基于PSO-BP的甘蔗联合收割机物流堵塞预测预警研究_陈远玲.pdf

第4 8卷 第3期2 0 2 3年6月 广西大学学报(自然科学版)J o u r n a l o fG u a n g x iU n i v e r s i t y(N a t u r a lS c i e n c eE d i t i o n)V o l.4 8N o.3J u n.2 0 2 3 收稿日期:2 0 2 2-0 9-0 8;修订日期:2 0 2 2-1 2-0 1 基金资助:国家自然科学基金项目(5 1 6 6 5 0 0 4)通讯作者:陈远玲(1 9 6 4),女,广西柳州人,广西大学教授;E-m a i l:c y l g x d x g x u.e d u.c n。引文格式:陈远玲,陈浩楠,王肖,等.基于P S O-B P的甘蔗联合收割机物流堵塞预测预警研究J.广西大学学报(自然科学版),2 0 2 3,4 8(3):6 6 2-6 7 3.D O I:1 0.1 3 6 2 4/j.c n k i.i s s n.1 0 0 1-7 4 4 5.2 0 2 3.0 6 6 2基于P S O-B P的甘蔗联合收割机物流堵塞预测预警研究陈远玲*,陈浩楠,王肖,陈承宗,侯怡(广西大学 机械工程学院,广西 南宁5 3 0 0 0 4)摘要:在甘蔗的倒伏、弯曲,以及蔗节、蔗叶、泥块等杂物的共同作用之下,甘蔗联合收割机物流通道中的刀盘和切段辊处容易形成堵塞,为提高甘蔗联合收割机工作效率,降低甘蔗联合收割机物流通道发生堵塞的概率。以甘蔗联合收割机刀盘转速、切段辊转速、刀盘工作压力、切段辊工作压力等信号为输入变量,以甘蔗联合收割机运行状态为结果建立B P预测模型,并采用P S O-B P算法对预测模型进行优化。结果表明:P S O-B P神经网络预测模型对甘蔗联合收割机堵塞预测的准确率为9 8.7 5%,运行时间为0.1 8s,预测准确率比B P神经网络提升了2.5%,用时减少了0.9 4s。基于P S O-B P预测,应用L a b V I WE软件开发了甘蔗联合收割机物流堵塞预测及预警系统,实现对甘蔗联合收割机刀盘和切段辊液压参数的实时监测和物流状态的预测和预警。研究结果可为优化甘蔗联合收割机的防堵控制设计提供依据。关键词:甘蔗联合收割机;堵塞预测;P S O-B P神经网络;粒子群算法中图分类号:TU4 7 3.1 文献标识码:A 文章编号:1 0 0 1-7 4 4 5(2 0 2 3)0 3-0 6 6 2-1 2P r e d i c t i o na n de a r l yw a r n i n gr e s e a r c ho nl o g i s t i c sb l o c k a g eo fs u g a r c a n e c o m b i n eb a s e do nP S O-B PCHE NY u a n l i n g*,CHE N H a o n a n,WAN GX i a o,CHE NC h e n g z o n g,HOUY i(S c h o o l o fM e c h a n i c a lE n g i n e e r i n g,G u a n g x iU n i v e r s i t y,N a n n i n g5 3 0 0 0 4,C h i n a)A b s t r a c t:U n d e r t h ec o mm o na c t i o no fc a n ef a l l i n g,b e n d i n g,c a n ek n o t,c a n el e a v e s,m u da n do t h e rd e b r i s,t h ec u t t e rh e a da n dc u t t i n gr o l l i nt h el o g i s t i c sc h a n n e lo ft h es u g a r c a n ec o m b i n eh a r v e s t e ra r ee a s i l yb l o c k e d.I no r d e rt oi m p r o v et h ew o r k i n ge f f i c i e n c yo ft h es u g a r c a n ec o m b i n eh a r v e s t e ra n dr e d u c et h ep r o b a b i l i t yo f t h es u g a r c a n ec o m b i n eh a r v e s t e rl o g i s t i c s c h a n n e l c l o g g i n g.T h eB Pp r e d i c t i o nm o d e lw a s e s t a b l i s h e dw i t h i n p u t v a r i a b l e s s u c ha sc u t t e rh e a ds p e e d,c u t t e r r o l l s p e e d,c u t t e rh e a dw o r k i n gp r e s s u r e a n dc u t t e r r o l lw o r k i n gp r e s s u r eo f s u g a r c a n ec o m b i n eh a r v e s t e r,a n dP S O-B Pa l g o r i t h m w a su s e dt oo p t i m i z et h ep r e d i c t i o n m o d e l.T h e r e s u l t s s h o w t h a t t h e a c c u r a c y o f P S O-B P n e u r a l n e t w o r kp r e d i c t i o nm o d e l i s9 8.7 5%,t h er u n n i n gt i m ei s0.1 8s,t h ep r e d i c t i o na c c u r a c yi s2.5%第3期陈远玲,等:基于P S O-B P的甘蔗联合收割机物流堵塞预测预警研究h i g h e rt h a nB Pn e u r a ln e t w o r k,a n dt h et i m ei sr e d u c e db y0.9 4s.B a s e do nP S O-B Pp r e d i c t i o n,L a b V I WEs o f t w a r ew a su s e dt od e v e l o pt h el o g i s t i c sc o n g e s t i o np r e d i c t i o na n de a r l y w a r n i n g s y s t e m o f s u g a r c a n e c o m b i n e h a r v e s t e r,w h i c h r e a l i z e d t h e r e a l-t i m em o n i t o r i n go fh y d r a u l i cp a r a m e t e r so fc u t t e rh e a da n ds e c t i o nr o l lo fs u g a r c a n ec o m b i n eh a r v e s t e ra n dt h ep r e d i c t i o na n de a r l yw a r n i n go f l o g i s t i c ss t a t u s.T h er e s u l t sc a np r o v i d eab a s i s f o ro p t i m i z i n gt h ea n t i-b l o c k i n gc o n t r o l d e s i g no f s u g a r c a n ec o m b i n eh a r v e s t e r.K e yw o r d s:s u g a r c a n ec o m b i n e;b l o c k a g ep r e d i c t i o n;P S O-B P n e u r a ln e t w o r k;p a r t i c l es w a r mo p t i m i z a t i o n0 引言甘蔗联合收割机在作业时容易产生物流系统堵塞,严重影响了甘蔗机械收割作业效率,同时还会形成过载和冲击破坏,导致动力传动系统的链条、皮带损坏和液压管路的破裂漏油等,降低了甘蔗联合收割机的工作可靠性,为此,国内外学者开展了系列防堵塞设计研究。