的联合收割机故障诊断*** |
| CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
| CN108363382A (zh) * | 2018-02-09 | 2018-08-03 | 哈尔滨工业大学（威海） | 一种复杂装备故障诊断方法及*** |
| CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
| CN109000930A (zh) * | 2018-06-04 | 2018-12-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
| CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
Non-Patent Citations (10)
| Title |
|---|
| Guoqian Jiang ; Haibo He ; Ping Xie ; Yufei Tang.Stacked Multilevel-Denoising Autoencoders: A New Representation Learning Approach for Wind Turbine Gearbox Fault Diagnosis.《IEEE Transactions on Instrumentation and Measurement》.2017,第66卷(第9期),全文. * |
| 刘景,杨光友,马志艳,陈学海.基于随机森林的联合收割机故障诊断技术.《中国农机化学报》.2019,第40卷(第10期),全文. * |
| 基于栈式降噪自编码的故障诊断;朱煜奇;黄双喜;杨天祺;孙洁香;;制造业自动化(第03期);全文 * |
| 时培明, 梁凯, 赵娜, 等.基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断.《中国机械工程》.2017,第28卷(第9期),全文. * |
| 朱煜奇 ; 黄双喜 ; 杨天祺 ; 孙洁香 ; .基于栈式降噪自编码的故障诊断.制造业自动化.2017,第39卷(第03期),全文. * |
| 栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断;陈仁祥;杨星;杨黎霞;王家序;徐向阳;陈思杨;;振动与冲击(第21期);全文 * |
| 许倩文、吉兴全、张玉振、李军、于永进.栈式降噪自编码网络在变压器故障诊断中的应用.《电测与仪表》.2018,第55卷(第17期),第62-65页. * |
| 陈仁祥 ; 杨星 ; 杨黎霞 ; 王家序 ; 徐向阳 ; 陈思杨 ; .栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断.振动与冲击.2017,第36卷(第21期),全文. * |
| 飞控***传感器故障诊断的神经网络方法研究;魏慕恒;贾秋玲;;计算机测量与控制(第01期);全文 * |
| 齐建文、陈慧贤、吴彦华、武昕伟、杨国正.《通信辐射源信号细微特征分析与处理》.北京：国防工业出版社,2015,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310830A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310830B (zh) | 一种联合收割机堵塞故障诊断***及方法 | |
| US11741555B2 (en) | Crop yield estimation method based on deep temporal and spatial feature combined learning | |
| CN109258509B (zh) | 一种生猪异常声音智能监测***与方法 | |
| CN112015153B (zh) | 一种无菌灌装生产线异常检测***和方法 | |
| CN109580215A (zh) | 一种基于深度生成对抗网络的风电传动***故障诊断方法 | |
| CN108960077A (zh) | 一种基于循环神经网络的智能故障诊断方法 | |
| CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
| CN110109193B (zh) | 一种基于drnn神经网络的茄子温室温度智能化检测装置 | |
| CN115409131B (zh) | 基于spc过程管控***的生产线异常检测方法 | |
| Li et al. | Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning | |
| CN116702053B (zh) | 一种基于多元信息与mcsa-svm的农机故障检测方法 | |
| Tyagi et al. | A hybrid genetic algorithm and back-propagation classifier for gearbox fault diagnosis | |
| CN112085108B (zh) | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 | |
| CN111707458B (zh) | 一种基于深度学习信号重构的转子监测方法 | |
| CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
| CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
| CN113484489A (zh) | 一种水体富营养化的远程监测与预警方法 | |
| CN117909860A (zh) | 一种采棉机及其采棉头堵塞故障诊断预警装置和方法 | |
| CN114152442A (zh) | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 | |
| CN113033833A (zh) | 一种联合收割机脱粒滚筒收获状态故障诊断方法 | |
| CN117369418A (zh) | 数控机床进给***故障诊断方法、***、存储介质及设备 | |
| CN116560946A (zh) | 一种基于云计算的土壤污染数据推送*** | |
| CN112019607A (zh) | 基于可视化云平台的智慧农场综合控制方法及*** | |
| CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 | |
| Qiu et al. | Fault prediction of combine harvesters based on stacked denoising autoencoders |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |