CN110622692B - 一种甘蔗联合收割机运行状态的智能识别方法及系统 - Google Patents

一种甘蔗联合收割机运行状态的智能识别方法及系统 Download PDF

Info

Publication number
CN110622692B
CN110622692B CN201910857563.5A CN201910857563A CN110622692B CN 110622692 B CN110622692 B CN 110622692B CN 201910857563 A CN201910857563 A CN 201910857563A CN 110622692 B CN110622692 B CN 110622692B
Authority
CN
China
Prior art keywords
data
combine harvester
torque
sugarcane combine
torque sensor
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
Application number
CN201910857563.5A
Other languages
English (en)
Other versions
CN110622692A (zh
Inventor
陈远玲
班成周
覃东东
孙英杰
王肖
高骁卿
张展祎
田琪琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Original Assignee
Guangxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN201910857563.5A priority Critical patent/CN110622692B/zh
Publication of CN110622692A publication Critical patent/CN110622692A/zh
Application granted granted Critical
Publication of CN110622692B publication Critical patent/CN110622692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D45/00—Harvesting of standing crops
    • A01D45/10—Harvesting of standing crops of sugar cane
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/08—Registering or indicating the production of the machine either with or without registering working or idle time
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Environmental Sciences (AREA)
  • Economics (AREA)
  • Animal Husbandry (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Harvesting Machines For Specific Crops (AREA)

Abstract

本发明涉及甘蔗联合收割机技术领域，尤其是一种甘蔗联合收割机运行状态的智能识别方法及系统。本发明通过实时测量甘蔗联合收割机运行过程中关键工作部件的扭矩负载信息和行驶速度，其中关键部件包括：砍蔗机构、行驶机构、切断机构、风机机构。实时测量系统包括：传感器、无线AP路由器、计算机和显示屏。基于该扭负载矩信息和行驶速度，通过主成分分析法(PCA)、遗传算法(GA)和支持向量机(SVM)建立甘蔗联合收割机的协同状态识别模型，利用该模型对甘蔗联合收割机运行状态进行实时识别与判断，这是一种有效的软测量方法。进而，可以根据甘蔗联合收割机的预测运行状态调整实际运行参数，使甘蔗联合收割机的工作性能更佳。