D a v i s等1、N o r r i s等2-3研究发现,通过改变刀盘及压蔗辊等关键元件的设计安装参数能减轻收割机堵塞压力。李立新等4设计了一种防堵机构,通过螺纹辊的旋转,让甘蔗沿螺纹辊的轴线直线运动,可有效减少堵塞的发生。刘芳建等5设计了一种切段装置前置式收割机割台,减少收割机输送系统易卡死的现象。沈中华等6针对物流堵塞情况设计了一种甘蔗分流喂入的机构,能有效减轻收割机堵塞的现象。综上可见,现有的研究成果主要是一些基于堵塞机理分析的结构优化设计;但无论是哪一种结构都很难完全适应甘蔗收割作业工况的复杂性,不可能完全避免堵塞的发生,因此,研究甘蔗联合收割机甘蔗物流堵塞的预测和预警方法,在发生物流堵塞前采取有效的防堵控制措施,可大大减少停机清堵和维修时间,对提高甘蔗机收效率,降低甘蔗生产成本有重要意义7。随着人工智能技术和信息技术的飞速发展,多传感器信息融合、深度学习及神经网络等技术开始应用于各类农机装备的在线监测、故障诊断、故障预测和预警等方面8。李哲9针对水稻联合收割机脱粒滚筒堵塞现象,构建了其堵塞故障的s o f t m a x分类模型,其模型输入自变量为喂入搅龙、脱离滚筒等与风机转速共6个转速比,输出为脱粒滚筒运行状态,基于t e n s o r f l o w完成了模型构建和测试,其分类模型的准确率为9 5%。余昌舜1 0以水稻联合收割机的喂入搅龙、输送搅龙、脱粒滚筒、输粮搅龙4个部件转速以及损失量作为系统的输入,堵塞状态为系统输出,基于模糊神经网络开展远程故障诊断系统研究,诊断算法的准确率达8 0%以上。徐凯1 1研究了水稻联合收割机堵塞问题,以收割机割台搅龙、输送槽、脱粒滚筒和输粮搅龙作为监测对象,前进速度作为控制对象,建立了基于B P神经网络和D S理论结合的联合收割机故障诊断与报警系统,成功预警率达到9 2%。目前尚未看到将相关技术应用于甘蔗联合收割机工况预测和预警的研究报道。本文根据甘蔗联合收割机的工作特点,研究通过多传感信息的融合,以甘蔗联合收割机刀盘转速、切段辊转速、刀盘工作压力、切段辊工作压力等信号为输入变量,以堵塞状态为输出量,建立基于B P神经网络 的 甘 蔗 联 合 收 割 机 物 流 堵 塞 预 测 及 预 警 模 型,并 利 用 粒 子 群 算 法(p a r t i c l es w a r mo p t i m i z a t i o n,P S O)对其进行优化,提高预测的精度和速度;采用L a b V I EW软件设计人机交互的预警系统,可为操作者提供实时指导。1 试验测试与数据处理1.1 试验准备以及数据采集以广西某企业研制的4 G Z Q 1 8 0型甘蔗联合收割机为试验对象,进行甘蔗联合收割机堵塞状况数据采集试验,在广西壮族自治区扶绥县渠黎镇芮陇村进行。甘蔗收割试验环境基本情况见表1。此次366广西大学学报(自然科学版)第4 8卷试验对甘蔗联合收割机的刀盘压力、刀盘转速、切段压力、切段转速信号进行了采集。试验时间为2 0 2 1年1月1 0日,试验期间数据采集设备搭载的收割机正常进行收割作业,采集工作从上午9:0 0开始直至当天中午1 2:3 0结束。表1 甘蔗收割试验环境基本情况T a b.1 B a s i cc o n d i t i o n so f s u g a r c a n eh a r v e s t i n ge n v i r o n m e n t地点天气甘蔗是否有严重倒伏甘蔗品种场地情况土壤含水率/%芮陇4队晴否桂糖4 2平地7.2 3 刀盘机构、切段机构负载压力的测量选用41 04k P a的G S 4 0 0 R 2 0 1 L U/E 0型压力传感器,采用欧姆龙E 2 BM 1 2 KN 0 5WZ B 1型接近开关与测速齿轮配合测量各部件的转速,用G P S测量收割机的行驶速度;压力传感器的采样频率为2 0 0H z,接近传感器采样频率为2 0 H z,G P S采样频率为1H z。4 G Z Q 1 8 0型甘蔗联合收割机及传感器布局如图1所示。图1 4 G Z Q 1 8 0型甘蔗联合收割机机及传感器布局F i g.1 4 G Z Q 1 8 0s u g a r c a n eh a r v e s t e ra n ds e n s o r s试验采用的数据采集系统(S o m a te D AQ-L i t e)在复杂工况顺利进行数据采集,该系统具有良好的防干扰能力和较高的采样频率,可以适应甘蔗联合收割机实际工作时的恶劣环境。