BP神經(jīng)網(wǎng)絡(luò)對(duì)甘蔗宿根切割質(zhì)量的預(yù)測(cè)
——基于PSO算法

李尚平，陳曾雄，周敬輝,3，莫瀚寧，鐘家勤，王夢(mèng)萍，張 可

(1.廣西大學(xué) 機(jī)械工程學(xué)院，南寧 530004；2.廣西民族大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，南寧 530006；3.桂林理工大學(xué) 南寧分校，南寧 530004；4.欽州學(xué)院 機(jī)械與船舶海洋工程學(xué)院，廣西 欽州 535000)

0 引言

在甘蔗收獲機(jī)砍蔗過(guò)程中，甘蔗宿根切割質(zhì)量的變化非常復(fù)雜，影響因素較多。甘蔗宿根切割質(zhì)量不僅與甘蔗收獲機(jī)的工作參數(shù)有關(guān)，還受到甘蔗種植區(qū)路面因素的影響。甘蔗宿根切割質(zhì)量是反應(yīng)甘蔗破頭率的重要參數(shù)，甘蔗宿根切割質(zhì)量好，意味著破頭率低，甘蔗宿根來(lái)年發(fā)芽率較高[1]。甘蔗宿根切割質(zhì)量的變化影響因素是長(zhǎng)期困擾研究人員的一個(gè)難題。

自20世紀(jì)80年代以來(lái)，為研究甘蔗切割質(zhì)量的變化，國(guó)內(nèi)外研究人員進(jìn)行了一系列研究，并取得了許多成果。R Wang[2]通過(guò)建立數(shù)學(xué)模型對(duì)甘蔗切割器性能進(jìn)行了研究，探討了甘蔗收獲機(jī)前進(jìn)速度及刀盤轉(zhuǎn)速、刀盤傾角等對(duì)甘蔗切割質(zhì)量的影響。RDC Mello[3]研究了不同鋸齒類型刀盤、刀盤轉(zhuǎn)速和刀盤傾角對(duì)甘蔗切割質(zhì)量的影響。賴曉、李尚平[4]等通過(guò)模擬路面激勵(lì)對(duì)甘蔗切割質(zhì)量進(jìn)行研究，得到了對(duì)甘蔗宿根切割質(zhì)量隨著路面激勵(lì)增大而減小的規(guī)律。范志達(dá)、李尚平[5]等進(jìn)行了路面激勵(lì)和刀盤轉(zhuǎn)速雙因素虛擬試驗(yàn)，進(jìn)一步揭示了路面激勵(lì)和刀盤轉(zhuǎn)速對(duì)甘蔗切割質(zhì)量的影響。楊望、王二鵬[6]等利用凱斯A8000進(jìn)行田間試驗(yàn)，得出了隨著刀盤轉(zhuǎn)速增大甘蔗切割質(zhì)量先提升后降低的結(jié)論。麻芳蘭、楊堅(jiān)[7-8]等利用自制的甘蔗收獲機(jī)臺(tái)架進(jìn)行了大量不同條件下的砍蔗實(shí)驗(yàn)，得到了甘蔗切割質(zhì)量與刀盤轉(zhuǎn)速、刀盤傾角的關(guān)系。劉慶庭、區(qū)穎剛[9]在自制的試驗(yàn)臺(tái)架上采用光刃刀片，對(duì)影響甘蔗宿根破壞的因素進(jìn)行了研究，得出了刀盤轉(zhuǎn)速對(duì)宿根破壞影響最大的結(jié)論。上述研究對(duì)推進(jìn)該問(wèn)題的研究起到重要作用，盡管如此，由于甘蔗收獲機(jī)切割時(shí)對(duì)甘蔗宿根切割質(zhì)量的影響具有非線性性、復(fù)雜性、模糊性等特點(diǎn)，對(duì)其準(zhǔn)確預(yù)測(cè)方法仍有待探討。

