CN110288726B - 一种基于bp神经网络甘蔗转运车危险预测方法 - Google Patents
一种基于bp神经网络甘蔗转运车危险预测方法 Download PDFInfo
- Publication number
- CN110288726B CN110288726B CN201910570677.1A CN201910570677A CN110288726B CN 110288726 B CN110288726 B CN 110288726B CN 201910570677 A CN201910570677 A CN 201910570677A CN 110288726 B CN110288726 B CN 110288726B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- transfer
- sugarcane
- transfer vehicle
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 94
- 240000000111 Saccharum officinarum Species 0.000 title claims abstract description 44
- 235000007201 Saccharum officinarum Nutrition 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000012097 association analysis method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 108010046685 Rho Factor Proteins 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000124033 Salix Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
- B60S9/00—Ground-engaging vehicle fittings for supporting, lifting, or manoeuvring the vehicle, wholly or in part, e.g. built-in jacks
- B60S9/02—Ground-engaging vehicle fittings for supporting, lifting, or manoeuvring the vehicle, wholly or in part, e.g. built-in jacks for only lifting or supporting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/02—Control of vehicle driving stability
- B60W30/04—Control of vehicle driving stability related to roll-over prevention
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Transportation (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络甘蔗转运车危险预测方法，属于农业机械化、智能化领域，所述方法包括采集倾斜角度和应力数据和转运车稳定性参量的波形；数据处理和波形处理以及特征提取；运用灰色关联分析法选取表征转运车危险关联度最大的前几个值；把关联度较大的数据作为模型输入；基于遗传算法优化BP神经网络建模并进行甘蔗转运车的状态预测，得到转运车当前所处的状态；根据三轴角度传感器的数据调整转运车的四个辅助支撑脚。保证满足能正确预测转运车危险情况的前提下，使用灰色关联分析法选取与转运车状态最相关的监测点进行监测，将数据传入遗传算法优化的BP神经网络中，比仅仅用BP神经网络节约了时间，而且提高了预测的准确性。
Description
技术领域
本发明涉及农业机械化、智能化领域，尤其涉及一种基于BP神经网络甘蔗转运车危险预测方法。
背景技术
广西是全国甘蔗的主要产区，约占60％，但由于甘蔗地多处于丘陵地区，甘蔗收获收之后，再将甘蔗转运到更大的集蔗车中。由于再从转运车转运到更大的集蔗车的过程中，由于处于丘陵地带，使得转运车的稳定性不会像在平原那样稳定，会发生许多非线性、强耦合的危险。尤其在转运车在载重和处于不平整的丘陵地并举高再倾斜一定角度时，尤其会发生转运车倾倒和支撑杆折断的危险，这都是非常危险的事故，会造成相当严重的财产损失，甚至会造成人员身亡。按照实际项目基础，要求所设计的转运车最大举升高度达到3.8m，倾斜角度最大要达到15°，这些要求均是考虑的转运车的实际工作环境和广西独特的丘陵地貌的特性，要求转运车能够在这些环境条件下平稳运行。传统的预防危险的方式还仅仅是靠操作人员的经验判断是否会发生类似的危险事故。因此实现将应力和倾斜角度等参量融合来判断转运车的工作状态，这取代了仅凭借操作人员经验来判断转运车工作状态的情况，不仅节省了人力，而且根据监测数据来预测转运车工作状态更准确。这会有利于推进甘蔗的转运技术和效率。
国内的研究现状：
一是随着机械化生产技术、经营体系日趋完善。甘蔗机械化是个复杂的系统工程，经营模式与技术模式是互为表里、相辅相成的关系。必须由单纯的技术模式结合向经营模式培育的转变。目前，以糖厂为主体，农户、合作社、农机作业服务公司采取多种方式联合的生产组织加快建立，目前已建立350多个，经营服务面积超万亩的由2015年的3家增加到了目前的40多家。广西农机化技术推广总站也及时制定了《甘蔗宽窄行机械种植作业技术规范(试行)》、《甘蔗生产农机农艺融合技术规范(试行)》、《甘蔗机械联合收获作业技术规范(试行)》，对甘蔗从种到收给出了明确的规范。2016年9月，广西投资2400万元在南宁市、柳州市、来宾市、崇左市开展区域服务中心试点建设，主要用于机棚机库建设、维修及培训基地建设补助，开展高效机械化模式试验示范。试点着重开展品种优选、种植模式、机具配套方案试验示范，探讨农机作业信息化、基础设施、实用人才队伍建设方法，研究总结糖料蔗机械化生产经营管理成功模式，为糖料蔗生产全程机械化发展提供可复制、借鉴的样板。
我国甘蔗机械化事业已经处于一个加速发展的前夜。四部委六号文件的出台恰逢其时，通过对发展目标、任务、方法、分工的进一步明确和深化，必将大大加速甘蔗机械化事业发展。
虽然国内外均有很多品牌的甘蔗田间转运车。像国内的柳工、中联；国外的像约翰迪尔等，但是这些机械都只是在结构设计方面做出了很大的努力，而且都是基于平原的设计基础。无论是国内的还是国外的，都没有带有转运车稳定性监测系统。所以，这是当前欠缺的部分。
发明内容
本发明的目的在于提供一种基于BP神经网络甘蔗转运车危险预测方法，以解决现有甘蔗的转运车没有设置稳定性监测，在丘陵地带工作容易出现侧翻的技术问题。根据监测数据就能获悉转运车工作状态的方法，可用于甘蔗转运车的状态识别，对甘蔗转运车的危险状态预警和自动调节功能。
一种基于BP神经网络甘蔗转运车危险预测方法，所述方法包括如下步骤：
步骤1：采集甘蔗转运车倾斜角度和应力数据以及表征转运车稳定性的参量的波形；
步骤2：对采集的数据和波形进行预处理以及特征提取；
步骤3：根据评判转运车稳定性的参数特征，运用灰色关联分析法选取表征转运车危险关联度最大的几个监测点的监测数据；
步骤4：把关联度大的数据作为模型输入；
步骤5：基于遗传算法优化BP神经网络建模并进行甘蔗转运车的状态预测，用遗传算法来寻找BP神经网络的最佳权重和偏置，并将预测输出与期望输出之间的最小均方差值作为遗传算法的损失函数，得到转运车当前所处的状态；
步骤6：根据三轴角度传感器的数据调整甘蔗转运车四个辅助支脚，进行甘蔗转运车调平操作。
进一步地，所述步骤3中，将所有的监测点的应力和倾斜角度的传感器数据都传入计算机，将评判转运车稳定性的参数的数据作为参考序列，应力和倾斜角度的数据作为比较序列，经过无量纲化，确定各指标值对应的权重，计算灰色关联系数，选出和参考序列关联度最大的监测点。
进一步地，所述步骤5的具体过程为:建立BP神经网络，并且把步骤3选取出来的和甘蔗转运车稳定性关联度大的点数据作为BP神经网络的输入数据，将参考序列的数据作为网络的输出，将数据集分为训练集和测试集对网络进行训练和测试，确保对网络的训练足够精确，减少输出误差。
进一步地，所述步骤4的具体过程为：
步骤4.1：选取一个评判转运车稳定性的参数作为参考序列；
步骤4.2：将各个监测节点的应力和角度数据作为比较序列；
步骤4.3：对数据进行无量纲化处理，用x_i(k)表示第i个因素的第k个数值，用x_0(k)表示母序列，i≥1的表示子序列，也是要分析的要素的序列，如果不写括号，比如x_i代表这个元素的整个序列，向量x_i＝[x_i(1),x_i(2),...,x_i(n)]，n为每个向量的维度，每个元素的特征的数量，以下所有表述都用该notation表示；
计算灰色关联系数
如下公式：
公式中的i是因素个数，k为每个因素的数据维度，ρ就是rho。
rho是一个可调节的系数，取值为(0，1)，大于零小于一，rho是控制zeta系数区分度的一个系数，rho取值0到1，rho越小，区分度越大，一般取值0.5较为合适，zeta关联系数取值落在0到1之间；rho是控制zeta系数区分度的一个系数。
计算关联系数均值，形成关联序。
进一步地，所述步骤5中过程为：
步骤5.1：将实验测得的转运车重要节点的应力和角度数据和表征转运车稳定性参量的以波形的方式输出；
步骤5.2：对数据和波形进行预处理；
步骤5.3：确定输入层、隐含层和输出层的数量，将实验数据按75％和25％分成训练集和测试集；
步骤5.4：建立神经网络，确定网络要使用的激活函数和传递函数；
步骤5.5：遗传算法初始化，设定迭代次数和种群规模以及交叉概率和变异概率；
步骤5.6：把最优初始阀值权值赋予网络预测，利用网络来进行训练，将实际的输出与期望的输出之间的均方差误差作为评价函数，设定停止条件。
进一步地，所述步骤5.5的具体过程为：
定义每一代种群的平均适应度、每一代种群的最佳适应度和适应度最好的染色体，计算群体中各个个体的适应度，再随机选择规模小的种群作用于群体，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，进行选择操作，对种群实行交叉运算、和变异操作，找到最小和最大适应度的染色体及它们在种群中的位置代替上一次进化中最好的染色体，记录每一代进化中最好的适应度和平均适应度。
进一步地，所述步骤1中：基于将实际的甘蔗田间转运车缩小N倍做成的实际的实验模型，N为正整数，通过在实验模型上各个监测点贴上传感器来获取需要的数据和波形，将应力和倾斜角度作为判断转运车稳定性的监测参量并对评价转运车稳定性的参量做出选择和数据的波形采集。
进一步地，所述步骤2的具体过程为：将全体数据保存并读取所有数据，将波形经过小波分析处理去除包括噪声等在内的无用信号，增强有用信号，对信号波形进行特征提取，获得表征转运车稳定性的信号的特征。
本发明采用了上述技术方案，本发明具有以下技术效果：
本发明是基于实际的模型和现实基础，在国内外均只是注重转运车的结构设计，而忽略转运车稳定性，在将有可能发生危险的监测点的数据全部通过传感器采集到，然后为了减小数据的输入量和工作难度以及系统的处理时间，在保证满足能正确预测转运车危险情况的前提下，使用灰色关联分析法选取与转运车状态最相关的监测点进行监测，在通过监测多种多个表示转运车运行状态的传感器数据，将数据传入遗传算法优化的BP神经网络中，比仅仅用BP神经网络节约了时间，而且提高了预测的准确性，通过智能化的方法实现对预防转运车发生严重事故做出准确的提前预警。
附图说明
图1为本发明流程图。
图2为本发明应力随质量的变化图。
图3为本发明应力随倾斜角度的变化图。
图4为本发明应力随举升高度的变化图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
请参阅图1，本发明提供一种基于BP神经网络甘蔗转运车危险预测方法，所述方法包括如下步骤：
步骤1：采集倾斜角度和应力数据以及表征转运车稳定性的参量的波形。在进行与仿真实际配合时，将实际的甘蔗田间转运车缩小N倍做成的实际的实验模型，通过在实验模型上各个点贴上传感器来获取需要的数据和波形。
步骤2：对采集的数据和波形进行预处理。
步骤3：根据评判转运车稳定性的参数特征，运用灰色关联分析法选取表征转运车危险关联度最大的前几个点的监测点的监测数据。将所有的监测点的应力和倾斜角度的传感器数据都传入计算机，将评判转运车稳定性的参数的数据作为参考序列，应力和倾斜角度的数据作为比较序列，经过无量纲化，确定各指标值对应的权重，计算灰色关联系数等计算步骤，选出和参考序列关联度最大的监测点。
步骤4：把关联度较大的数据作为模型输入。
灰色关联法的原理如下：
选取一个评判转运车稳定性的参数作为参考序列。
将各个监测节点的应力和角度数据作为比较序列。
对数据进行无量纲化处理。我们用x_i(k)表示第i个因素的第k个数值，我们用x_0(k)表示母序列，i≥1的表示子序列，也就是要分析的要素的序列。如果不写括号，比如x_i，就代表这个元素的整个序列，也就是向量x_i＝[x_i(1),x_i(2),...,x_i(n)]，n为每个向量的维度，也就是每个元素的特征的数量，以下所有表述都用该notation表示。
对数据进行无量纲化处理。
计算灰色关联系数
先放上公式：
rho是一个可调节的系数，取值为(0,1)，大于零小于一，rho是控制zeta系数区分度的一个系数，rho取值0到1，rho越小，区分度越大，一般取值0.5较为合适。zeta关联系数取值落在0到1之间。
计算关联系数均值，形成关联序。
步骤5：运用BP神经网络训练数据。需要建立BP神经网络，并且把步骤3选取出来的和甘蔗转运车稳定性关联度大的点的数据作为BP神经网络的输入数据，将参考序列的数据作为网络的输出，将数据集分为训练集和测试集对网络进行训练和测试，确保对网络的训练足够精确，减少输出误差。
步骤6：将群智能算法中的遗传算法和BP神经网络结合，用遗传算法来寻找BP神经网络的最佳权重和偏置，并将预测输出与期望输出之间的最小均方差值作为遗传算法的损失函数。将群智能算法中的遗传算法和BP神经网络结合，步骤5中仅仅用BP神经网络进行数据的处理和转运车稳定性预测，可能会因为为了寻找最佳的权重和偏置花费很多时间，而且即使找到了权重和偏置也不是最佳的。这就会导致对转运车的状态预测不准确，所以运用遗传算法来寻找BP神经网络的最佳权值和偏置不仅节约了时间，关键经过实验证明确实比仅用BP神经网络对转运车的状态预测更加准确。
将实验测得的转运车模型重要节点的应力和角度数据和表征转运车稳定性参量的波形以合适的方式输出。
对数据和波形进行预处理，特征提取。
确定输入层、隐含层和输出层的数量，将实验数据按75％和25％分成训练集和测试集。
建立神经网络，确定网络要使用的激活函数和传递函数。
遗传算法初始化，设定迭代次数和种群规模以及交叉概率和变异概率。定义每一代种群的平均适应度、每一代种群的最佳适应度和适应度最好的染色体，计算群体中各个个体的适应度，再随机选择规模小的种群作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，进行选择操作。对种群实行交叉运算、和变异操作，找到最小和最大适应度的染色体及它们在种群中的位置代替上一次进化中最好的染色体，记录每一代进化中最好的适应度和平均适应度。
把最优初始阀值权值赋予网络预测，利用网络来进行训练，将实际的输出与期望的输出之间的均方差误差作为评价函数，设定合适的停止条件。
该方法采取遗传算法优化的BP神经网络对甘蔗转运车的状态进行监测，通过实验验证可行有效，不仅如此，和仅仅使用BP神经来比较，不仅节约了时间而且还提高了准确性。实验采用很少的数据作为训练数据对网络进行简单训练，10个数据作为测试数据，结果显示有三组数据和实际数据有偏差，随着数据量的增大，预测的准确率越来越高。
步骤7：将步骤6训练得到的系统应用于实际，输入监测点的应力值和倾斜角度值传入系统，输出目前转运车所处的状态。
步骤8：根据三轴角度传感器的数据调整四个辅助支脚，进行转运车的调平操作。
为了贴切实际的项目需求，在前期也做了许多实验，来尽可能的模拟转运车实际的工作情况，由于受种种因素的影响，不能在实际的转运车上做实验，所以，将实际的转运车结构下，等比例缩小了N倍，做出了实验模型。在此模型上，做了可能存在危险的所有节点的应力情况做了实验，通过应力数据绘制了应力随载重、举升高度和倾斜角度变化而变化的规律。将无线应变传感器贴在实验模型上，并通过动态无线应力监测设备获得实验数据，并采集评定转运车稳定性的参量的波形，将波形经过小波处理、特征提取等处理得到表征转运车稳定性的信号特征。
图2是本发明确定的显著点2在举升高度和倾斜角度在情况1下应力随质量的变化。根据图2可以看出：监测点2的应力随着质量的增大而增大。
图3是本发明确定的显著点2在举升高度和倾质量在情况1下应力随倾斜角度的变化。根据图3可以看出：监测点2的应力随着倾斜角度的增大而增大。
图4是本发明确定的显著点2在质量和倾斜角度在情况1下应力随举升高度的变化。根据图4可以看出：监测点2的应力随着举升高度的增大先增大再减小。根据实际测得的数据，转运车的各个监测点的应力变化规律都是如监测点2相同。显著点2是在实际数据监测中比较显著的点，只是监测中其中的一个点。举升高度和倾质量在情况1下是设置了举升高度和倾质量的具体值。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于BP神经网络甘蔗转运车危险预测方法，其特征在于，所述方法包括如下步骤：
步骤1：采集甘蔗转运车倾斜角度和应力数据以及表征转运车稳定性的参量的波形；
步骤2：对采集的数据和波形进行预处理以及特征提取；
步骤3：根据评判转运车稳定性的参数特征，运用灰色关联分析法选取表征转运车危险关联度最大的几个监测点的监测数据；
步骤4：把关联度大的数据作为模型输入；
步骤5：基于遗传算法优化BP神经网络建模并进行甘蔗转运车的状态预测，用遗传算法来寻找BP神经网络的最佳权重和偏置，并将预测输出与期望输出之间的最小均方差值作为遗传算法的损失函数，得到转运车当前所处的状态；
步骤6：根据三轴角度传感器的数据调整甘蔗转运车四个辅助支脚，进行甘蔗转运车调平操作；
所述步骤3中，将所有的监测点的应力和倾斜角度的传感器数据都传入计算机，将评判转运车稳定性的参数的数据作为参考序列，应力和倾斜角度的数据作为比较序列，经过无量纲化，确定各指标值对应的权重，计算灰色关联系数，选出和参考序列关联度最大的监测点；
所述步骤5的具体过程为:建立BP神经网络，并且把步骤3选取出来的和甘蔗转运车稳定性关联度大的点数据作为BP神经网络的输入数据，将参考序列的数据作为网络的输出，将数据集分为训练集和测试集对网络进行训练和测试，确保对网络的训练足够精确，减少输出误差；
所述步骤4的具体过程为：
步骤4.1：选取一个评判转运车稳定性的参数作为参考序列；
步骤4.2：将各个监测节点的应力和角度数据作为比较序列；
步骤4.3：对数据进行无量纲化处理，用x_i(k)表示第i个因素的第k个数值，用x_0(k)表示母序列，i≥1的表示子序列，也是要分析的要素的序列，如果不写括号，比如x_i代表这个元素的整个序列，向量x_i＝[x_i(1),x_i(2),...,x_i(n)]，n为每个向量的维度，每个元素的特征的数量，以下所有表述都用该notation表示；
计算灰色关联系数
如下公式：
公式中的i是因素个数，k为每个因素的数据维度，ρ就是rho，rho是一个可调节的系数，取值为(0，1)，大于零小于一，rho是控制zeta系数区分度的一个系数，rho取值0到1，rho越小，区分度越大，一般取值0.5较为合适，zeta关联系数取值落在0到1之间，rho是控制zeta系数区分度的一个系数；
计算关联系数均值，形成关联序；
所述步骤5中过程为：
步骤5.1：将实验测得的转运车重要节点的应力和角度数据和表征转运车稳定性参量的以波形的方式输出；
步骤5.2：对数据和波形进行预处理；
步骤5.3：确定输入层、隐含层和输出层的数量，将实验数据按75％和25％分成训练集和测试集；
步骤5.4：建立神经网络，确定网络要使用的激活函数和传递函数；
步骤5.5：遗传算法初始化，设定迭代次数和种群规模以及交叉概率和变异概率；
步骤5.6：把最优初始阀值权值赋予网络预测，利用网络来进行训练，将实际的输出与期望的输出之间的均方差误差作为评价函数，设定停止条件；
所述步骤5.5的具体过程为：
定义每一代种群的平均适应度、每一代种群的最佳适应度和适应度最好的染色体，计算群体中各个个体的适应度，再随机选择规模小的种群作用于群体，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，进行选择操作，对种群实行交叉运算、和变异操作，找到最小和最大适应度的染色体及它们在种群中的位置代替上一次进化中最好的染色体，记录每一代进化中最好的适应度和平均适应度；
所述步骤1中：基于将实际的甘蔗田间转运车缩小N倍做成的实际的实验模型，N为正整数，通过在实验模型上各个监测点贴上传感器来获取需要的数据和波形，将应力和倾斜角度作为判断转运车稳定性的监测参量并对评价转运车稳定性的参量做出选择和数据的波形采集；
所述步骤2的具体过程为：将全体数据保存并读取所有数据，将波形经过小波分析处理去除包括噪声等在内的无用信号，增强有用信号，对信号波形进行特征提取，获得表征转运车稳定性的信号的特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910570677.1A CN110288726B (zh) | 2019-06-28 | 2019-06-28 | 一种基于bp神经网络甘蔗转运车危险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910570677.1A CN110288726B (zh) | 2019-06-28 | 2019-06-28 | 一种基于bp神经网络甘蔗转运车危险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110288726A CN110288726A (zh) | 2019-09-27 |
| CN110288726B true CN110288726B (zh) | 2021-10-08 |
Family
ID=68019248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910570677.1A Active CN110288726B (zh) | 2019-06-28 | 2019-06-28 | 一种基于bp神经网络甘蔗转运车危险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288726B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114116370B (zh) * | 2021-08-31 | 2024-04-26 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 复杂电子系统运行健康状态监测点优选方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793582B (zh) * | 2014-03-05 | 2016-07-06 | 福州大学 | 圆柱壳大开孔接管结构优化方法 |
| CN104401323A (zh) * | 2014-11-04 | 2015-03-11 | 河北工程大学 | 一种重型车辆侧翻预警方法及装置 |
| CN105913122A (zh) * | 2015-09-09 | 2016-08-31 | 广东技术师范学院 | 基于混合田口遗传算法的精车轴套表面残余应力预测方法 |
| CN105292121B (zh) * | 2015-11-27 | 2017-09-26 | 韦志强 | 一种预判车辆稳定性的方法 |
| US10467824B2 (en) * | 2016-04-26 | 2019-11-05 | Walter Steven Rosenbaum | Method for determining driving characteristics of a vehicle and vehicle analyzing system |
| CN107458498A (zh) * | 2017-08-24 | 2017-12-12 | 广西民族大学 | 一种小型甘蔗转运车 |
| CN109409568A (zh) * | 2018-09-19 | 2019-03-01 | 安徽农业大学 | 一种基于遗传算法优化bp神经网络地下水埋深的预测方法 |
| CN109664890B (zh) * | 2018-12-24 | 2020-08-04 | 河北工程大学 | 基于svm模型的汽车侧翻预警算法 |
| CN109858112B (zh) * | 2019-01-15 | 2020-10-16 | 上海交通大学 | 基于结构应力监测结果的数值反演分析方法 |
-
2019
- 2019-06-28 CN CN201910570677.1A patent/CN110288726B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110288726A (zh) | 2019-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112417573B (zh) | 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法 | |
| CN113779835A (zh) | 基于ai与智能监测系统的深大基坑安全预警方法 | |
| CN106053067A (zh) | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 | |
| CN107119657B (zh) | 一种基于视觉测量基坑监测方法 | |
| CN106289691A (zh) | 一种基于微波雷达装置的桥梁分块冲击振动检测方法及检测装置 | |
| CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
| CN102279419B (zh) | 一种基于遗传算法提高缝洞型油藏自动历史拟合效率的方法 | |
| CN111382472A (zh) | 随机森林融合svm预测盾构引起近接结构变形方法及装置 | |
| CN112232522A (zh) | 一种深部巷道支护方案智能推荐及动态优化方法 | |
| CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
| CN110288726B (zh) | 一种基于bp神经网络甘蔗转运车危险预测方法 | |
| CN111305899B (zh) | 用于地铁车站拱盖法施工临时支撑拆除长度确定的方法 | |
| CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
| CN116050603A (zh) | 基于混合智能方法的暗挖隧道变形预测和优化方法及设备 | |
| Wang et al. | Simulation-based optimization for modeling and mitigating tunnel-induced damages | |
| CN112396312B (zh) | 一种沉井下沉施工自动决策方法及系统 | |
| WO2023241472A1 (zh) | 一种岩土工程结构模态预测分析方法以及系统 | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
| CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
| Oh et al. | Multi-objective optimization method to search for the optimal convolutional neural network architecture for long-term structural health monitoring | |
| CN115860189A (zh) | 一种低碳目标下土地利用空间格局优化方法及系统 | |
| CN115510726A (zh) | 一种输电铁塔运行状态数字化快速评估方法 | |
| CN108664711A (zh) | 锚杆轴力变化趋势预测方法 | |
| CN103994858B (zh) | 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法 | |
| CN111767649A (zh) | 一种软基地区变电站地质变形安全评估方法 |
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 |