基于BP-Adaboost算法的棉花采摘機預(yù)維修方法研究

馬娜，段慧芳

(1.山西農(nóng)業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，山西 太谷 030801；2.西北工業(yè)大學(xué) 計算機學(xué)院，陜西 西安 710000)

棉花采摘機結(jié)構(gòu)復(fù)雜，工作強度高，容易發(fā)生故障。研究表明，99%的故障在發(fā)生之前會出現(xiàn)征兆，并且大多數(shù)設(shè)備會經(jīng)歷“缺陷”、“潛在故障”和“發(fā)生故障”3個過程[1～3]。故障預(yù)測可以發(fā)現(xiàn)“潛在故障”，在設(shè)備發(fā)生故障之前發(fā)出提示或警告，從而降低設(shè)備發(fā)生故障的可能性。

我國農(nóng)業(yè)機械故障診斷主要經(jīng)歷了人為故障診斷、監(jiān)測故障診斷和智能故障預(yù)測3個階段[4]。農(nóng)業(yè)機械故障診斷與現(xiàn)代智能方法融合，提出了專家系統(tǒng)、模糊邏輯和神經(jīng)網(wǎng)絡(luò)等方法。孫書林等[5]在專家系統(tǒng)中加入模糊邏輯對船舶起貨機液壓系統(tǒng)進(jìn)行故障診斷。賀平平等[6]提出基于聯(lián)合故障樹的農(nóng)機車輛制動系統(tǒng)故障診斷專家系統(tǒng)設(shè)計，對農(nóng)機車輛制動系統(tǒng)進(jìn)行故障診斷，但專家系統(tǒng)在知識獲取功能模塊方面有一定的劣勢。

智能故障預(yù)測是農(nóng)機故障診斷的發(fā)展趨勢。近年來很多智能化方法被用在農(nóng)機故障診斷上，取得了較好的效果。王吉權(quán)等[7]研究了BP神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)機械化中的應(yīng)用研究。王書提等[8]采用BP神經(jīng)網(wǎng)絡(luò)對電控發(fā)動機故障進(jìn)行診斷。熊鈺等[9]采用改進(jìn)的ART神經(jīng)網(wǎng)絡(luò)對液壓系統(tǒng)的故障進(jìn)行診斷，但無法實現(xiàn)故障預(yù)測。

本文在棉花采摘機采摘頭、風(fēng)機、風(fēng)管、棉箱、發(fā)動機、液壓管路、變速箱、籽棉箱等8個核心部件安裝傳感器，通過傳感器監(jiān)測棉花采摘機實時運行參數(shù)。然后采用基于BP-Adaboost方法的預(yù)維修算法對棉花采摘機進(jìn)行故障預(yù)測。該方法簡單快捷，且不需要前期經(jīng)驗數(shù)據(jù)，實現(xiàn)了棉花采摘機故障的智能預(yù)測，準(zhǔn)確率較高，一定程度上降低了棉花采摘機發(fā)生故障的概率。

1 Adaboost神經(jīng)網(wǎng)絡(luò)預(yù)測模型

基于BP神經(jīng)網(wǎng)絡(luò)，選擇不同參數(shù)構(gòu)建多個BP弱預(yù)測器，然后用Adaboost算法將獲得的幾個BP弱預(yù)測器形成一個強預(yù)測器。具體步驟如下[10]：

(1)樣本數(shù)據(jù)選擇和神經(jīng)網(wǎng)絡(luò)初始化

初始化訓(xùn)練樣本的權(quán)重，權(quán)重分布如下：

Dt(i)=1/Ni=1,2,…,N

(1)

式中，N為訓(xùn)練數(shù)據(jù)集中樣本總數(shù)，Dt(i)表示權(quán)重值，t為迭代數(shù)，i為樣本數(shù)。初始化時t=1；設(shè)置最大迭代次數(shù)為T。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計根據(jù)樣本輸入輸出維度、BP網(wǎng)絡(luò)權(quán)重以及閾值φ(0<φ<1)初始化。