BP神經(jīng)網(wǎng)絡(luò)算法具有高度非線性函數(shù)逼近能力和強(qiáng)自適應(yīng)學(xué)習(xí)能力，無(wú)需知道輸入變量與輸出變量間的關(guān)系，便可高精度逼近它們的非線性映射關(guān)系，為甘蔗宿根切割質(zhì)量的預(yù)測(cè)提供了新的途徑。由于到粒子群(PSO)算法能克服BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部最優(yōu)解等缺點(diǎn)，本文綜合考慮了路面激勵(lì)和甘蔗收獲機(jī)工作參數(shù)，采用基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)對(duì)甘蔗宿根切割質(zhì)量預(yù)測(cè)，為甘蔗收獲機(jī)實(shí)際工作中不同路況條件下工作參數(shù)的智能調(diào)控、提高甘蔗宿根切割質(zhì)量提供理論依據(jù)，也為進(jìn)一步開(kāi)展甘蔗宿根切割質(zhì)量的預(yù)測(cè)分析提供參考。

1 試驗(yàn)設(shè)備及方法

1.1 試驗(yàn)設(shè)備和材料

原料為成熟期的臺(tái)糖22，采集于廣西大學(xué)農(nóng)場(chǎng)，甘蔗直徑范圍為20～30mm。課題組自制的雙刀盤砍蔗試驗(yàn)平臺(tái)由切割器、甘蔗夾持輸送裝置及路面激振裝置組成，如圖1所示。

圖1 試驗(yàn)平臺(tái)

電機(jī)轉(zhuǎn)動(dòng)時(shí)，皮帶輪帶動(dòng)偏心輪轉(zhuǎn)動(dòng)，甘蔗夾持輸送裝置同時(shí)產(chǎn)生一個(gè)正弦信號(hào)。通過(guò)更換路面激振裝置中不同旋轉(zhuǎn)中心的偏心輪，來(lái)改變甘蔗夾持輸送裝置的振幅，使用變頻器調(diào)節(jié)激振裝置的轉(zhuǎn)速，來(lái)獲得不同振動(dòng)頻率，以模擬砍蔗時(shí)路面不平引起的振動(dòng)。試驗(yàn)器材包括：三相異步電機(jī)3個(gè)，功率1.5kW；數(shù)字變頻器3個(gè)，型號(hào)歐瑞F1000-G0055T3B，輸出頻率0.50～400Hz；游標(biāo)卡尺，用于測(cè)量甘蔗切斷部位裂紋的長(zhǎng)度和深度。

1.2 試驗(yàn)方法

采用二次回歸正交旋轉(zhuǎn)組合試驗(yàn)，試驗(yàn)因素為路面振幅、路面振動(dòng)頻率、甘蔗收獲機(jī)前進(jìn)速度、刀盤轉(zhuǎn)速及刀盤傾角。對(duì)采集于廣西甘蔗生產(chǎn)區(qū)不同干濕情況的平地和坡地路譜數(shù)據(jù)進(jìn)行頻譜分析[4]，結(jié)果表明：路譜激勵(lì)的振幅為0～40mm，所包含的頻率成分在0～10Hz之間，試驗(yàn)水平在其范圍內(nèi)選??；甘蔗收獲機(jī)工作參數(shù)的試驗(yàn)水平在小型整桿式甘蔗收獲機(jī)常用工況范圍內(nèi)選取。因素水平編碼表如表1所示。

表1 因素水平編碼表

1.3 甘蔗宿根切割質(zhì)量綜合評(píng)定方式

研究發(fā)現(xiàn)：甘蔗切割過(guò)程中，甘蔗宿根的破損形式主要是蔗皮與蔗芯的徑向撕裂，破損程度以裂紋數(shù)量、裂紋寬度和裂紋長(zhǎng)度為指標(biāo)。宿根產(chǎn)生裂紋后，破損程度越大，越易被病菌感染，宿根死亡率越高。在對(duì)甘蔗宿根切割質(zhì)量綜合評(píng)分值時(shí)采用模糊綜合評(píng)分法[10]，將3個(gè)指標(biāo)(即宿根截面裂紋數(shù)、裂紋寬度和裂紋長(zhǎng)度)綜合評(píng)分轉(zhuǎn)化為單一指標(biāo)，各評(píng)價(jià)指標(biāo)值用xij表示。該評(píng)定方式結(jié)果表明綜合評(píng)價(jià)值越高，甘蔗切割質(zhì)量越低。綜合評(píng)定方式為[11]

2 甘蔗切割質(zhì)量預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，特點(diǎn)是信號(hào)前向傳遞。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)包括輸入層、輸出層和隱含層，在前向傳遞過(guò)程中，輸入信號(hào)從輸入層進(jìn)入經(jīng)隱含層逐層處理，從輸出層輸出，各神經(jīng)元只影響下一層神經(jīng)元。如果輸出層未得到期望輸出，則將信號(hào)逆向傳播，采用梯度下調(diào)法調(diào)整網(wǎng)絡(luò)閾值與權(quán)值，使得預(yù)測(cè)輸出不斷逼近期望輸出[12]。