S o m a te D AQ-L i t e系统采用功能板块集成设计,配置了2块E LHL S高电平和1块E L D I O数字I/O层,系统采用全密封设计,可以避免收割机工作时产生的尘土对数据采集产生影响。通信方面系统可通过S A C-E S R 9/S O电缆的R S 2 3 2接头与计算机直连进行通信,以此实现数据的实时查看与采集,同时系统也内置了存储器,便于数据的保存与下载。完成P C端与数据采集系统连接之后,将传感器连接到数据采集系统的信号通道上,传感器通道配置见表2。完成准备工作之后即可对测量变量进行数据采集。S o m a t e D A Q-L i t e坚固型移动数据采集系统如图2所示。表2 传感器通道配置T a b.2 S e n s o rc h a n n e l c o n f i g u r a t i o n传感器通道传感器通道刀盘压力传感器HL S_1.0 3刀盘转速传感器HL S_2.0 7切段压力传感器HL S_1.0 4切段转速传感器HL S_2.0 9466第3期陈远玲,等:基于P S O-B P的甘蔗联合收割机物流堵塞预测预警研究图2 S o m a t e D A Q-L i t e坚固型移动数据采集系统F i g.2 S o m a t e D A Q-L i t e r u g g e dm o b i l ed a t aa c q u i s i t i o ns y s t e m1.2 数据处理由于甘蔗联合收割机工作工程中的振动、液压冲击等因素会产生干扰信号,造成信号失真,影响采集数据的质量,直接影响后续建立的预测模型的准确性,因此在使用数据建模之前要在N c o d e软件中的G l y p h w o r k模块内对采集信号进行一系列的预处理。在N c o d e软件中搭建的压力转速信号处理流程如图3所示。图3 压力转速信号处理流程F i g.3 P r e s s u r e s p e e ds i g n a l p r o c e s s i n gf l o wc h a r t利用N c o d e软件对采集数据进行频谱分析,消除毛刺,信号滤波,去除甘蔗联合收割机在转场、调头时采集的无效信号。通常在进行这些操作时,机手会关闭刀盘、切段辊等执行机构,因此将转速与压力值为0时,定义为无效信号并去除。1.3 数据分类收割机工作状况分为空载、正常、重载、堵塞4类。根据采集数据时记录下的堵塞时的时间,找到对应的时段的数据。甘蔗收割机物流典型堵塞状况波形如图4所示。从图中可见,从上到下为切割压力、图4 甘蔗收割机物流典型堵塞状况波形F i g.4 T y p i c a l c o n g e s t i o nw a v e f o r mo f s u g a r c a n eh a r v e s t e r l o g i s t i c s566广西大学学报(自然科学版)第4 8卷切断压力、刀盘转速、切断转速。一段信号显示切割压力陡然升高,而刀盘转速急剧降低,这段信号显然是刀盘处发生堵塞;另一段信号显示切段压力陡然升高,而切段转速急剧降低,这段信号显然是切段辊处发生堵塞,这2类信号数据为堵塞工况数据。通常堵塞的压力变化有一个过程,堵塞信号发生前1 0s的数据归类为重载工况数据。根据工况,将切割压力和切段压力小于1MP a的数据归类为空载工况数据,其余时段收割机正常工作,故余下的数据归类为正常工况数据。截取空闲、正常、重载、堵塞样本各1 2 0组,共计4 8 0组数据,为后续预测工作作准备。2 B P神经网络的堵塞状态预测2.1 B P预测模型的建立采用误差反向算法训练的多层前馈网络称为B P算法,B P神经网络的结构有3层或多层神经元,输入层神经元个数和其拓扑结构模型1 2如图5所示。B P算法的计算规则采用最速下降方式,信息在网络中反向传播,依照训练所得到的误差值不断改变神经网络的权值和阈值,直到神经网络的误差平方和最小。图5 B P神经网络拓扑结构F i g.5 T o p o l o g yo fB Pn e u r a l n e t w o r kB P神经网络建模流程如下:S t e p1:归一化。由于甘蔗联合收割机工作参数复杂,各个参数单位不同,数量级也相差甚远,因此对数据进行归一化处理,把它们映射到0,1 范围内,使其在同一个数量级上,采用式(1)进行计算。