基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測研究

陳 翔

(成都農(nóng)業(yè)科技職業(yè)學(xué)院,四川 溫江 611130)

0 引言

隨著自動化技術(shù)、機(jī)械技術(shù)、智能控制技術(shù)的不斷融合和發(fā)展,農(nóng)機(jī)設(shè)備的智能化程度越來越高,其應(yīng)用價值也日益提高[1]。在農(nóng)機(jī)工作過程中,會出現(xiàn)一定的故障,影響農(nóng)機(jī)設(shè)備的正常工作,不僅浪費人力、物力,而且影響工作積極性。農(nóng)機(jī)設(shè)備狀態(tài)檢測可以對農(nóng)機(jī)設(shè)備工作性能進(jìn)行實時分析,幫助工作人員及時找到農(nóng)機(jī)設(shè)備故障位置,因此狀態(tài)檢測成為當(dāng)前一個重要的研究方向[2-4]。

針對農(nóng)機(jī)設(shè)備狀態(tài)檢測問題,一些專業(yè)人士及研究機(jī)構(gòu)進(jìn)行了比較深入的研究。目前,美國、加拿大等發(fā)達(dá)國家對農(nóng)機(jī)設(shè)備狀態(tài)檢測研究比較成熟,我國的農(nóng)機(jī)設(shè)備狀態(tài)檢測研究雖起步比較晚,但發(fā)展速度相當(dāng)快[5-7]。最原始的農(nóng)機(jī)設(shè)備狀態(tài)檢測方法主要通過一些工作人員對農(nóng)機(jī)設(shè)備所處狀態(tài)進(jìn)行分析,檢測結(jié)果好壞與工作人員的知識和經(jīng)驗直接相關(guān),具有一定主觀性,同時檢測過程時間長,無法適應(yīng)現(xiàn)代農(nóng)機(jī)設(shè)備發(fā)展需要[8]。隨后,建立了基于專家系統(tǒng)的農(nóng)機(jī)設(shè)備狀態(tài)檢測方法,利用信息技術(shù)、數(shù)據(jù)庫技術(shù)、機(jī)器學(xué)習(xí)理論等構(gòu)建農(nóng)機(jī)設(shè)備狀態(tài)檢測的專家知識庫,對于一個待分析的農(nóng)機(jī)設(shè)備狀態(tài),通過與專家知識庫的規(guī)則進(jìn)行匹配得到農(nóng)機(jī)設(shè)備狀態(tài)檢測結(jié)果[9-11]。該方法檢測效果要遠(yuǎn)優(yōu)于人工方法,檢測效率也得到了提高,但構(gòu)建專家知識庫的過程十分復(fù)雜,且農(nóng)機(jī)設(shè)備狀態(tài)檢測結(jié)果與知識庫的規(guī)則多少相關(guān),缺陷也十分明顯,如農(nóng)機(jī)設(shè)備狀態(tài)檢測正確率低等。近年來,隨著人工智能的不斷發(fā)展,出現(xiàn)了許多基于人工智能技術(shù)的農(nóng)機(jī)設(shè)備狀態(tài)檢測方法,如基于神經(jīng)網(wǎng)絡(luò)的農(nóng)機(jī)設(shè)備狀態(tài)檢測方法。其通過神經(jīng)網(wǎng)絡(luò)對農(nóng)機(jī)設(shè)備狀態(tài)變化特點進(jìn)行學(xué)習(xí)和建模,使其能夠自動檢測出農(nóng)機(jī)設(shè)備狀態(tài),但學(xué)習(xí)的結(jié)構(gòu)過于復(fù)雜、過程收斂效率低,使得農(nóng)機(jī)設(shè)備狀態(tài)檢測的實時性差[12-14]。

