基于SDAE-BP的联合收割机作业故障监测

作     者：习晨博 杨光友 刘浪 刘景 陈学海 马志艳 Xi Chenbo;Yang Guangyou;Liu Lang;Liu Jing;Chen Xuehai;Ma Zhiyan

作者机构：湖北工业大学农机工程研究设计院武汉430068 湖北省农机装备智能化工程技术研究中心武汉430068 

基　　金：国家重点研发项目(2017YFD0700600) 国家重点研发项目(2018YFB0105300) 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2020年第36卷第17期

页      码：46-53页

摘      要：为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder,SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP)。以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入。利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测。在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode,DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力。试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00%,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点。将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25%,对2019年试验数据的故障识别准确率为98.74%,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点。该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值。

主 题 词：农业机械 故障诊断 试验 联合收割机 SDAE-BP模型 深层次特征 BP神经网络 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 0828[工学-建筑类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.11975/j.issn.1002-6819.2020.17.006

馆 藏 号：203986249...