基于FNN的聯(lián)合收割機(jī)故障診斷系統(tǒng)研究

陳 進(jìn)，龔麗霞，李耀明

（1.江蘇大學(xué)機(jī)械工程學(xué)院，江蘇 鎮(zhèn)江 212013；2.江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 鎮(zhèn)江 212013）

基于FNN的聯(lián)合收割機(jī)故障診斷系統(tǒng)研究

陳 進(jìn)1，龔麗霞1，李耀明2

（1.江蘇大學(xué)機(jī)械工程學(xué)院，江蘇 鎮(zhèn)江 212013；2.江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 鎮(zhèn)江 212013）

為解決切縱流聯(lián)合收割機(jī)故障診斷過程中輸入量的非線性問題，設(shè)計(jì)基于FNN算法的聯(lián)合收割機(jī)故障診斷系統(tǒng)。傳感器采集待測(cè)部件的轉(zhuǎn)速值為系統(tǒng)輸入值，對(duì)輸入值進(jìn)行模糊處理得到模糊輸入值，將模糊輸入輸出作為神經(jīng)網(wǎng)絡(luò)的輸入輸出，在Matlab中對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練得到故障診斷規(guī)則表，實(shí)際使用中只需在PLC中查詢規(guī)則表即可得到故障診斷結(jié)果。實(shí)驗(yàn)結(jié)果表明：基于FNN的故障診斷系統(tǒng)能很好地解決系統(tǒng)的非線性問題，可以實(shí)時(shí)反映聯(lián)合收割機(jī)的故障情況，使其盡可能保持高效率的工作狀態(tài)。

聯(lián)合收割機(jī)；模糊算法；神經(jīng)網(wǎng)絡(luò)；故障診斷

0 引 言

切縱流聯(lián)合收割機(jī)在田間作業(yè)時(shí)，速度過快會(huì)使得喂入量過大從而造成割臺(tái)攪龍、輸送槽、切流滾筒、縱軸流滾筒和輸糧攪龍等轉(zhuǎn)動(dòng)部件的堵塞，影響收割機(jī)的作業(yè)質(zhì)量[1-2]，基于此，國(guó)內(nèi)外學(xué)者在聯(lián)合收割機(jī)智能監(jiān)測(cè)和故障診斷方面做了較多的研究[3-5]。Geert Craessaerts等[6]設(shè)計(jì)了基于SOM監(jiān)督系統(tǒng)和BP網(wǎng)絡(luò)技術(shù)的故障系統(tǒng)，并應(yīng)用到了荷蘭CX聯(lián)合收割機(jī)的傳感器故障檢測(cè)和隔離中，使得檢測(cè)到傳感器故障成為可能。易立單[7]設(shè)計(jì)的故障診斷系統(tǒng)，選取了5個(gè)參數(shù)作為特征向量來對(duì)收割機(jī)的轉(zhuǎn)軸轉(zhuǎn)速連續(xù)變化過程等方面進(jìn)行監(jiān)測(cè)。上述研究雖然在故障的提前預(yù)警方面有很好的效果，但是由于沒有考慮到聯(lián)合收割機(jī)的非線性特性，所以效果不是很理想。本文提出基于模糊神經(jīng)網(wǎng)絡(luò)（fuzzy neural network，F(xiàn)NN）算法建立切縱流聯(lián)合收割機(jī)的堵塞故障診斷模型，將模糊算法和神經(jīng)網(wǎng)絡(luò)算法[8-9]相結(jié)合，建立聯(lián)合收割機(jī)堵塞故障診斷的各種故障征兆與故障類型之間的非線性映射關(guān)系，實(shí)現(xiàn)故障診斷和定位，解決聯(lián)合收割機(jī)的堵塞故障診斷問題。

1 基于FNN的聯(lián)合收割機(jī)故障診斷系統(tǒng)設(shè)計(jì)

基于FNN的切縱流聯(lián)合收割機(jī)故障診斷系統(tǒng)硬件組成如圖1所示，主要包括信號(hào)采集調(diào)理模塊、液晶顯示模塊、聲光報(bào)警模塊和PLC故障診斷處理系統(tǒng)。