(2)生成預(yù)測器

首先進(jìn)行BP弱預(yù)測器預(yù)測。通過選擇不同的BP神經(jīng)元網(wǎng)絡(luò)功能，構(gòu)建BP弱預(yù)測器。在第1、2、…、T迭代中，使用BP神經(jīng)網(wǎng)絡(luò)對弱預(yù)測器進(jìn)行訓(xùn)練用于建立回歸模型。

然后用Adaboost方法合成多個BP弱預(yù)測器，即用訓(xùn)練數(shù)據(jù)集訓(xùn)練BP弱預(yù)測器，當(dāng)訓(xùn)練第k(k=1,2,…,M)個BP神經(jīng)網(wǎng)絡(luò)時，得到的樣本誤差和為：

ek=∑[gk(i)-yi](i=1,2,…,N)

(2)

式中，gk(i)為BP神經(jīng)網(wǎng)絡(luò)的期望輸出值，yi為BP神經(jīng)網(wǎng)絡(luò)實際輸出值。

進(jìn)而根據(jù)訓(xùn)練樣本誤差和ek調(diào)整第k(k=1,2,…,M)個BP弱預(yù)測器的權(quán)重值，公式如下：

(3)

然后，根據(jù)得到的權(quán)重βk計算下一輪訓(xùn)練樣本的權(quán)重，其公式為：

(i=1,2,…,N)

(4)

式中：Bk為歸一化因子；Dk(i)為經(jīng)過k-1次訓(xùn)練調(diào)整后的權(quán)重。

最后，經(jīng)過T次循環(huán)后，輸出強預(yù)測函數(shù)，得到由弱預(yù)測器組合而成的強預(yù)測器函數(shù)，計算公式為：

(5)

式中：fk(x)為k個弱預(yù)測器函數(shù)；x為測試數(shù)據(jù)。

2 BP-Adaboost預(yù)維修實現(xiàn)

基于BP-Adaboost算法的預(yù)維修方法包括數(shù)據(jù)采集、特征向量提取、故障模型建立和預(yù)測4部分。

2.1 數(shù)據(jù)采集

利用傳感器技術(shù)、web技術(shù)和計算機通信技術(shù)，將傳感數(shù)據(jù)接收器的運行數(shù)據(jù)通過通信控制器傳輸?shù)揭呀覫nternet的數(shù)據(jù)庫服務(wù)器，保存棉花采摘機運行的歷史數(shù)據(jù)。數(shù)據(jù)采集過程如圖1所示。

圖1 棉花采摘機數(shù)據(jù)收集過程Fig.1 The collection process of cotton picker data

棉花采摘機駕駛室內(nèi)部的車載控制器通過GPRS-DTU設(shè)備將傳感器采集到的棉花采摘機8個核心部件的工況參數(shù)信息傳輸至數(shù)據(jù)庫。各部件及其傳感器參數(shù)為：

(1)采摘頭：采用北京森德格公司生產(chǎn)的SGD-1型轉(zhuǎn)速傳感器監(jiān)測5個采摘頭內(nèi)部摘錠的轉(zhuǎn)速。

(2)風(fēng)機：采用天津凱士達(dá)儀器儀表有限公司生產(chǎn)的KV621型風(fēng)機管道風(fēng)速傳感器監(jiān)測風(fēng)機轉(zhuǎn)速。采用上海置賽自動化科技有限公司生產(chǎn)的PT100型軸承不銹鋼溫度傳感器監(jiān)測風(fēng)機軸承溫度。

(3)風(fēng)管：采用深圳市東方萬和儀表有限公司生產(chǎn)的WH201型風(fēng)速風(fēng)壓傳感器監(jiān)測風(fēng)管的風(fēng)壓風(fēng)速。