根據(jù)農(nóng)機(jī)設(shè)備狀態(tài)變化的隨機(jī)性,為解決當(dāng)前農(nóng)機(jī)設(shè)備狀態(tài)檢測方法存在的不足,設(shè)計了基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測方法。首先,采集農(nóng)機(jī)設(shè)備狀態(tài)數(shù)據(jù),提取農(nóng)機(jī)設(shè)備狀態(tài)檢測特征;然后,引用計算機(jī)數(shù)據(jù)挖掘建立農(nóng)機(jī)設(shè)備狀態(tài)自能檢測模型;最后,進(jìn)行了農(nóng)機(jī)設(shè)備狀態(tài)檢測仿真測試,分析本文方法的農(nóng)機(jī)設(shè)備狀態(tài)檢測可行性和優(yōu)越性。

1 計算機(jī)數(shù)據(jù)挖掘技術(shù)

1.1 支持向量機(jī)分類方法

計算機(jī)數(shù)據(jù)挖掘技術(shù)是計算機(jī)技術(shù)和數(shù)據(jù)分析技術(shù)融合的結(jié)果,其中支持向量機(jī)是一種經(jīng)典的計算機(jī)數(shù)據(jù)挖掘技術(shù),不僅具有分類能力,也具有回歸能力[15]。由于農(nóng)機(jī)設(shè)備狀態(tài)檢測問題屬于分類問題,因此本文重點描述支持向量機(jī)分類原理。農(nóng)機(jī)設(shè)備狀態(tài)通常劃為正常狀態(tài)或異常狀態(tài),異常狀態(tài)主要表現(xiàn)為故障狀態(tài)。采用H1表示正常狀態(tài),H2表示異常狀態(tài),那么支持向量機(jī)通過建立一個分類平面,將農(nóng)機(jī)設(shè)備的正常狀態(tài)和異常狀態(tài)區(qū)別開來,具體如圖1所示。圖1中,H表示分類線,H1和H2表示兩類狀態(tài),要盡可能使它們間距離達(dá)到最小化,使檢測結(jié)果更理想。

圖1 支持向量機(jī)的分類原理Fig.1 Classification principle of support vector machines

設(shè)農(nóng)機(jī)設(shè)備狀態(tài)檢測的數(shù)據(jù)集合為{xi,yi}(i=1,2,…,l),x∈Rn,y∈{+1,-1}。其中,l為農(nóng)機(jī)設(shè)備狀態(tài)檢測的數(shù)據(jù)規(guī)模;n為農(nóng)機(jī)設(shè)備狀態(tài)檢測特征數(shù)量;y為農(nóng)機(jī)設(shè)備狀態(tài)類型。支持向理機(jī)將數(shù)據(jù)映射到高維空間,此時分類平面可以描述為

w·ψ(x)+b=0

(1)

其中,ψ(x)為映射函數(shù),應(yīng)滿足如下條件,即

(2)

其中,w為用于描述直線的法向量。

在農(nóng)機(jī)設(shè)備狀態(tài)檢測過程,建立的分類平面有一定的誤差,為此引入松弛變量ξi和懲罰參數(shù)C對分類誤差和計算復(fù)雜度進(jìn)行平穩(wěn)。這樣,式(1)求解就可以變化一個基本優(yōu)化問題,具體為

(3)

采用拉格朗系數(shù)αi得到式(3)對偶形式,即

(4)

其中,αi非零對應(yīng)的向量為支持向量,直接決定了農(nóng)機(jī)設(shè)備狀態(tài)檢測效果,可以建立農(nóng)機(jī)設(shè)備狀態(tài)檢測的判別函數(shù),即

(5)

內(nèi)積操作(ψ(xi)·ψ(x))的工作過程十分復(fù)雜,影響農(nóng)機(jī)設(shè)備狀態(tài)檢測效率,為此引入核函數(shù)K(xi,x)代替(ψ(xi)·ψ(x)),加快農(nóng)機(jī)設(shè)備狀態(tài)檢測速度。選擇徑向基高斯函數(shù)為K(xi,x),具體為

(6)

其中,σ為核寬度。

在農(nóng)機(jī)設(shè)備狀態(tài)檢測的建模過程中,參數(shù)C和σ影響農(nóng)機(jī)設(shè)備狀態(tài)檢測效果,采用蟻群算法確定C和σ的值。