圖1 故障診斷系統(tǒng)硬件組成

本系統(tǒng)以“太湖之星”TH988型切縱流聯(lián)合收割機(jī)為試驗(yàn)樣機(jī)，割臺(tái)攪龍、輸送槽、切流滾筒、縱軸流滾筒和輸糧攪龍的轉(zhuǎn)速測(cè)量均采用霍爾傳感器；采用PLC作為數(shù)據(jù)處理單元；采用嵌入ARM系統(tǒng)的高性能HD064MV3彩色顯示器作為故障診斷系統(tǒng)的顯示裝置，其帶有蜂鳴器，在強(qiáng)光下仍然具有很好的視覺效果[10]。

2 FNN故障診斷系統(tǒng)的建立

2.1 FNN算法模型的建立

FNN算法結(jié)合了模糊邏輯和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，具有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力、優(yōu)化能力和連接式結(jié)構(gòu)，同時(shí)擁有模糊系統(tǒng)類似于人類思維方式的If-then規(guī)則并易于嵌入專家知識(shí)。具體計(jì)算過程如下：

通常一組多輸入多輸出（MIMO）模糊規(guī)則可描述為

對(duì)于給定的輸入向量X=（x1，x2，…，xn），可求得每條規(guī)則的適用度為

通過模糊推理，對(duì)于每條規(guī)則，輸出量的隸屬度函數(shù)為

采用加權(quán)平均的清晰化方法，可求得輸出量的精確值為

根據(jù)給出的模糊系統(tǒng)的模糊模型，可設(shè)計(jì)出如圖2所示的FNN模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

2.2 建立FNN故障診斷模型

2.2.1 FNN模型的建立

圖2 FNN網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

本系統(tǒng)確定割臺(tái)攪龍、輸送槽、切流滾筒、縱軸軸流滾筒和輸糧攪龍的轉(zhuǎn)速5個(gè)量作為此系統(tǒng)的輸入量，并將系統(tǒng)輸入記為x1，x2，x3，x4和x5；系統(tǒng)的故障診斷結(jié)果作為輸出量，并將系統(tǒng)輸出記為y。

以聯(lián)合收割機(jī)的切流滾筒為例，說明系統(tǒng)輸入量隸屬度函數(shù)的劃分?！疤恰盩H988切縱流聯(lián)合收割機(jī)的切流滾筒轉(zhuǎn)速范圍是0～800r/min，正常工作轉(zhuǎn)速范圍是700～800r/min，額定轉(zhuǎn)速是750r/min。為了精細(xì)描述變量，將基本論域劃分為13個(gè)等級(jí)，得到切流滾筒轉(zhuǎn)速x3的模糊子集論域?yàn)?{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。每個(gè)等級(jí)對(duì)應(yīng)的偏差變化范圍如表1所示。

表1 x3的量化表

對(duì)應(yīng)的模糊語言變量集為{負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}7個(gè)詞匯，英文字頭縮寫為{NB，NM，NS，ZO，PS，PM，PB}。x3對(duì)應(yīng)的語言變量若為正，說明切流滾筒工作正常；若為負(fù)，則說明切流滾筒工作出現(xiàn)異常。

對(duì)于系統(tǒng)輸出偏隸屬度函數(shù)的劃分，分析實(shí)驗(yàn)數(shù)據(jù)可知，當(dāng)輸入部件工作正常時(shí)輸出y=1；當(dāng)輸入部件有堵塞趨勢(shì)時(shí)，為了防止堵塞故障系統(tǒng)輸出y=2；已經(jīng)出現(xiàn)故障時(shí)系統(tǒng)輸出y=3。則y的基本論域?yàn)椋?～3），模糊子集論域?yàn)閧0，1，2}。對(duì)應(yīng)的模糊語言變量集為{零，小，大}3個(gè)詞匯，用英文字頭縮寫為{NB，NS，ZO}。y對(duì)應(yīng)的語言變量若為正，說明工作正常；y對(duì)應(yīng)的語言變量若為負(fù)，則表明收割機(jī)工作異常。

根據(jù)聯(lián)合收割機(jī)故障診斷系統(tǒng)的輸入輸出量化表和隸屬度函數(shù)圖，得到相應(yīng)輸入量的模糊值，利用Matlab進(jìn)行離線訓(xùn)練結(jié)果，通過分析、歸納共制定了以下20條控制規(guī)則，建立的FNN診斷規(guī)則如表2所示。