(4)棉箱：采用天津嘉諾德科貿(mào)有限公司生產(chǎn)的A300型梳棉機棉箱壓力傳感器監(jiān)測棉箱應(yīng)力變化。

(5)發(fā)動機：采用重慶網(wǎng)銳科技有限公司生產(chǎn)的WR2000-15T型汽車油耗傳監(jiān)控儀監(jiān)測發(fā)動機油耗信息。

(6)液壓油管：采用佛山市浩捷電子儀器有限公司生產(chǎn)的PTJ207型管道油壓壓力傳感器監(jiān)測管路壓力。

(7)變速箱：采用大連雷爾達(dá)儀表有限公司生產(chǎn)的WZP-035型溫度傳感器監(jiān)測變速箱溫度。

(8)籽棉氣體濃度：采用煒盛科技公司生產(chǎn)的MQ-7B型一氧化碳傳感器監(jiān)測棉箱內(nèi)部籽棉的CO濃度。采用荊州市愛爾瑞科技有限公司生產(chǎn)的SEC-4NO-M型一氧化氮氣體傳感器監(jiān)測棉箱內(nèi)部籽棉的NO濃度。

2.2 特征向量提取

選取采集到的1 500條記錄，對收集到的20個棉花采摘機屬性進(jìn)行分析，選取變化范圍較大的屬性作為預(yù)測故障的特征向量。特征向量為風(fēng)機軸承溫度、風(fēng)管壓力、風(fēng)機轉(zhuǎn)速、風(fēng)管流量和籽棉CO氣體濃度5個屬性。選取其中1 200條記錄作為訓(xùn)練數(shù)據(jù)，其余作為測試數(shù)據(jù)。將訓(xùn)練數(shù)據(jù)可視化，如圖2所示。橫坐標(biāo)表示運行時間，縱坐標(biāo)表示風(fēng)機軸承溫度，風(fēng)管壓力，風(fēng)機轉(zhuǎn)速，風(fēng)管流量和籽棉CO氣體濃度各屬性的取值。

圖2 采摘機狀態(tài)數(shù)據(jù)圖Fig.2 The status data diagram of picking machine

2.3 建立故障預(yù)測模型

由于數(shù)據(jù)變化范圍較大，因此對提取出特征向量的1 200條記錄作歸一化處理。因為有5個屬性值，所以BP神經(jīng)網(wǎng)絡(luò)的輸入設(shè)置為5，輸出設(shè)置為1。5個輸入分別為風(fēng)機軸承溫度，風(fēng)管壓力，風(fēng)機轉(zhuǎn)速，風(fēng)管流量和籽棉CO氣體濃度，輸出表示采摘機的健康狀態(tài)，1表示采摘機處于健康狀態(tài)，-1表示采摘機可能出現(xiàn)故障，需要檢測或維修。所以BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)為“5-10-1”，表示輸入層有5個節(jié)點、隱含層10個節(jié)點、輸出層1個節(jié)點。

訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)弱預(yù)測器模型，用10個弱預(yù)測器組成強預(yù)測器，不斷調(diào)整弱預(yù)測器模型的權(quán)值，構(gòu)建BP-Adaboost強預(yù)測器模型。

2.4 故障預(yù)測

將300個測試數(shù)據(jù)代入訓(xùn)練好的BP-Adaboost模型，預(yù)測棉花采摘機的健康狀態(tài)。

3 性能分析

3.1 BP-Adaboost強預(yù)測器性能分析

將健康狀態(tài)誤判為不健康狀態(tài)定義為第一類錯誤，將不健康狀態(tài)誤判為健康狀態(tài)定義為第二類錯誤。顯然，第二類錯誤影響更大。試驗結(jié)果表明，BP-Adaboost強預(yù)測器發(fā)生第一類錯誤11次，第二類錯誤5次，因此BP-Adaboost強預(yù)測器預(yù)測錯誤率為(11+5)/300=5.3%，準(zhǔn)確率則為94.7%，且第二類錯誤較少。