Description

一种甘蔗联合收割机运行状态的智能识别方法及系统
技术领域
本发明涉及甘蔗联合收割机技术领域，尤其是一种甘蔗联合收割机运行状态的智能识别方法及系统。
背景技术
以下对本发明的相关技术背景进行说明，但这些说明并不一定构成本发明的现有技术。
甘蔗作为我国主要的糖料作物，其产业发展不仅关乎民生而且关系到我国粮食安全，甘蔗联合收割机作为甘蔗产业链中的重要机械设备近年来备受关注。
甘蔗联合收割机运行状态一般可以分为四种工况：空载状态、正常收割状态、重载状态和堵塞状态，甘蔗联合收割机在复杂工况下工作时，由于无法准确识别、判断出机器运行状态，仅仅依靠人工经验判断和操作很容易出现外负载和动力匹配不合理从而造成物流通道堵塞、能源浪费、收割效率低等问题。这些问题成为限制甘蔗收获机械化水平的重要因素。
因此，如何自动识别甘蔗联合收割机的运行状态成为本领域技术人员急需解决的问题。
发明内容
本发明旨在解决上述技术问题至少之一。
即本发明针对现有技术的不足，提供一种自动识别甘蔗联合收割机的运行状态的识别方法及系统。
为解决上述问题，本申请的一种甘蔗联合收割机运行状态的智能识别方法，包括如下步骤：
S1)实时采集甘蔗联合收割机的左刀盘扭矩数据、右刀盘扭矩数据、左轮扭矩数据、右轮扭矩数据、行驶速度数据、切断轴扭矩数据、风机轴扭矩数据，并将数据发送给数据处理模块；
S2)数据处理模块将步骤S1)中获取的甘蔗联合收割机的数据导入存储在数据处理模块内的协同状态识别模型中并与所述协同状态识别模型已有数据比对；协同状态识别模型中具有的空载状态数据库、正常收割状态数据库、重载状态数据库和堵塞状态数据库；
S3)数据处理模块根据比对分析结果输出甘蔗联合收割机所处的运行状态。
优选的，步骤S1)之前还包括如下步骤：基于扭矩信息和行驶速度，通过主成分分析法(PCA)、遗传算法(GA)和支持向量机(SVM)建立甘蔗联合收割机的协同状态识别模型并将协同状态识别模型存储在数据处理模块。
采用上述方法后，至少具有如下优点：
采用直接测量甘蔗联合收割机关键部位扭矩值、速度值作为甘蔗联合收割机的状态识别依据，通过计算机的数据处理模块与协同状态识别模型比对，并根据比对结果输出甘蔗联合收割机的实时运行状态，由此，实现自动识别甘蔗联合收割机的实时运行状态，进而，可以根据甘蔗联合收割机的运行状态调整运行参数，使甘蔗联合收割机的性能更佳。
本申请的识别方法是基于甘蔗联合收割机样本的建模，之后将协同状态识别模型应用在同类型的甘蔗联合收割机上，保证了识别的准确性。
应用协同状态识别模型对状态进行识别，建模时间较其他模型具有优势,为甘蔗联合收割机状态识别提供了新思路。经PCA分析后的数据得到影响甘蔗状态的主要因素为左刀盘扭矩、右刀盘扭矩、行驶速度、切断轴扭矩的综合变量，有效降低模型运行时间。
本申请中协同状态识别模型通过主成分分析法(PCA)、遗传算法(GA)和支持向量机(SVM)建立，也可称之为PCA-GA-SVM协同状态识别模型，利用该模型对甘蔗联合收割机运行状态进行识别与判断，这是一种有效的软测量方法。其中PCA可对数据进行降维处理，提高后续算法建模速度,减少SVM出现的“维数风险”,保证模型识别准确率。利用GA对SVM重要参数c、g进行迭代寻优计算。然后将测试集输入到由训练集建立的SVM模型中，对测试集进行预测。
基于PCA-GA-SVM协同状态识别模型，甘蔗联合收割机运行状态识别能适应工况的复杂性和时变性，有效避免物流通道堵塞；并且该模型具有很好的鲁棒性，减少能源浪费,提高收割率等问题。
另外，本申请还公开了一种甘蔗联合收割机运行状态的智能识别系统，包括左刀盘扭矩传感器、右刀盘扭矩传感器、左轮扭矩传感器、右轮扭矩传感器、速度传感器、切断轴扭矩传感器、风机轴扭矩传感器、以及数据处理模块；
所述左刀盘扭矩传感器设在甘蔗联合收割机的左刀盘主轴上，所述左刀盘扭矩传感器用于采集左刀盘扭矩数据并将数据发送给数据处理模块；
所述右刀盘扭矩传感器设在甘蔗联合收割机的右刀盘主轴上，所述右刀盘扭矩传感器用于采集右刀盘扭矩数据并将数据发送给数据处理模块；
所述左轮扭矩传感器设在甘蔗联合收割机的左轮主轴上，所述左轮扭矩传感器用于采集左轮扭矩数据并将数据发送给数据处理模块；
所述右轮扭矩传感器设在甘蔗联合收割机的右轮主轴上，所述右轮扭矩传感器用于采集右轮扭矩数据并将数据发送给数据处理模块；
所述速度传感器用于采集甘蔗联合收割机的行驶速度数据并将数据发送给数据处理模块；速度传感器具体可以设在车轮上，当然也能设在其它位置，只要能采集速度信息即可；
所述切断轴扭矩传感器设在甘蔗联合收割机的切断轴上，所述切断轴扭矩传感器用于采集切断轴扭矩数据并将数据发送给数据处理模块；
所述风机轴扭矩传感器设在甘蔗联合收割机的风机轴上，所述风机轴扭矩传感器用于采集风机轴扭矩数据并将数据发送给数据处理模块；
所述数据处理模块内存储有协同状态识别模型，所述数据处理模块用于接收数据并且将数据导入协同状态识别模型并与所述协同状态识别模型比对，并根据比对结果输出甘蔗联合收割机所处的运行状态；
所述左刀盘扭矩传感器、右刀盘扭矩传感器、左轮扭矩传感器、右轮扭矩传感器、速度传感器、切断轴扭矩传感器、风机轴扭矩传感器均与数据处理模块通讯连接。
采用上述结构后，至少具有如下优点：各个传感器能直接测量甘蔗联合收割机关键部位扭矩值、速度值作为甘蔗联合收割机的状态识别依据，将数据通过计算机的数据处理模块与协同状态识别模型比对，并根据比对结果输出甘蔗联合收割机的实时运行状态，由此，实现自动识别甘蔗联合收割机的实时运行状态，进而，可以根据甘蔗联合收割机的运行状态调整运行参数，使甘蔗联合收割机的性能更佳。
附图说明
图1为遗传算法适应度曲线；
图2为PCA-GA-SVM协同识别结果；
图3为本申请种甘蔗联合收割机运行状态识别系统的方框图。
图4为本申请在甘蔗联合收割机上安装示意图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式。
一种甘蔗联合收割机运行状态的智能识别方法，包括如下步骤：
S1)实时采集甘蔗联合收割机的左刀盘扭矩数据、右刀盘扭矩数据、左轮扭矩数据、右轮扭矩数据、行驶速度数据、切断轴扭矩数据、风机轴扭矩数据，并将数据发送给数据处理模块；
S2)数据处理模块将步骤S1)中获取的甘蔗联合收割机的数据导入存储在数据处理模块内的协同状态识别模型并与所述协同状态识别模型已有数据比对；协同状态识别模型中具有的空载状态数据库、正常收割状态数据库、重载状态数据库和堵塞状态数据库；
S3)数据处理模块根据比对分析结果输出甘蔗联合收割机所处的运行状态，具体为：若采集测得甘蔗联合收割机的数据与协同状态识别模型中的空载状态数据库吻合，则输出甘蔗联合收割机处于空载状态；若采集测得甘蔗联合收割机的数据与协同状态识别模型中的正常收割状态数据库吻合，则输出甘蔗联合收割机处于正常收割状态；若采集测得甘蔗联合收割机的数据与协同状态识别模型中的重载状态数据库吻合，则输出甘蔗联合收割机处于重载状态；若采集测得甘蔗联合收割机的数据与协同状态识别模型中的堵塞状态数据库吻合，则输出甘蔗联合收割机处于堵塞状态。
具体应用时，在步骤S1)之前还包括如下初始步骤：基于扭矩信息和行驶速度，通过主成分分析法(PCA)、遗传算法(GA)和支持向量机(SVM)建立甘蔗联合收割机的协同状态识别模型并将协同状态识别模型存储在数据处理模块，操作如下：
S0.1)同步采集甘蔗联合收割机在空载、正常收割、重载、堵塞的工作状态下的左刀盘扭矩随时间变化的数据、右刀盘扭矩随时间变化的数据、左轮扭矩随时间变化的数据、右轮扭矩随时间变化的数据、行驶速度随时间变化的数据、切断轴扭矩随时间变化的数据、风机轴扭矩随时间变化的数据；在步骤S0.1)中采集数据的采样频率范围为10Hz～4KHz。具体可以是10Hz或100Hz或1KHz或4KHz等。该处的甘蔗联合收割机为甘蔗联合收割机样本。基于扭矩信息和行驶速度即基于甘蔗联合收割机样本上的上述扭矩信息和行驶速度。
S0.2)分别对采集的数据进行预处理，获取初始特征参数：采用db3小波对信号分解，使用阈值法对信号的阈值量化处理，将降噪后的曲线数据中的扭矩值或行驶速度在时域中进行提取，设特征扭矩值或行驶速度对应时刻为t，选取[t-1，t+1]时间段中的均值作为特征扭矩值或行驶速度，获取的初始特征参数为左刀盘扭矩、右刀盘扭矩、左轮扭矩、右轮扭矩、行驶速度、切断轴扭矩、风机轴扭矩；为何选取[t-1，t+1]时间段，这是因为甘蔗从切割系统到收集装置的时间大约为2S。t为大于1的数。优选的t为大于1的整数。
S0.3)利用PCA对初始特征参数进行降维处理：设用n个训练样本，每个训练样本选取7个观测指标，分别为：左刀盘扭矩、右刀盘扭矩、左轮扭矩、右轮扭矩、行驶速度、切断轴扭矩、风机轴扭矩。将初始特征参数写成矩阵：
Figure BDA0002195786620000051
或
Figure BDA0002195786620000052
其中，
xij是数据中第i个样本，第j个观测指标数据；
i为训练样本数量，i＝1,2，…，n；
j为观测指标数量，j＝1,2，…，7；
对矩阵X去均值，中心化处理，再对X进行标准化，观测指标的方差公式：
Figure BDA0002195786620000053
其中：μ为均值，
Figure BDA0002195786620000054
xj为矩阵X的第j列,j＝1,2，…，7；
每个样本去均值：
Figure BDA0002195786620000055
根据协方差公式：
Figure BDA0002195786620000056
其中i＝1,2，…，n；a,b分别为两个不同的观测指标；
得到观测指标的协方差矩阵为：
Figure BDA0002195786620000061
计算主成分方差贡献率及方差累计贡献率如下：
方差贡献率：
Figure BDA0002195786620000062
累计方差贡献率：
Figure BDA0002195786620000063
其中，i为主成分个数，i＝1,2，…，7。
求取协方差矩阵C特征值λi和对应的特征向量ωi；
根据贡献率的大小,选取前d个特征值,d<7
Λ＝diag(λ1 λ2 … λd)
相应的特征向量
Wd＝(ω1 ω2 … ωd)
所要提取的d个主成分为
Figure BDA0002195786620000067
由提取的主成分建立降维以后的矩阵：
Z＝WF+μ
S0.4)将步骤S0.3)中降维处理后的初始特征参数随机分为训练集样本组和测试集样本组；并对数据进行归一化处理，利用公式：
y＝(x-min)/(max-min)
将数据归一化到[0,1]的区间内。
S0.5)在训练集样本组中选定SVM的核函数为径向基核函数，确定SVM中关键参数惩罚函数c和核半径g的最优参数：
设T＝{(x1，y1)，(x2，y2)，L，(xl，yl)}为训练数据集，同时满足xi∈X∈Rn，yi∈Y∈R，其中l为样本个数。经SVM核函数变换在高维特征空间
Figure BDA0002195786620000064
中进行回归算法：
Figure BDA0002195786620000065
式中：
w—权重系数
Figure BDA0002195786620000066
—高维特征空间
b—偏置项
问题可以转化为求目标函数最小化的优化问题，该目标函数如式所示：
Figure BDA0002195786620000071
式中
||w||2—欧拉范数
|f(xi)-yi|ε—损失函数
引入松弛变量
Figure BDA0002195786620000072
将公式中求解目标函数最小化问题转化为公式中的约束最小化问题：
Figure BDA0002195786620000073
Figure BDA0002195786620000074
引入拉氏乘子αi、
Figure BDA0002195786620000075
ηi、
Figure BDA0002195786620000076
将其转化为对偶问题如公式所示：
Figure BDA0002195786620000077
Figure BDA0002195786620000078
因此，得到SVM的回归模型为：
Figure BDA0002195786620000079
式中：
Figure BDA00021957866200000710
—核函数
xi—训练集样本向量
x—测试集样本向量
对于线性不可分的情况引入核函数和惩罚因子c，在高维空间进行内积运算可以求得最优分类函数,采用径向基核函数(RBF)，其公式为：
K(xi，x)＝exp(-g||xi-x||2)
式中：
g—RBF核函数的半径。
S0.6)利用GA遗传算法优化SVM的参数：利用遗传算法对其进行初始值编码、计算适应度函数、进行选择交叉变异操作，判断是否得到了满足条件，该条件为遗传算法寻优的终止条件，即最大迭代次数或者是否小于给定的精度；所述终止条件设置为：种群数量为20，最大迭代次数为100次，给定精度为0.001；如果不满足终止条件则重复进行适应度函数的计算；直到满足终止条件得到SVM模型的最优参数惩罚函数c和核半径g。在建模过程中,利用GA对SVM模型进行优化，降低了优化建模时间。
S0.7)得到PCA-GA-SVM协同状态识别模型：
构造多个SVM分类器：
N＝K*(K-1)/2
其中N为分类器个数，K为甘蔗联合收割机运行状态个数，即K＝4得，需构造6个分类器。
得到协同状态识别模型输出矩阵：
Y＝(y1 y2 y3 y4 y5 y6)
其中y1,y2,y3,y4,y5,y6分别为该模型的6个分类器输出值，对应不同的甘蔗联合收割机运行状态均有不同的数值，当模型建立好以后，该数值也随之确定。
S0.8)用测试集样本组验证协同状态识别模型，若验证结果匹配正确则进入下一步S0.9)，若验证结果匹配错误则重新建立协同状态识别模型：对测试集样本组数据进行处理，同时输出一个类似的矩阵：
Y1＝(y11 y21 y31 y41 y51 y61)
将Y与Y1进行对比便可识别出甘蔗联合收割机的4中不同运行状态。
由于测试集样本组是已知的甘蔗联合收割机运行状态的数据，若比对后，协同状态识别模型输出的运行状态与测试集样本组所处的甘蔗联合收割机运行状态匹配，则证明匹配正确，说明协同状态识别模型是正确的。
S0.9)将协同状态识别模型存储在数据处理模块。
本申请中协同状态识别模型通过主成分分析法(PCA)、遗传算法(GA)和支持向量机(SVM)建立，也可称之为PCA-GA-SVM协同状态识别模型，利用该模型对甘蔗联合收割机运行状态进行识别与判断，这是一种有效的软测量方法。其中PCA可对数据进行降维处理，提高后续算法建模速度,减少SVM出现的“维数风险”,保证模型识别准确率。利用GA对SVM重要参数c、g进行迭代寻优计算。然后将测试集输入到由训练集建立的SVM模型中，对测试集进行预测。
上述方法中，基于的系统如下：一种甘蔗联合收割机运行状态的智能识别系统，包括左刀盘扭矩传感器1、右刀盘扭矩传感器2、左轮扭矩传感器3、右轮扭矩传感器4、速度传感器5、切断轴扭矩传感器6、风机轴扭矩传感器7、以及数据处理模块8；
甘蔗联合收割机包括有左刀盘、右刀盘、左轮、右轮、切断轴和风机轴，左刀盘、右刀盘位于甘蔗联合收割机前侧，用于将甘蔗从田地里切断，左轮、右轮是甘蔗联合收割机的行驶轮，切断轴是甘蔗联合收割机的喂料装置中切断甘蔗的部件，喂料装置用于将田地里切断的甘蔗收集，风机轴是风机中的部件，风机用于提供风源，将甘蔗与蔗叶分离，这些部位均是甘蔗联合收割机运行中的重要部件，本申请中创新性的选取这些部件位置作为甘蔗联合收割机运行状态判断的依据；
所述左刀盘扭矩传感器1设在甘蔗联合收割机的左刀盘主轴上，所述左刀盘扭矩传感器1用于采集左刀盘扭矩数据并将数据发送给数据处理模块8；
所述右刀盘扭矩传感器2设在甘蔗联合收割机的右刀盘主轴上，所述右刀盘扭矩传感器2用于采集右刀盘扭矩数据并将数据发送给数据处理模块8；
所述左轮扭矩传感器3设在甘蔗联合收割机的左轮主轴上，所述左轮扭矩传感器3用于采集左轮扭矩数据并将数据发送给数据处理模块8；
所述右轮扭矩传感器4设在甘蔗联合收割机的右轮主轴上，所述右轮扭矩传感器4用于采集右轮扭矩数据并将数据发送给数据处理模块8；
所述速度传感器5用于采集甘蔗联合收割机的行驶速度数据并将数据发送给数据处理模块8；速度传感器5具体可以设在车轮上，当然也能设在其它位置，只要能采集速度信息即可；
所述切断轴扭矩传感器6设在甘蔗联合收割机的切断轴上，所述切断轴扭矩传感器6用于采集切断轴扭矩数据并将数据发送给数据处理模块8；
所述风机轴扭矩传感器7设在甘蔗联合收割机的风机轴上，所述风机轴扭矩传感器7用于采集风机轴扭矩数据并将数据发送给数据处理模块8；
所述数据处理模块8具有存储功能，所述数据处理模块8内存储有协同状态识别模型，所述数据处理模块8用于接收数据并且将数据导入协同状态识别模型并与所述协同状态识别模型比对，并根据比对结果输出甘蔗联合收割机所处的运行状态；所述协同状态识别模型中具有的空载状态数据库、正常收割状态数据库、重载状态数据库和堵塞状态数据库；
所述左刀盘扭矩传感器1、右刀盘扭矩传感器2、左轮扭矩传感器3、右轮扭矩传感器4、速度传感器5、切断轴扭矩传感器6、风机轴扭矩传感器7均与数据处理模块8通讯连接。
上述甘蔗联合收割机运行状态的智能识别系统，还包括无线AP路由器，所述左刀盘扭矩传感器1、右刀盘扭矩传感器2、左轮扭矩传感器3、右轮扭矩传感器4、速度传感器5、切断轴扭矩传感器6、风机轴扭矩传感器7均通过无线AP路由器与数据处理模块8通讯连接。
上述甘蔗联合收割机运行状态的智能识别系统，还包括计算机9和显示器10，所述数据处理模块8集成在计算机9上，所述显示器10与计算机9电连接，所述显示器10用于显示左刀盘扭矩传感器1、右刀盘扭矩传感器2、左轮扭矩传感器3、右轮扭矩传感器4、速度传感器5、切断轴扭矩传感器6、以及风机轴扭矩传感器7采集的数据和甘蔗联合收割机所处的运行状态。