在表2中，當(dāng)割臺(tái)攪龍轉(zhuǎn)速為PM、輸送槽轉(zhuǎn)速為PM、切流滾筒轉(zhuǎn)速為PS和輸糧攪龍轉(zhuǎn)速為ZO，而縱軸流滾筒轉(zhuǎn)速為NS時(shí)，說明縱軸流滾筒轉(zhuǎn)速遠(yuǎn)低于額定值，所以輸出y應(yīng)為預(yù)警，即ZS;若割臺(tái)攪龍轉(zhuǎn)速為PM、輸送槽轉(zhuǎn)速為PS、縱軸流滾筒轉(zhuǎn)速為PM、輸糧攪龍轉(zhuǎn)速為PM，但是切流滾筒轉(zhuǎn)速為NS時(shí)，說明切流滾筒轉(zhuǎn)速遠(yuǎn)遠(yuǎn)低于額定轉(zhuǎn)速值，已出現(xiàn)堵塞情況，所以輸出y報(bào)警，即NB；若割臺(tái)攪龍轉(zhuǎn)速為PB、輸送槽轉(zhuǎn)速為PB、切流滾筒轉(zhuǎn)速為PB、縱軸流滾筒轉(zhuǎn)速為PM并且輸糧攪龍轉(zhuǎn)速為PM時(shí)，表明聯(lián)合收割機(jī)工作狀態(tài)正常，因此輸出量y正常，即ZO。

表2 FNN診斷規(guī)則表

2.2.2 模糊神經(jīng)網(wǎng)絡(luò)故障診斷算法設(shè)計(jì)

在利用PLC實(shí)現(xiàn)基于FNN的故障診斷算法時(shí)，必須首先在PLC中建立輸入輸出量的量化表和FNN診斷規(guī)則查詢表。對(duì)于特定的輸入，通過輸入量的量化表查得其對(duì)應(yīng)的量化等級(jí)得到對(duì)應(yīng)的模糊量，之后根據(jù)FNN規(guī)則查詢表得到系統(tǒng)輸出量的量化等級(jí)，最后由輸出量的量化表得到系統(tǒng)故障診斷的結(jié)果。

3 田間試驗(yàn)與結(jié)果分析

為了驗(yàn)證本算法的正確性和有效性，于2012年11月7日在江蘇省無錫市錫山區(qū)進(jìn)行了水稻田間收割試驗(yàn)。其中一組試驗(yàn)情況如表3所示。

表3 聯(lián)合收割機(jī)工作部件的轉(zhuǎn)速值和診斷結(jié)果

在收割前，駕駛員控制聯(lián)合收割機(jī)以1.2m/s的前進(jìn)速度行駛收割水稻。各工作部件的轉(zhuǎn)速信號(hào)實(shí)時(shí)變化情況如表3所示，在第7s時(shí)由于前方收割的水稻種植密度突然變大，切流滾筒與縱軸流滾筒轉(zhuǎn)速有所下降，系統(tǒng)在第7s時(shí)顯示了縱軸流滾筒轉(zhuǎn)速異常，駕駛員馬上降低了前進(jìn)速度，經(jīng)過2s的調(diào)整后，在第9s時(shí)縱軸流滾筒轉(zhuǎn)速開始回升，其波動(dòng)范圍在1070～1080r/min之間，系統(tǒng)恢復(fù)了正常狀態(tài)?；贔NN的故障診斷系統(tǒng)實(shí)現(xiàn)了預(yù)期的預(yù)報(bào)警功能，滿足使用要求。

4 結(jié)束語

聯(lián)合收割機(jī)在田間發(fā)生故障會(huì)影響其效率，使得收割機(jī)不能發(fā)揮最大的工作潛能[11]。本文提出了基于FNN的聯(lián)合收割機(jī)故障診斷系統(tǒng)，其主要思想是：采集割臺(tái)攪龍、輸送槽、切流滾筒、縱軸流滾筒和輸糧攪龍的轉(zhuǎn)速值，在基于FNN算法的PLC中對(duì)數(shù)據(jù)進(jìn)行分析處理后得到故障診斷結(jié)果，實(shí)現(xiàn)對(duì)聯(lián)合收割機(jī)實(shí)時(shí)的故障診斷。田間試驗(yàn)表明基于FNN的切縱流聯(lián)合收割機(jī)故障診斷系統(tǒng)可以及時(shí)對(duì)故障情況進(jìn)行預(yù)警報(bào)警，提高了機(jī)器的可靠性和作業(yè)效率。

[1]沈蘭.聯(lián)合收割機(jī)收割小麥時(shí)常見故障的排除方法[J].農(nóng)技服務(wù)，2011，28（5）：733-734.