本文采用3層神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建甘蔗切割質(zhì)量預(yù)測(cè)模型。輸入層神經(jīng)元為路面振幅、路面振動(dòng)頻率、甘蔗收獲機(jī)前進(jìn)速度、刀盤轉(zhuǎn)速、刀盤傾角，輸出層神經(jīng)元為甘蔗綜合切割質(zhì)量。根據(jù)Kolmogrov定理[13]，隱含層節(jié)點(diǎn)數(shù)取12。切割質(zhì)量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。

2.2 粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法模型

粒子群(PSO)優(yōu)化算法是由Kennedy和Eberhart于1995從鳥(niǎo)群覓食等種群行為特征的研究中得到啟發(fā)，提出的一種群體智能的優(yōu)化算法。粒子群算法在預(yù)設(shè)搜索空間初始化一群代表優(yōu)化問(wèn)題潛在最優(yōu)解的粒子，每個(gè)粒子都有適應(yīng)度函數(shù)決定的適應(yīng)度值來(lái)表示粒子的優(yōu)劣，粒子在可解空間中運(yùn)動(dòng)，粒子的速度決定它們搜索的方向和距離，粒子會(huì)隨自身和其他粒子的搜索經(jīng)驗(yàn)改變位置，從而不斷更新適應(yīng)度值，實(shí)現(xiàn)在搜索空間內(nèi)尋優(yōu)。在實(shí)際應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)收斂速度慢且易陷入局部最優(yōu)，因此本文用PSO算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度，減小陷入局部最優(yōu)的可能性，提高預(yù)測(cè)精度。

采用PSO訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)[14](見(jiàn)圖3)：①根據(jù)輸入輸出序列(X,Y)確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，構(gòu)建合適的BP神經(jīng)網(wǎng)絡(luò)并初始其網(wǎng)絡(luò)權(quán)值閾值長(zhǎng)度ω；②確定訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)，將訓(xùn)練樣本輸入輸出數(shù)據(jù)歸一化；③根據(jù)已構(gòu)建BP神經(jīng)網(wǎng)絡(luò)確定種群粒子數(shù)n和每個(gè)粒子的維數(shù)D，并將粒子映射為對(duì)應(yīng)的權(quán)值與閾值；④初始化粒子X(jué)=(X1,X2···Xn)和速度Vi=[Vi1,Vi2,···,Vid]T，確定個(gè)體的位置范圍[Xmin,Xmax]和速度范圍[-Vmax,Vmax]；⑤根據(jù)適應(yīng)度函數(shù)計(jì)算適應(yīng)度值，包括個(gè)體極值Pbest和群體極值Gbest；⑥若Gbest誤差值小于預(yù)設(shè)誤差值ε，則終止運(yùn)算，并輸出Gbest和群體最優(yōu)的粒子，反之則按⑦所示公式迭代；⑦每次迭代過(guò)程中，粒子通過(guò)個(gè)體極值和群體機(jī)制更新粒子位置和速度，更新公式為

其中，ω為慣性權(quán)重；k為當(dāng)前迭代次數(shù)；c1、c2為加速度因子，一般設(shè)為1.5；r1、r2為[0,1]間的隨機(jī)數(shù)。最后，把輸出的最優(yōu)初始權(quán)值閾值賦予BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。

圖3 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程

3 結(jié)果與分析

3.1 試驗(yàn)數(shù)據(jù)

本文實(shí)驗(yàn)數(shù)據(jù)通過(guò)二次回歸正交旋轉(zhuǎn)組合試驗(yàn)方法獲得，考慮的試驗(yàn)因素有路面振動(dòng)頻率、路面振幅、甘蔗收獲機(jī)前進(jìn)速度、刀盤轉(zhuǎn)速、刀盤傾角，試驗(yàn)指標(biāo)為甘蔗宿根切割質(zhì)量綜合評(píng)分值。為降低試驗(yàn)誤差，各試驗(yàn)樣本組采用相同指標(biāo)下的砍蔗試驗(yàn)重復(fù)5次，并取試驗(yàn)指標(biāo)的算術(shù)平均值為樣本數(shù)據(jù)。原實(shí)驗(yàn)數(shù)據(jù)共36組，考慮到第27～36組為重復(fù)試驗(yàn)，合并為1組，并取27～36組試驗(yàn)指標(biāo)的平均值為樣本數(shù)據(jù)。本次研究采用27組試驗(yàn)數(shù)據(jù)來(lái)建立學(xué)習(xí)樣本。為檢驗(yàn)本模型精度，取后5組試驗(yàn)不參與訓(xùn)練數(shù)據(jù)而作為檢驗(yàn)樣本，如表2所示。