1.2 蟻群算法

蟻群算法通過模擬螞蟻尋找食物過程實現(xiàn)問題的求解。設(shè)第t個時間,螞蟻k所處的位置為i,那么它向j位置爬行概率為

(7)

其中,ηij為螞蟻爬行過程中路徑上的信息素啟發(fā)因子;τij(t)為位置i和位置j之間路徑上的信息素;tabuk為螞蟻k的路徑搜索禁忌表;α為信息素的權(quán)值;β為啟發(fā)因子的權(quán)值,其值變化方式為

(8)

其中,n為迭代次數(shù);β0為啟發(fā)因子的權(quán)值初值;Nmax為最大循環(huán)次數(shù)。

螞蟻所有位置搜索后,對路徑的信息濃度進(jìn)行更新,即

(9)

2 基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測方法

2.1 農(nóng)機(jī)設(shè)備狀態(tài)數(shù)據(jù)的采集

當(dāng)農(nóng)機(jī)設(shè)備狀態(tài)發(fā)生變化時,許多參數(shù)會發(fā)生相應(yīng)的改變,其中振動信號是一種描述農(nóng)機(jī)設(shè)備狀態(tài)變化的重要參數(shù)。因此,采用無線傳感器對農(nóng)機(jī)設(shè)備的振動信號進(jìn)行采集,并對采集的原始農(nóng)機(jī)設(shè)備振動信號進(jìn)行預(yù)處理,提取有效的農(nóng)機(jī)設(shè)備狀態(tài)數(shù)據(jù)。

2.2 提取農(nóng)機(jī)設(shè)備狀態(tài)特征

采用小波包農(nóng)機(jī)設(shè)備振動信號進(jìn)行分解,第i層分解信號為fij(tj),農(nóng)機(jī)設(shè)備振動信號x(t)可以表示為

(10)

其中,fij(tj)代表了電機(jī)信號的小波包分解在第i層節(jié)點(i,j)上的重構(gòu)信號。

狀態(tài)發(fā)生改變后,其振動信號的能量會相應(yīng)的變化,可以根據(jù)能量譜對農(nóng)機(jī)設(shè)備狀態(tài)進(jìn)行檢測。能量譜計算公式為

(11)

其中,xij為fij(tj)的幅值。

農(nóng)機(jī)設(shè)備狀態(tài)振動信號總能量為

(12)

第i層小波包分解的農(nóng)機(jī)設(shè)備振動信號子頻帶能量占總能量比例為

(13)

采用Pij作為取農(nóng)機(jī)設(shè)備狀態(tài)的檢測特征,即支持向量機(jī)分類的輸入向量,農(nóng)機(jī)設(shè)備狀態(tài)作為支持向量機(jī)輸出向量。

2.3 農(nóng)機(jī)設(shè)備狀態(tài)檢測模型

基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測方法的工作步驟具體如下:

1)采用無線傳感器對農(nóng)機(jī)設(shè)備的振動信進(jìn)行采集,提取有效的農(nóng)機(jī)設(shè)備振動信號,去除一些無效的信號;

2)采用小波包對農(nóng)機(jī)設(shè)備振動信號進(jìn)行處理和分析,計算不同子頻信號的能量值,然后計算子頻信號的能量在總能量所占比例,得到農(nóng)機(jī)設(shè)備檢測的特征向量;

3)農(nóng)機(jī)設(shè)備檢測的特征向量作為輸入,農(nóng)機(jī)設(shè)備狀態(tài)作為輸出,建立農(nóng)機(jī)設(shè)備檢測的樣本集;

4)從樣本集中隨機(jī)選擇一定數(shù)量的樣本組成訓(xùn)練,沒有選中的樣本作為驗證集,通常情況下訓(xùn)練樣本數(shù)量要遠(yuǎn)遠(yuǎn)多于驗證樣本;

5)蟻群算法和支持向量機(jī)對農(nóng)機(jī)設(shè)備檢測訓(xùn)練集進(jìn)行學(xué)習(xí),確定C和σ的值,建立農(nóng)機(jī)設(shè)備檢測模型;