[2]杜茂軍，趙連春.聯(lián)合收割機(jī)作業(yè)時(shí)易堵塞故障及排除[J].農(nóng)機(jī)使用與維修，2007（2）：39.

[3]侯瑞.人工神經(jīng)網(wǎng)絡(luò)BP算法簡(jiǎn)介及應(yīng)用[J].科技信息，2011（3）：75，418.

[4]趙建波.聯(lián)合收割機(jī)負(fù)荷反饋智能控制系統(tǒng)的研究[D].鎮(zhèn)江：江蘇大學(xué)，2009.

[5]介站.聯(lián)合收割機(jī)喂入量智能實(shí)量測(cè)試儀研究[D].鄭州：河南科技大學(xué)，2010.

[6]Craessaerts G， Baerdemaeker J D，Saeys W.Fault diagnostic systems for agricultural machinery[J].Biosystems Engineering，2010，106（1）：26-36.

[7]易立單.聯(lián)合收割機(jī)堵塞故障監(jiān)測(cè)系統(tǒng)研究[D].鎮(zhèn)江：江蘇大學(xué)，2010.

[8]郝志勇，劉偉，夏瑋，等.基于BP神經(jīng)網(wǎng)絡(luò)的吸運(yùn)風(fēng)機(jī)故障診斷[J].工程設(shè)計(jì)學(xué)報(bào)，2012，19（1）：57-60.

[9]于金廣.基于模糊神經(jīng)網(wǎng)絡(luò)的成品油管網(wǎng)泄漏檢測(cè)方法[J].油氣儲(chǔ)運(yùn)，2012（10）：733-736.

[10]陳進(jìn)，呂世杰，李耀明，等.基于PLC的聯(lián)合收獲機(jī)作業(yè)流程故障診斷方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011（S1）：112-116.

Research of fault diagnosis system on combine-harvester based on FNN algorithm

CHEN Jin1，GONG Li-xia1，LI Yao-ming2
（1.School of Mechanical Engineering，Jiangsu University，Zhenjiang 212013，China；2.The Key Laboratory of Modern Agricultural Equipment and Technology of Ministry of Education，Jiangsu University，Zhenjiang 212013，China）

From a fault diagnosis perspective，combine-harvester is complex non-linear systems which consist of several inputs.In order to detect the various unexpected faults correctly and keep an effective work state，a fault diagnosis system was developed based on FNN algorithm and applied to the combine-harvester fault diagnosis system.Firstly，speed values are regarded as system input acquired by the sensor，and fuzzy inputs can be got by obfuscating the initial input. Secondly，the fuzzy inputs and outputs are treated as a neutral one，and it is easy to develop a troubleshooting rule table after Matlab offline training.Thirdly，the table look-up is the only thing we need to do to work outthe faultdiagnosisresultsin practicalworking.Furtherfield experiments show that this system can solve the nonlinear problem and be a good reflection on the harvester fault conditions which directly lead to a high efficiency state.

combine harvester；fuzzy algorithm；neural network；fault diagnosis

S225.31；S22；TP277；TP183

：A

：1674-5124（2014）05-0077-03

10.11857/j.issn.1674-5124.2014.05.020

2013-10-23；

：2014-01-15

863計(jì)劃項(xiàng)目（2012AA10A502）國(guó)家科技支撐項(xiàng)目（2010BAD01B06）江蘇省科技支撐計(jì)劃（BE2012312）鎮(zhèn)江市科技支撐計(jì)劃（NY2012001）無錫市科技成果產(chǎn)業(yè)化資金項(xiàng)目（CYE22C1216）

陳 進(jìn)（1959-），女，江蘇鹽城市人，教授，博士生導(dǎo)師，主要從事現(xiàn)代農(nóng)業(yè)裝備監(jiān)測(cè)與控制技術(shù)研究。