表2 甘蔗切割質(zhì)量學(xué)習(xí)樣本數(shù)據(jù)

續(xù)表2

3.2 模型驗(yàn)證

基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建完后進(jìn)行網(wǎng)絡(luò)訓(xùn)練。將表2中1～22號(hào)樣本數(shù)據(jù)作為輸入目標(biāo)進(jìn)行學(xué)習(xí)，甘蔗宿根切割質(zhì)量動(dòng)的綜合評(píng)分值作為輸出目標(biāo)進(jìn)行學(xué)習(xí)。以絕對(duì)誤差和相對(duì)誤差為指標(biāo)，將訓(xùn)練結(jié)果和實(shí)測(cè)值進(jìn)行了比較，對(duì)比結(jié)果如表3所示。

表3 甘蔗切割質(zhì)量訓(xùn)練結(jié)果對(duì)比

由表3可知：基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)模型所得訓(xùn)練結(jié)果中的最大絕對(duì)誤差為0.039%，最大相對(duì)誤差為5.206%。這說(shuō)明，針對(duì)甘蔗切割質(zhì)量預(yù)測(cè)所建立的模型很好地表達(dá)了甘蔗切割質(zhì)量和各影響因素之間的內(nèi)在聯(lián)系與規(guī)律。

3.3 對(duì)比分析

為了說(shuō)明基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)的有效性，采用BP神經(jīng)網(wǎng)絡(luò)和PSO BP神經(jīng)網(wǎng)絡(luò)分別建立了甘蔗切割質(zhì)量的預(yù)測(cè)模型，并以第23～27組檢驗(yàn)值的相對(duì)誤差來(lái)定量評(píng)判模型性能，對(duì)比結(jié)果如表4所示。由表4可知：基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)值最大相對(duì)誤差為3.301%，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的最大相對(duì)誤差為14.659%。這說(shuō)明，基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)權(quán)值閾值位置合理，學(xué)習(xí)能力更強(qiáng)，經(jīng)過(guò)訓(xùn)練后預(yù)測(cè)精度更高。

表4 檢驗(yàn)值預(yù)測(cè)模型結(jié)果及誤差分析

4 結(jié)論

1)本文采用處理后的二次回歸正交旋轉(zhuǎn)組合試驗(yàn)數(shù)據(jù)為學(xué)習(xí)樣本，后5個(gè)數(shù)據(jù)作為檢驗(yàn)樣本不參與學(xué)習(xí)，來(lái)檢驗(yàn)所建立模型。訓(xùn)練后模型所得預(yù)測(cè)結(jié)果的最大絕對(duì)誤差為0.039%，最大相對(duì)誤差為5.206%，說(shuō)明針對(duì)甘蔗切割質(zhì)量預(yù)測(cè)所建立的模型很好地表達(dá)了甘蔗切割質(zhì)量和各影響因素之間的內(nèi)在聯(lián)系與規(guī)律。

2)將新模型對(duì)檢驗(yàn)值進(jìn)行預(yù)測(cè)，最大相對(duì)誤差為3.301%，低于BP神經(jīng)網(wǎng)絡(luò)模型14.659%的誤差，說(shuō)明基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)甘蔗切割質(zhì)量的預(yù)測(cè)比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有更強(qiáng)的學(xué)習(xí)能力和更高的預(yù)測(cè)精度。

3)基于臺(tái)糖22甘蔗宿根切割質(zhì)量的PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型可作為臺(tái)糖22收獲過(guò)程中宿根切割質(zhì)量預(yù)測(cè)的新方法，研究結(jié)果為甘蔗收獲機(jī)實(shí)際工作中不同路況條件下工作參數(shù)的智能調(diào)控、提高甘蔗宿根切割質(zhì)量提供理論依據(jù)，同時(shí)也為進(jìn)一步開(kāi)展甘蔗宿根切割質(zhì)量的預(yù)測(cè)分析提供了參考。