下面举一实例说明本申请的原理：
在甘蔗联合收割机上安装各传感器，如图3、4，采集甘蔗联合收割机在空载、正常收割、重载、堵塞的工作状态下的左刀盘扭矩随时间变化的数据、右刀盘扭矩随时间变化的数据、左轮扭矩随时间变化的数据、右轮扭矩随时间变化的数据、行驶速度随时间变化的数据、切断轴扭矩随时间变化的数据、风机轴扭矩随时间变化的数据，采用db3小波对信号分解，使用阈值法对信号的阈值量化处理，得到处理后的曲线；将降噪后的曲线数据中的扭矩值或行驶速度在时域中进行提取，设特征扭矩值或行驶速度对应时刻为t，选取[t-1，t+1]时间段中的均值作为特征扭矩值或行驶速度，分别选取5组空载、正常、重载和堵塞不同状态数据，数据获取的初始特征参数为左刀盘扭矩、右刀盘扭矩、左轮扭矩、右轮扭矩、行驶速度、切断轴扭矩、风机轴扭矩如表1；
表1甘蔗联合收割机关键部位特征扭矩、行驶速度值
Figure BDA0002195786620000101
Figure BDA0002195786620000111
注：表中运行状态1、2、3、4分别表示甘蔗联合收割机运行状态中的空载、正常、重载和堵塞
利用PCA对上述的数据初始特征参数进行降维处理，将表1进行数据预处理和提取后的初始特征参数数据进行主成分分析。主成分分析后的特征值、方差贡献率、累计方差贡献率如表2所示。
表2主成分的特征值、方差贡献率和累计方差贡献率
Figure BDA0002195786620000112
选取主成分特征根大于1，累计方差贡献率大于85％。因此主成分选择前两个主成分，累计方差贡献率为88.42％。特征值对应的特征向量如表3所示。
表3主成分特征向量
Figure BDA0002195786620000113
Figure BDA0002195786620000121
根据表1和表2数据，可以得到主成分表达式：
F1＝0.458X1+0.460X2+0.288X3+0.282X4-0.451X5+0.442X6+0.133X7
F2＝-0.175X1-0.171X2+0.569X3+0.576X4+0.001X5-0.233X6-0.480X7
根据主成分系数的绝对值大小，F1可以看成是X1,X2,X5,X6的综合变量，因此可以认为第一主成分反映了甘蔗联合收割机的左刀盘扭矩、右刀盘扭矩、行驶速度、切断轴扭矩的基本情况，其方差贡献率为62.685％，可以说明甘蔗联合收割机左刀盘扭矩、右刀盘扭矩、行驶速度、切断轴扭矩对甘蔗联合收割机运行状态具有重要的影响。
F2可以看成是X3,X4,X7的综合变量，可以认为第二主成分反应了甘蔗联合收割机左轮扭矩、右轮扭矩、风机轴扭矩的基本情况，其方差贡献率为25.735％，可以说明其对甘蔗联合收割机运行状态起到次要影响。
将经过主成分分析的两个主成分数据输入协同状态识别模型模型，为了保证识别模型的普适性将数据进行随机分组，随机选取13组数据和7组数据分别作为训练集样本组和测试集样本组。训练集样本组用于建立模型，测试集样本组用于测试模型。在遗传算法中种群数量为20，迭代次数为100，给定精度为0.001，多次重复计算得到的适应度曲线、最优惩罚函数c＝1.3091和RBF核函数半径g＝2.7628，适应度曲线如图1所示。利用最优参数在PCA-GA-SVM协同状态识别模型中进行状态识别，其中一次的结果如图2所示。由图2可以看出，PCA-GA-SVM协同状态识别模型对测试集样本组的验证结果匹配正确。
基于PCA-GA-SVM协同状态识别模型对测试集进行预测，对多分类问题需构造多个SVM分类器，
N＝K*(K-1)/2
其中N为分类器个数，K为甘蔗联合收割机运行状态个数，即K＝4得，需构造6个分类器。
对应的预测模型输出矩阵：
Y＝(y1 y2 y3 y4 y5 y6)
其中y1,y2,y3,y4,y5,y6分别为该模型的6个分类器输出值，对应不同的甘蔗联合收割机运行状态均有不同的数值，当模型建立好以后，该数值也随之确定。
对测试集样本组数据进行处理，同时输出一个类似的矩阵：
Y1＝(y11 y21 y31 y41 y51 y61)
将Y0与Y1进行对比便可识别出甘蔗联合收割机的4中不同运行状态，如表4所示。
表4模型预测结果对比
Figure BDA0002195786620000131
注：表中类别1、2、3、4分别表示运行状态中的空载、正常、重载和堵塞；测试集编号对应图2中测试集样本编号
上述方法中，可以采用计算机软件MATLAB辅助计算。
上述例子展示了少量数据的建模，在实际应用时，采集了甘蔗联合收割机在四种状态中的大量数据，因此，建立的协同状态识别模型中具有的空载状态数据库、正常收割状态数据库、重载状态数据库和堵塞状态数据库。建模时的甘蔗联合收割机为甘蔗联合收割机样本，在甘蔗联合收割机样本上建模后，获得的协同状态识别模型就可以应用于同类型号的收割机上。
最后将协同状态识别模型存储在数据处理模块，即可应用于甘蔗联合收割机的运行状态识别：S1)实时采集甘蔗联合收割机的左刀盘扭矩数据、右刀盘扭矩数据、左轮扭矩数据、右轮扭矩数据、行驶速度数据、切断轴扭矩数据、风机轴扭矩数据，并将数据发送给数据处理模块；
S2)数据处理模块将步骤S1)中获取的甘蔗联合收割机的数据导入存储在数据处理模块内的协同状态识别模型并与所述协同状态识别模型比对；协同状态识别模型中具有的空载状态数据库、正常收割状态数据库、重载状态数据库和堵塞状态数据库；
S3)数据处理模块根据比对结果输出甘蔗联合收割机所处的运行状态，具体为：若采集测得甘蔗联合收割机的数据与协同状态识别模型中的空载状态数据库吻合，则输出甘蔗联合收割机处于空载状态；若采集测得甘蔗联合收割机的数据与协同状态识别模型中的正常收割状态数据库吻合，则输出甘蔗联合收割机处于正常收割状态；若采集测得甘蔗联合收割机的数据与协同状态识别模型中的重载状态数据库吻合，则输出甘蔗联合收割机处于重载状态；若采集测得甘蔗联合收割机的数据与协同状态识别模型中的堵塞状态数据库吻合，则输出甘蔗联合收割机处于堵塞状态。