y=(x-xm i n)(xm a x-xm i n),(1)式中:y为归一化值;x为采集数据值;xm i n为组内数据最小值;xm a x为组内数据最大值。S t e p2:样本分组。为了避免出现样本不平衡问题,将空载、正常、重载、堵塞这4种工况下的数据各截取1 2 0组共4 8 0组作为样本。其中每种工况随机选取8 0组共3 2 0组数据作为训练集用于B P神经网络的训练,剩余1 6 0组随机数据作为测试集用于验证B P神经网络的效果。表示刀盘转速、刀盘压力、切段转速、切段压力的数据作为输入数据,4种工况分别标记为1、2、3、4作为输出数据。甘蔗收割机运行工况部分样本分布见表3。S t e p3:B P神经网络构建。B P神经网络的框架由输入、输出、隐藏组成,输入层和输出层均只有一层,而隐含层可以是单隐含层或多隐含层。多隐藏层的优势在于可以降低训练误差,提高计算准确率,缺点在于使模型训练时间过长,故本文采用单隐含层的神经网络结构,隐含层节点个数1 3可以根据式(2)确定。h=m+n+a,(2)666第3期陈远玲,等:基于P S O-B P的甘蔗联合收割机物流堵塞预测预警研究式中:h为隐含层节点的数目;m为输入层个数;n为输出层个数;a为11 0的调节常数。表3 甘蔗收割机运行工况部分样本分布T a b.3 P a r t i a l s a m p l ed i s t r i b u t i o no f s u g a r c a n eh a r v e s t e ro p e r a t i n gc o n d i t i o n s样本序号工况状态刀盘压力/MP a切段压力/MP a刀盘转速/(rm i n-1)切段转速/(rm i n-1)1空闲0.4 20.5 03.6 41 0-1 01.4 51 0-1 02空闲0.4 20.5 04.51 0-1 01.8 51 0-1 03空闲0.4 30.5 04.9 51 0-1 02.11 0-1 04正常4.1 93.1 06 3 9.0 82 7 1.6 45正常4.2 03.1 06 3 8.8 32 7 1.6 36正常4.2 03.0 96 3 8.5 42 7 1.6 27重载1 1.2 78.3 42 7 8.7 86 9.5 88重载1 1.2 58.3 22 8 0.2 17 0.2 29重载1 1.2 08.2 72 8 4.4 77 2.1 31 0堵塞1 6.3 43.3 58 9.0 52 7 1.1 41 1堵塞1 6.2 93.1 74 4.3 02 7 2.3 71 2堵塞1 5.8 82.9 51 0.9 32 7 2.8 8 模型中,输入参数个数为4,输出参数个数为1,得到h的值为31 3的整数。为了得到最优隐含层节点数,本文将31 3的1 1个整数分别带入模型当中,得到预测值正确率进行对比。不同隐含层节点数B P神经网络运行结果如图6所示。从图中可以看出,隐含层节点数h取1 0时,B P神经网络的预测准确率最高为9 6.2 5%,运行时间为2.4 7s,故确定隐含层节点数为1 0。图6 不同隐含层节点数B P神经网络运行结果F i g.6 B Pn e u r a l n e t w o r ko p e r a t i n gr e s u l t so fn o d e s i nd i f f e r e n th i d d e n l a y e r sS t e p4:网络参数配置。配置迭代次数为2 00 0 0,学习率为0.0 1,目标为0.0 0 00 4。S t e p5:B P神经网络训练。S t e p6:B P神经网络分类输出。由于输出数据用1、2、3、4表示4种不同的工况,而B P神经网络的输出结果带有小数,因此对输出结果进一步处理如式(3)所示。Ts i m=1,as i m1.5,2,1.5as i m2.5,3,2.5as i m3.5,4,3.5as i m,(3)式中:Ts i m为圆整后的结果;as i m为神经网络输出结果。2.2 B P神经网络结果分析运行B P算法模型对结果进行保存,神经网络完整训练一次运行时间为2.4 7s。调用训练好的神766广西大学学报(自然科学版)第4 8卷经网络对1 6 0组测试样本进行预测,得到预测准确率为9 6.2 5%,运行时间为1.1 2s。