6)采用驗證樣本對農(nóng)機(jī)設(shè)備檢測模型的檢測正確率、誤檢率進(jìn)行計算,分析農(nóng)機(jī)設(shè)備的檢測的效果。

基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測流程如圖2所示。

圖2 基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測流程Fig.2 Intelligent detection process of agricultural machinery condition based on computer data mining

3 仿真測試

3.1 仿真平臺

為了測試基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測方法的有效性,選擇的仿真平臺為:Intel酷睿i3-6100 CPU,芝奇Ripjaws4 DDR4 8G RAM,英特爾 600P 256G SSD,Win 10操作系統(tǒng)。采用Java編程實現(xiàn)農(nóng)機(jī)設(shè)備狀態(tài)智能檢測模型,選擇對象為花生脫殼機(jī)、小型旋耕機(jī)、水稻收割機(jī)、農(nóng)作物秸稈粉碎機(jī)及土壤耕整機(jī),其正常狀態(tài)和異常狀態(tài)的樣本數(shù)量如表1所示。

表1 各種農(nóng)機(jī)設(shè)備的狀態(tài)樣本數(shù)量Table 1 Quantity of various farm machinery

3.2 結(jié)果與分析

選擇基于專家系統(tǒng)的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測方法進(jìn)行對比測試,采用蟻群算法確定C和σ的值,如表2所示。

表2 蟻群算法確定C和σ的值Table 2 Determine the value of C and sigma by ant colony algorithm

專家系統(tǒng)和計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測方法的檢測正確率和誤檢率如圖3和圖4所示。由圖3、圖4可知:

圖3 農(nóng)機(jī)設(shè)備狀態(tài)智能檢測正確率Fig.3 Intelligent detection accuracy of agricultural machinery condition

圖4 農(nóng)機(jī)設(shè)備狀態(tài)的誤檢率Fig.4 Error rate of agricultural machinery condition

1)農(nóng)機(jī)設(shè)備狀態(tài)變化具有隨機(jī)性,而專家系統(tǒng)的知識庫規(guī)則有限,無法完整描述農(nóng)機(jī)設(shè)備狀態(tài)變化規(guī)律,檢測正確率較低,檢測效果不理想。

2)基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)檢測方法效果得到了明顯的改善,檢測正確率高,且檢測出現(xiàn)錯誤的概率大幅度縮小,說明計算機(jī)數(shù)據(jù)挖掘技術(shù)可以描述農(nóng)機(jī)設(shè)備狀態(tài)變化的隨機(jī)性,檢測結(jié)果更加可信。

最后,統(tǒng)計農(nóng)機(jī)設(shè)備狀態(tài)檢測時間,結(jié)果如表3所示。由表3可以看出:基于專家系統(tǒng)的農(nóng)機(jī)設(shè)備狀態(tài)檢測時間長,基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測時間短。這說明,計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測速度快,符合現(xiàn)代農(nóng)機(jī)設(shè)備狀態(tài)智能檢測實時性條件。

表3 農(nóng)機(jī)設(shè)備狀態(tài)的檢測時間Table 3 Etection time of agricultural machinery condition

4 結(jié)論

根據(jù)農(nóng)機(jī)設(shè)備狀態(tài)的多變性,針對當(dāng)前農(nóng)機(jī)設(shè)備狀態(tài)檢測缺陷,設(shè)計了基于計算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)檢測方法,并引入計算機(jī)數(shù)據(jù)挖掘中的支持向量機(jī)和蟻群算法聯(lián)系對農(nóng)機(jī)設(shè)備狀態(tài)檢測進(jìn)行建模。對比實驗結(jié)果表明:無論從農(nóng)機(jī)設(shè)備狀態(tài)檢測正確率或農(nóng)機(jī)設(shè)備狀態(tài)檢測效率,本文方法均要明顯優(yōu)于傳統(tǒng)的農(nóng)機(jī)設(shè)備狀態(tài)檢測方法。本文方法可以有效描述農(nóng)機(jī)設(shè)備狀態(tài)變化規(guī)律,是一種結(jié)果可靠、速度快的農(nóng)機(jī)設(shè)備狀態(tài)檢測方法。