Claims (4)

1.一种甘蔗联合收割机运行状态的智能识别方法，其特征在于，包括如下步骤：
（S1）实时采集甘蔗联合收割机的左刀盘扭矩数据、右刀盘扭矩数据、左轮扭矩数据、右轮扭矩数据、行驶速度数据、切断轴扭矩数据、风机轴扭矩数据，并将数据发送给数据处理模块；
（S2）数据处理模块将步骤（S1）中获取的甘蔗联合收割机的数据导入存储在数据处理模块内的协同状态识别模型并与所述协同状态识别模型已有数据比对；所述协同状态识别模型中具有甘蔗联合收割机的空载状态数据库、正常收割状态数据库、重载状态数据库和堵塞状态数据库；
（S3）数据处理模块根据比对分析结果输出甘蔗联合收割机所处的运行状态；
在步骤（S1）之前还包括如下步骤：基于扭矩信息和行驶速度，通过主成分分析法、遗传算法和支持向量机建立甘蔗联合收割机的协同状态识别模型并将协同状态识别模型存储在数据处理模块；
所述步骤（S1）之前包括的步骤具体为：
（S0.1）同步采集甘蔗联合收割机在空载、正常收割、重载和堵塞的工作状态下的左刀盘扭矩随时间变化的数据、右刀盘扭矩随时间变化的数据、左轮扭矩随时间变化的数据、右轮扭矩随时间变化的数据、切断轴扭矩随时间变化的数据、行驶速度随时间变化的数据、风机轴扭矩随时间变化的数据；
（S0.2）分别对采集的数据进行预处理，获取初始特征参数：
采用db3小波对信号分解，使用阈值法对信号的阈值量化处理，将降噪后的曲线数据中的扭矩值或行驶速度在时域中进行提取，设特征扭矩值或行驶速度对应时刻为t，选取[t-1，t+1]时间段中的均值作为特征扭矩值或行驶速度，获取的初始特征参数为左刀盘扭矩、右刀盘扭矩、左轮扭矩、右轮扭矩、行驶速度、切断轴扭矩、风机轴扭矩；
（S0.3）利用PCA对初始特征参数进行降维处理；
（S0.4）将步骤（S0.3）中降维处理后的初始特征参数随机分为训练集样本组和测试集样本组，并对数据进行归一化处理；
（S0.5）在训练集样本组中选定SVM的核函数为径向基核函数，确定SVM中关键参数惩罚函数c和核半径g的最优参数；
（S0.6）利用GA遗传算法优化SVM的参数：
利用遗传算法对其进行初始值编码、计算适应度函数、进行选择交叉变异操作，判断是否得到了满足条件，该条件为遗传算法寻优的终止条件，即最大迭代次数或者是否小于给定的精度，所述终止条件设置为：种群数量为20，最大迭代次数为100次，给定精度为0.001；如果不满足终止条件则重复进行适应度函数的计算；直到满足终止条件得到SVM模型的最优参数惩罚函数c和核半径g；
（S0.7）得到PCA-GA-SVM协同状态识别模型：
构造6个SVM分类器，得到协同状态识别模型输出矩阵Y=（y1 y2 y3 y4 y5 y6），其中y1，y2，y3，y4，y5，y6分别为该模型的6个分类器输出值，对应不同的甘蔗联合收割机运行状态均有不同数值，当模型建好以后，该数值也随之确定；
（S0.8）用测试集样本组验证协同状态识别模型，若验证结果匹配正确则进入下一步(S0.9)，若验证结果匹配错误则重新建立协同状态识别模型：对测试集样本组数据进行处理，同时输出一个类似的矩阵：
Y1＝（y11 y21 y31 y41 y51 y61 ）
将Y与Y1进行对比便可识别出甘蔗联合收割机的4中不同运行状态；
由于测试集样本组是已知的甘蔗联合收割机运行状态的数据，若比对后，协同状态识别模型输出的运行状态与测试集样本组所处的甘蔗联合收割机运行状态匹配，则证明匹配正确，说明协同状态识别模型是正确的；
（S0.9）将协同状态识别模型存储在数据处理模块。
2.一种甘蔗联合收割机运行状态的智能识别系统，其特征在于，包括左刀盘扭矩传感器（1）、右刀盘扭矩传感器（2）、左轮扭矩传感器（3）、右轮扭矩传感器（4）、速度传感器（5）、切断轴扭矩传感器（6）、风机轴扭矩传感器（7）、以及数据处理模块（8）；
所述左刀盘扭矩传感器（1）设在甘蔗联合收割机的左刀盘主轴上，所述左刀盘扭矩传感器（1）用于采集左刀盘扭矩数据并将数据发送给数据处理模块（8）；
所述右刀盘扭矩传感器（2）设在甘蔗联合收割机的右刀盘主轴上，所述右刀盘扭矩传感器（2）用于采集右刀盘扭矩数据并将数据发送给数据处理模块（8）；
所述左轮扭矩传感器（3）设在甘蔗联合收割机的左轮主轴上，所述左轮扭矩传感器（3）用于采集左轮扭矩数据并将数据发送给数据处理模块（8）；
所述右轮扭矩传感器（4）设在甘蔗联合收割机的右轮主轴上，所述右轮扭矩传感器（4）用于采集右轮扭矩数据并将数据发送给数据处理模块（8）；
所述速度传感器（5）用于采集甘蔗联合收割机的行驶速度数据并将数据发送给数据处理模块（8）；
所述切断轴扭矩传感器（6）设在甘蔗联合收割机的切断轴上，所述切断轴扭矩传感器（6）用于采集切断轴扭矩数据并将数据发送给数据处理模块（8）；
所述风机轴扭矩传感器（7）设在甘蔗联合收割机的风机轴上，所述风机轴扭矩传感器（7）用于采集风机轴扭矩数据并将数据发送给数据处理模块（8）；