B P算法预测结果对照如图7所示,实心点为B P神经网络的预测输出值,圆圈为实际值,实心点与圆圈重合表示预测结果正确。从图中可以看出,预测效果良好,但是B P算法有陷入局部极值、收敛速度慢、可能会出现过拟合的现象等缺点1 4。图7 B P算法预测结果对照F i g.7 B Pa l g o r i t h mp r e d i c t i o nr e s u l t s c o m p a r i s o n3 P S O-B P神经网络算法3.1 建立P S O-B P神经网络模型粒子群算法优化B P神经网络原理基于P S O代替梯度下降法,将其预测误差作为评价的适应度函数,在搜索域内全局搜索,不断更新B P神经网络的权值、阈值,直至满足误差精度1 5,充分利用P S O算法的优点,避免B P神经网络陷入局部极值。P S O-B P神经网络流程1 6如下:导入样本数据。B P神经网络初始化。确定B P神经网络各参数及结构,由2.1节可得B P神经的拓扑结构输入层、隐含层、输出层参数。确定适应度函数。利用B P神经网络误差构建适应度函数,数学表达式为Er=|a1-a2|,(4)式中:a1=1,2,n 为B P神经网络的预测输出值;a2=X1,X2,Xn 为训练集实际输出值;Er即为训练集预测输出值与实际输出值之差的绝对值之和。初始化粒子群。初始化粒子个体的位置与速度参数,并计算个体适应度值,得到当前种群最优适应度值作为下一次迭代计算的参数。算法中各参数如下:c1=c2=2,进化次数1 0 0,种群规模1 0,速度限制为-Vm a x,Vm a x,位置限制为-Xm a x,Xm a x=-5,5。为了避免后面出现超维错误,设编码长度L为L=m h+h+h n+n。(5)迭代寻优。对B P神经网络的权值和阈值进行寻优,达到最小误差精度或者迭代最大次数即停止搜索,得到最优值,如式(6)、(7)表示。根据目标函数即可计算出每个粒子位置Xi对应的适应度值。866第3期陈远玲,等:基于P S O-B P的甘蔗联合收割机物流堵塞预测预警研究每个粒子的个体极值即局部最优解表示为Pi=Pi1,Pi2,Pi lT,种群的全局极值即全局最优解表示为Pg=Pg1,Pg2,Pg lT。V(k+1)i d=Vk()i d+c1r1Pk()i d-Xk()i d()+c2r2(Pk()g d-Xk()i d),(6)X(k+1)i d=Xk()i d+V(k+1)i d,(7)式中:为惯性权重,随机取0,1 区间的数;d=1,2,D;i=1,2,n;k为当前迭代次数;Vi d为粒子的速度,表示搜索的快慢;c1、c2为加速系数,取非负常数,一般取c1=c20,4,通常设置c1=c2=2;r1、r2为分布于0,1 的随机数。为避免粒子的过度搜索,通常对粒子的位置和速度进行一定的限制,限制区间为-Xm a x,Xm a x、-Vm a x,Vm a x。运行使用P S O寻优后的B P算法。将S t e p5得到的最优参数Pg,其大小为公式(5)计算出的编码数大小,赋予B P神经网络n e t结构体参数权重W和阈值B,其中W为2个矩阵,包含输入层到隐含层的权重1 04型矩阵W1和隐含层到输出层的权重11 0型矩阵W2;B包含输入到隐含层的阈值1 01型矩阵B1和隐含层到输出层的阈值11型矩阵B2,并进行神经网络的训练。W1=-1.8 0 2-0.6 5 11.2 0 52.0 7 91.8 8 2-1.6 8 60.9 4 40.6 9 7-0.0 3 5-0.7 5 50.5 0 81.4 6 90.8 4 3-0.1 1 01.7 0 82.9 1 72.4 4 20.9 3 3-3.6 0 81.1 8 3-2.8 6 51.0 7 3-4.3 1 10.2 5 9-0.0 4 9-0.2 4 80.2 9 80.9 5 1-1.7 5 6-0.9 7 6-0.3 1 30.8 3 90.9 4 0-1.6 0 21.6 2 2-1.3 6 01.5 0 32.1 8 3-0.1 6 93.1 6 5,B1=0.9 7 6-1.5 4 2-3.2 0 51.4 5 71.2 6 10.8 3 00.1 8 9-0.5 8 83.2 9 3-2.2 1 3,W2=-1.0 2 9 2.4 7 4 0.9 4 8 -0.3 2 5 2.2 9 8 -1.0 9 5 0.7 1 9 -1.4 4 0 2.1 2 2 -3.1 0 4,B2=-1.0 8 4。