3.2 BP-Adaboost強預(yù)測器與BP弱預(yù)測器性能比較

當(dāng)測試樣本數(shù)為300時，BP-Adaboost算法與BP算法故障預(yù)測準(zhǔn)確性比較結(jié)果如表1所示。由表1可以看出，BP-Adaboost算法進(jìn)行預(yù)測時，第一類錯誤率和第二類錯誤率均比BP算法低，準(zhǔn)確率較BP算法高，說明BP-Adaboost算法進(jìn)行棉花采摘機故障診斷效果較好，故障預(yù)測準(zhǔn)確率達(dá)94.7%。

表1 BP算法和BP-Adaboost算法比較/%
Table1 The Comparison of BP algorithm and BP-Adaboost algorithm

算法類型Algorithmtype準(zhǔn)確率Accuracyrate第一類錯誤率Type1errorrate第二類錯誤率Type2errorrateBP算法86 75 77 6BP＿Adaboost算法94 73 61 7

為了進(jìn)一步比較BP-Adaboost算法與BP算法的可靠性，計算了樣本從1到300變化時，兩種算法預(yù)測棉花采摘機故障的樣本錯誤率，結(jié)果如圖3所示。由圖3可以看出，BP-Adaboost強預(yù)測器總體上比BP弱預(yù)測器預(yù)測錯誤率小，且穩(wěn)定性更好。

4 結(jié)論

本研究采用BP-Adaboost算法建立預(yù)測模型對棉花采摘機的故障進(jìn)行預(yù)測。利用不同傳感器采集棉花采摘機核心部件的工況參數(shù)信息，對數(shù)據(jù)預(yù)處理，采用BP-Adaboost算法建立棉花采摘機的故障預(yù)測模型。試驗結(jié)果表明，本文提出的模型預(yù)測準(zhǔn)確率達(dá)94.7%，比傳統(tǒng)BP算法可靠性好，可用于棉花采摘機故障預(yù)測，在降低機具發(fā)生故障的同時，更提高了棉花采摘機的工作效率。

圖3 預(yù)測錯誤率Fig.3 Prediction error rate

[1] Huda A S N，Taib S.Application of infrared thermography for predictive/preventive maintenance of thermal defect in electrical equipment[J].Applied Thermal Engineering，2013，61(2):220-227.

[2] Yuanyuan L，Jiang S.Research on Equipment Predictive Maintenance Strategy Based on Big Data Technology[C]∥Intelligent Transportation，Big Data and Smart City (ICITBS)，2015 International Conference，IEEE，2015:641-644.

[3] Yam R C M，Tse P W，Li L，et al.Intelligent Predictive Decision Support System for Condition-Based Maintenance[J].International Journal of Advanced Manufacturing Technology，2001，17(5):383-391.

[4] 屈秀玲.農(nóng)業(yè)機械故障診斷技術(shù)的研究進(jìn)展[J].農(nóng)村實用科技信息，2017(3):16.

[5] 孫書林.基于模糊邏輯船舶起貨機液壓系統(tǒng)故障診斷專家系統(tǒng)[D].武漢:武漢理工大學(xué)，2011:3-4.

[6] 賀平平.基于聯(lián)合故障樹的農(nóng)機車輛制動系統(tǒng)故障診斷專家系統(tǒng)設(shè)計[J].山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版)，2015，46(3):422-424.

[7] 王吉權(quán).BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機械化中的應(yīng)用研究[D].沈陽：沈陽農(nóng)業(yè)大學(xué)，2011.

[8] 王書提，巴寅亮，郭增波.基于BP神經(jīng)網(wǎng)絡(luò)的電控發(fā)動機故障診斷[J].現(xiàn)代電子技術(shù)，2015，38(9):128-131.

[9] 熊鈺,吳小川,錢凱.基于改進(jìn)ART神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)故障診斷研究[J].北京汽車，2013(4):25-31.

[10] Liu H，Tian H Q，Li Y F，et al.Comparison of four Adaboost algorithm based artificial neural networks in wind speed predictions[J].Energy Conversion and Management，2015，92 (92):67-81.