所述数据处理模块（8）内存储有协同状态识别模型，所述数据处理模块（8）用于接收数据并且将数据导入协同状态识别模型并与所述协同状态识别模型比对，并根据比对结果输出甘蔗联合收割机所处的运行状态；
所述左刀盘扭矩传感器（1）、右刀盘扭矩传感器（2）、左轮扭矩传感器（3）、右轮扭矩传感器（4）、速度传感器（5）、切断轴扭矩传感器（6）、风机轴扭矩传感器（7）均与数据处理模块（8）通讯连接；
所述协同状态识别模型中具有甘蔗联合收割机的空载状态数据库、正常收割状态数据库、重载状态数据库和堵塞状态数据库；
所述协同状态识别模型的构建步骤包括：
（S0.1）同步采集甘蔗联合收割机在空载、正常收割、重载和堵塞的工作状态下的左刀盘扭矩随时间变化的数据、右刀盘扭矩随时间变化的数据、左轮扭矩随时间变化的数据、右轮扭矩随时间变化的数据、切断轴扭矩随时间变化的数据、行驶速度随时间变化的数据、风机轴扭矩随时间变化的数据；
（S0.2）分别对采集的数据进行预处理，获取初始特征参数：
采用db3小波对信号分解，使用阈值法对信号的阈值量化处理，将降噪后的曲线数据中的扭矩值或行驶速度在时域中进行提取，设特征扭矩值或行驶速度对应时刻为t，选取[t-1，t+1]时间段中的均值作为特征扭矩值或行驶速度，获取的初始特征参数为左刀盘扭矩、右刀盘扭矩、左轮扭矩、右轮扭矩、切断轴扭矩、风机轴扭矩和行驶速度；
（S0.3）利用PCA对初始特征参数进行降维处理；
（S0.4）将步骤（S0.3）中降维处理后的初始特征参数随机分为训练集样本组和测试集样本组，并对数据进行归一化处理；
（S0.5）在训练集样本组中选定SVM的核函数为径向基核函数，确定SVM中关键参数惩罚函数c和核半径g的最优参数；
（S0.6）利用GA遗传算法优化SVM的参数：
利用遗传算法对其进行初始值编码、计算适应度函数、进行选择交叉变异操作，判断是否得到了满足条件，该条件为遗传算法寻优的终止条件，即最大迭代次数或者是否小于给定的精度；所述终止条件设置为：种群数量为20，最大迭代次数为100次，给定精度为0.001；如果不满足终止条件则重复进行适应度函数的计算；直到满足终止条件得到SVM模型的最优参数惩罚函数c和核半径g；
（S0.7）得到PCA-GA-SVM协同状态识别模型：
构造6个SVM分类器，得到协同状态识别模型输出矩阵Y=（y1 y2 y3 y4 y5 y6），其中y1，y2，y3，y4，y5，y6分别为该模型的6个分类器输出值，对应不同的甘蔗联合收割机运行状态均有不同数值，当模型建好以后，该数值也随之确定；
（S0.8）用测试集样本组验证协同状态识别模型，若验证结果匹配正确则进入下一步(S0.9)，若验证结果匹配错误则重新建立协同状态识别模型：对测试集样本组数据进行处理，同时输出一个类似的矩阵：
Y1＝（y11 y21 y31 y41 y51 y61 ）
将Y与Y1进行对比便可识别出甘蔗联合收割机的4中不同运行状态；
由于测试集样本组是已知的甘蔗联合收割机运行状态的数据，若比对后，协同状态识别模型输出的运行状态与测试集样本组所处的甘蔗联合收割机运行状态匹配，则证明匹配正确，说明协同状态识别模型是正确的；
（S0.9）将协同状态识别模型存储在数据处理模块。
3.如权利要求2所述的一种甘蔗联合收割机运行状态的智能识别系统，其特征在于,所述系统还包括无线AP路由器，所述左刀盘扭矩传感器（1）、右刀盘扭矩传感器（2）、左轮扭矩传感器（3）、右轮扭矩传感器（4）、速度传感器（5）、切断轴扭矩传感器（6）、风机轴扭矩传感器（7）均通过无线AP路由器与数据处理模块（8）通讯连接。
4.如权利要求2所述的一种甘蔗联合收割机运行状态的智能识别系统,其特征在于,所述系统还包括计算机（9）和显示器（10），所述数据处理模块（8）集成在计算机（9）上，所述显示器（10）与计算机（9）电连接，所述显示器（10）用于显示左刀盘扭矩传感器（1）、右刀盘扭矩传感器（2）、左轮扭矩传感器（3）、右轮扭矩传感器（4）、速度传感器（5）、切断轴扭矩传感器（6）、以及风机轴扭矩传感器（7）采集的数据和甘蔗联合收割机所处的运行状态。
CN201910857563.5A 2019-09-09 2019-09-09 一种甘蔗联合收割机运行状态的智能识别方法及系统 Active CN110622692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910857563.5A CN110622692B (zh) 2019-09-09 2019-09-09 一种甘蔗联合收割机运行状态的智能识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910857563.5A CN110622692B (zh) 2019-09-09 2019-09-09 一种甘蔗联合收割机运行状态的智能识别方法及系统