仿真预测,输出结果。P S O-B P神经网络算法流程如图8所示。BPBP()BPPSO图8 P S O-B P神经网络流程F i g.8 P S O-B Pn e u r a l n e t w o r kf l o w3.2 分析P S O-B P神经网络结果将P S O-B P神经网络进行训练,运行时间为5.3 4s。调用保存的训练好的P S O-B P神经网络对1 6 0组测试集数据进行预测,样本预测准确率为9 8.7 5%,运行时间为0.1 8s。对比B P神经网络,预测966广西大学学报(自然科学版)第4 8卷准确率提升了2.5%,运行时间减少了0.9 4s。P S O-B P神经网络部分预测结果见表4。表4 P S O-B P神经网络部分预测结果T a b.4 P a r t i a lp r e d i c t i o nr e s u l t so fP S O-B Pn e u r a ln e t w o r k序号刀盘压力/MP a切段压力/MP a刀盘转速/(rm i n-1)切段转速/(rm i n-1)实际值预测值准确11 1.1 08.1 82 9 1.4 97 5.2 733是26.5 41 2.2 55 6 9.3 40.3 244是31 2.5 21 3.1 35 6 5.3 02 3 5.3 534否41 5.0 42.7 49.9 02 7 0.9 944是50.2 90.3 40.7 40.2 811是66.1 41 2.4 55 8 8.4 80.9 344是70.2 90.3 50.0 1 80.0 0 711是80.4 10.5 10.0 20.0 111是90.3 00.3 10.0 5 70.0 1 211是1 04.0 92.9 66 3 2.8 02 7 1.7 922是 P S O-B P预测结果对比如图9所示。从图中可见,实心点为P S O-B P神经网络的预测输出值,圆圈为实际值,实心点与圆圈重合表示预测结果正确,表明预测效果良好。图9 P S O-B P预测结果对比F i g.9 C o m p a r i s o no fP S O-B Pp r e d i c t i o nr e s u l t s进一步对P S O-B P错误预测结果进行分析。第一种原因是因为数据截取时刚好截取到位于重载和堵塞之间相互转变的的临界值,进行预测结果参数圆整时出现分类错误的情况;第二种原因是因为P S O-B P算法自身的缺陷,偶尔局部收敛过快,迭代后期搜索乏力产生过度搜索,致使预测结果出现偏差;但是综合对比来看,P S O-B P缓解了B P神经网络对初始化参数的依赖性,能够提升预测准确性。B P神经网络与P S O-B P神经网络性能对比见表5。从表中可见,使用P S O对B P神经网络的优化较为明显,综合考虑预测准确率与运行时间,决定将P S O-B P神经网络预测模型应用于甘蔗联合收割机堵塞状况预测。076第3期陈远玲,等:基于P S O-B P的甘蔗联合收割机物流堵塞预测预警研究表5 B P神经网络与P S O-B P神经网络性能对比T a b.5 P e r f o r m a n c ec o m p a r i s o nb e t w e e nB Pn e u r a ln e t w o r ka n dP S O-B Pn e u r a l n e t w o r k算法预测准确率/%运行时间/sB P神经网络9 6.2 51.1 2P S O-B P神经网络程序9 8.7 50.1 84 基于L a b V I EW的物流堵塞预测及预警系统4.1 人机交互界面基于P S O-B P神经网络设计甘蔗联合收割机物流堵塞预测及预警系统,目标是通过智能算法的运用实时对甘蔗联合收割机工作状态进行分类,对物流通道堵塞征兆发出预警,为收割机的操作者提供实时指导。主要功能包括:实时显示甘蔗联合收割机刀盘、切段辊的实时负载压力和转速;在智能和自定义2种模式下对收割机堵塞征兆发出预警。系统由MAT L A B、L a b V I EW、P L C搭载而成,甘蔗收割机物流堵塞预警系统构架如图1 0所示。MATLABPLCLabVIEW图1 0 甘蔗收割机物流堵塞预警系统构架F i g.1 0 F r a m e w o r ko f s u g a r c a n eh a r v e s t e r l o g i s t i c s c o n g e s t i o nw a r n i n g s y s t e m人机交互界面在L a b V I EW程序前面板编程实现。