Publications (2)

Publication Number Publication Date
CN110622692A CN110622692A (zh) 2019-12-31
CN110622692B true CN110622692B (zh) 2022-05-31

Family

ID=68972501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910857563.5A Active CN110622692B (zh) 2019-09-09 2019-09-09 一种甘蔗联合收割机运行状态的智能识别方法及系统

Country Status (1)

Country Link
CN (1) CN110622692B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113906900B (zh) * 2021-09-26 2022-11-11 广西大学 一种甘蔗收获机以及基于多传感器融合的甘蔗收获机刀盘位姿的调整方法
CN115147685B (zh) * 2022-07-20 2023-05-05 广西大学 一种甘蔗收获机运行状态的识别预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102077730A (zh) * 2010-12-02 2011-06-01 中国农业大学 一种联合收割机作业速度控制系统及方法
CN102379188A (zh) * 2010-08-31 2012-03-21 中国农业机械化科学研究院 联合收割机喂入量测量方法及喂入量监测装置
CN105612922A (zh) * 2015-12-28 2016-06-01 广西大学 基于甘蔗收获机刀盘振动的切割质量评估方法及装置
CN105794412A (zh) * 2015-01-20 2016-07-27 迪尔公司 用于甘蔗收割机的动力管理

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004139469A (ja) * 2002-10-18 2004-05-13 Yanmar Agricult Equip Co Ltd ネットワーク型農業機械システム
CN101595786A (zh) * 2009-06-23 2009-12-09 江苏大学 联合收割机脱粒滚筒堵塞故障预警及报警方法
CN104142674B (zh) * 2013-10-21 2017-01-25 江苏大学 一种联合收割机多输入故障诊断方法
CN205161149U (zh) * 2015-10-30 2016-04-20 农业部南京农业机械化研究所 联合收割机实时监测系统
CN107750615A (zh) * 2016-08-20 2018-03-06 王艺霖 一种甘蔗收割机电液控制系统
CN106471995B (zh) * 2017-01-06 2018-08-17 重庆理工大学 一种联合收割机作业状态在线监测系统
CN107025468A (zh) * 2017-05-18 2017-08-08 重庆大学 基于pca‑ga‑svm算法的高速公路拥堵识别方法
CN207319055U (zh) * 2017-09-27 2018-05-04 黑龙江省农业机械工程科学研究院 基于can总线的联合收割机故障诊断系统
CN109944812B (zh) * 2019-04-03 2023-11-10 广西大学 一种甘蔗联合收割机除杂风机的转速自动控制系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102379188A (zh) * 2010-08-31 2012-03-21 中国农业机械化科学研究院 联合收割机喂入量测量方法及喂入量监测装置
CN102077730A (zh) * 2010-12-02 2011-06-01 中国农业大学 一种联合收割机作业速度控制系统及方法
CN105794412A (zh) * 2015-01-20 2016-07-27 迪尔公司 用于甘蔗收割机的动力管理
CN105612922A (zh) * 2015-12-28 2016-06-01 广西大学 基于甘蔗收获机刀盘振动的切割质量评估方法及装置

Also Published As

Publication number Publication date
CN110622692A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN109506963B (zh) 一种智能列车牵引故障大数据异常检测辨识方法
CN113505935B (zh) 基于集成算法的电力异常波动检测和预测计算方法
CN113962259B (zh) 一种燃料电池系统多模式双层故障诊断方法
CN110622692B (zh) 一种甘蔗联合收割机运行状态的智能识别方法及系统
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN103544392A (zh) 基于深度学习的医学气体识别方法
CN111080074B (zh) 基于网络多特征关联的系统服役安全态势要素获取方法
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN107025468A (zh) 基于pca‑ga‑svm算法的高速公路拥堵识别方法
CN113866455A (zh) 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置
CN111259949A (zh) 飞机环控系统故障识别模型构建方法、模型及识别方法
CN117116412A (zh) 一种基于病历数据分析的智能护理建议生成方法
CN114974306A (zh) 一种基于深度学习的变压器异常声纹检测识别方法和装置
CN115575584A (zh) 一种大气环境镉含量监测预警方法及系统
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN115616408A (zh) 电池热管理数据处理方法及系统
CN110647117B (zh) 一种化工过程故障识别方法及系统
CN113047859A (zh) 基于局部Fisher土层识别的盾构掘进参数控制方法
CN113837266A (zh) 一种基于特征提取和Stacking集成学习的软件缺陷预测方法
CN113111918A (zh) 基于异常样本检测和多维信息输出的脑卒中风险筛查方法
CN113595242A (zh) 一种基于深度cnn-hmm的非侵入式负荷辨识方法
CN113571092A (zh) 一种发动机异响识别方法及其相关设备
CN112668446A (zh) 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法
CN117725402B (zh) 一种基于设备运行音频的设备异常状态确定方法及系统
CN116150666B (zh) 储能系统故障检测方法、装置及智能终端

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