预警系统具备堵塞智能预警和堵塞自定义预警2种,智能预警和自定义预警2种界面可通过下拉列表实现2个界面的切换。人机交互界面包括开始、暂停、停止,参数输入等用户可操作功能,以及参数显示功能、报警功能、时间显示功能。除了数值显示控件,数值还可在界面上通过表盘和刻度显示工具显示。根据对采集信号的分析,设置各表盘量程为:刀盘压力为02 0MP a,切段压力为02 0MP a,刀盘转速为08 0 0r/m i n,切段转速为04 0 0r/m i n。4.2 试验测试试验在堵塞智能预警模式下进行,将系统搭载在4 G Z Q 1 8 0型切段式甘蔗联合收割机上,将控制柜、传感器连接好,启动甘蔗联合收割机后,打开测试软件主界面,输入预设信息,点击登录按钮进入系统主界面智能预警模式。向甘蔗联合收割机喂入甘蔗,并改变甘蔗喂入数量,机手调整刀盘、切断辊的转速。系统能够实时采集刀盘与切断辊压力、转速集数据,并显示在界面。点击暂停、停止按钮,能实现程序暂停、停止。测试时在前面板放置一个字符串显示控件,显示经过预测模型判断的甘蔗联合机当前工作状态。程序运行后,随机间隔按下暂停键,记录当前参数以及显示的当前工作状态,对照原数据实际分类情况。试验记录了5 0组数据,与实际状况对比仅有1组与实际状况不符,部分试验结果见表6。176广西大学学报(自然科学版)第4 8卷表6 部分试验结果T a b.6 E x p e r i m e n t a l r e s u l t s刀盘压力/MP a切段压力/MP a刀盘转速/(rm i n-1)切段转速/(rm i n-1)实际状况测试状况1 5.4 32.8 31 0.3 82 7 1.8 8堵塞堵塞1 5.2 52.7 91 0.1 52 7 1.4 1堵塞堵塞1 5.0 42.7 39.8 92 7 0.9 9堵塞堵塞1 4.8 02.6 79.6 02 7 0.4 6堵塞堵塞4.2 53.0 66 3 2.6 22 7 1.6 7正常正常5.2 53.0 46 3 2.6 32 7 1.6 6正常重载4.2 43.0 26 3 2.6 42 7 1.6 4正常正常4.2 33.0 06 3 2.6 62 7 1.6 3正常正常1 2.5 22.1 06.7 62 6 5.3 0堵塞堵塞7.8 54.9 75 4 3.8 11 8 8.1 9重载重载7.5 74.7 05 6 5.3 51 9 7.8 3重载重载7.3 14.4 55 8 5.5 72 0 6.8 8重载重载0.4 20.5 04.9 71 0-1 02.1 01 0-1 0空载空载0.4 20.5 14.8 91 0-1 02.1 31 0-1 0空载空载0.4 30.4 94.2 51 0-1 01.9 11 0-1 0空载空载0.4 30.4 93.0 31 0-1 01.4 51 0-1 0空载空载 随后随机挑选2 0组重载、堵塞数据对于堵塞判断功能进行测试。由于连续输入2 0组堵塞数据满足连续接收1 0个重载或堵塞信号则判断为堵塞征兆的判别条件,因此堵塞预警灯变红。智能预警模式测试如图1 1所示,实现了对堵塞征兆的智能预警。测试结果表明,该预警系统能够对收割机工作状态进行准确预测,并对堵塞征兆进行预警。图1 1 智能预警模式测试F i g.1 1 I n t e l l i g e n tw a r n i n gm o d e t e s t5 结论本文提出了一种用于预测甘蔗收割机堵塞工况的P S O-B P算法,能够比B P算法更快、更准确地预测甘蔗联合收割机物流堵塞状态。在车载端,该预测算法结合基于L a b v i e w搭建的监测系统,能实时显示关键部件的工作参数,达到堵塞征兆的判别条件时发出预警信号,使操作者能够及时采取有效控制措施,从而降低堵塞故障产生,保障甘蔗收割连续可靠运行;在远程监测端,堵塞工况的P S O-B P预测276第3期陈远玲,等:基于P S O-B P的甘蔗联合收割机物流堵塞预测预警研究算法可为远程监测系统提供决策支持,解决甘蔗联合收割机作业范围大、技术人员不足、管理难度大等问题。参考文献:1 D AV I SRJ,S CHEMB I R M G.E n h a n c i n gh a r v e s t e