基于BP神經(jīng)網(wǎng)絡(luò)的甘蔗收獲機(jī)切割器振動(dòng)性能研究

鐘家勤，李尚平，何永玲，何 維，王躍飛

(1.欽州學(xué)院 廣西高校臨海機(jī)械裝備設(shè)計(jì)制造及控制重點(diǎn)實(shí)驗(yàn)室培育基地，廣西 欽州 535000;2.廣西民族大學(xué) 化學(xué)化工學(xué)院，南寧 535004)

0 引言

實(shí)現(xiàn)甘蔗機(jī)械化收割對(duì)促進(jìn)我國(guó)蔗糖業(yè)發(fā)展具有重要戰(zhàn)略意義，而甘蔗宿根破頭率偏高是阻礙應(yīng)用研究的主要瓶頸。切割器是甘蔗收獲的關(guān)鍵部件，其工作的優(yōu)劣直接影響著切割質(zhì)量，因此對(duì)切割器的研究成為研究甘蔗收割機(jī)的重點(diǎn)難點(diǎn)。2012年，華南農(nóng)業(yè)大學(xué)曾志強(qiáng)對(duì)凱斯4000進(jìn)行試驗(yàn)研究發(fā)現(xiàn)，培土良好時(shí)破頭率為7.45%，培土不好時(shí)破頭率高達(dá)51.84%；凱斯7000破頭率也相當(dāng)高，培土良好時(shí)破頭率8.87%[1]。2015年1月，本課題組在柳州思源農(nóng)場(chǎng)對(duì)凱斯的收割現(xiàn)場(chǎng)進(jìn)行破頭率的統(tǒng)計(jì)分析，分析結(jié)果如表1所示。從表1中數(shù)據(jù)明顯看出高破頭率仍然是國(guó)外機(jī)型需要解決的一大難題。由此可見，甘蔗收割機(jī)高破頭率問題急需解決。研究表明[2-5]：甘蔗的破頭率、切割質(zhì)量確實(shí)與切割器有關(guān)。國(guó)內(nèi)外研究對(duì)切割器與切割質(zhì)量進(jìn)行了大量研究[6-7]，而本課題組通過第二臺(tái)樣機(jī)結(jié)構(gòu)性能改進(jìn)發(fā)現(xiàn)其比第一臺(tái)樣機(jī)振動(dòng)明顯減小，改善了切割質(zhì)量；但切割器不平衡與軸向振動(dòng)的影響規(guī)律未得到進(jìn)一步證實(shí)，因此有必要對(duì)切割器螺旋以及刀盤的不平衡與軸向振動(dòng)的影響進(jìn)行了更深一步的研究。

表1 思源農(nóng)場(chǎng)凱斯甘蔗收獲破頭率

研究切割器不平衡對(duì)切割器振動(dòng)性能的影響，可采用建立回歸模型對(duì)試驗(yàn)樣本數(shù)據(jù)指標(biāo)進(jìn)行預(yù)測(cè)，這種方式的優(yōu)點(diǎn)是模型簡(jiǎn)單，有直觀的數(shù)學(xué)公式；但是，回歸分析的前提是先假設(shè)回歸方程的類型，必須先通過散點(diǎn)圖確定好模型后方能進(jìn)行，有時(shí)輸入輸出較多，這種關(guān)系卻不能用簡(jiǎn)單的函數(shù)來(lái)確定。基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法就能解決這種復(fù)雜信息的處理問題，雖然BP神經(jīng)網(wǎng)絡(luò)不能給出具體的函數(shù)表達(dá)式，但能夠給出確切的算法以及結(jié)構(gòu)參數(shù)[8-10]。因此，本文采用BP神經(jīng)網(wǎng)絡(luò)方法，構(gòu)建切割器振動(dòng)預(yù)測(cè)模型。

本文利用切割器試驗(yàn)平臺(tái)對(duì)刀盤的振動(dòng)進(jìn)行試驗(yàn)研究，探究不平衡對(duì)甘蔗收獲機(jī)切割器振動(dòng)影響規(guī)律，采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建出了切割器振動(dòng)的預(yù)測(cè)模型，通過與正交試驗(yàn)相結(jié)合，得到了精度更高的預(yù)測(cè)模型。通過此BP神經(jīng)網(wǎng)絡(luò)模型，能夠更為有效地挖掘出隱含在試驗(yàn)數(shù)據(jù)中的非顯式知識(shí)，有效地減少了試驗(yàn)研究的次數(shù)與成本，同時(shí)為減少切割器振動(dòng)提供了參考。

1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型原理

人工神經(jīng)網(wǎng)絡(luò)基本工作原理是模擬人的大腦結(jié)構(gòu)以及思考方式，借此實(shí)現(xiàn)模型的智能行為。BP神經(jīng)網(wǎng)絡(luò)是采用誤差逆?zhèn)鞑ニ惴ㄟM(jìn)行訓(xùn)練的多層前饋網(wǎng)絡(luò)，能夠處理非線性動(dòng)態(tài)問題，實(shí)現(xiàn)高度非線性映射，具有很強(qiáng)的學(xué)習(xí)、儲(chǔ)存、計(jì)算及容錯(cuò)能力，能夠得到輸入和輸出的非線性關(guān)系模型[11-12]。BP神經(jīng)網(wǎng)絡(luò)的輸入層接收外部給定的輸入信號(hào)，傳送到中間層，而中間層是網(wǎng)絡(luò)中心信息處理單元，與外部沒有直接的聯(lián)系，故有時(shí)稱中間層為隱層，輸出層輸出網(wǎng)絡(luò)運(yùn)行的結(jié)果。理論上的一個(gè)三層網(wǎng)絡(luò)就可以擬合任何的非線性關(guān)系。三層BP神經(jīng)網(wǎng)絡(luò)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)

在這個(gè)網(wǎng)絡(luò)中，輸入層有n個(gè)神經(jīng)元，輸出層有m個(gè)神經(jīng)元，中間層有p個(gè)神經(jīng)元。設(shè)此網(wǎng)絡(luò)的輸入模式向量PK=[a1,a2,…,an]，目標(biāo)向量YK=[y1,y2,…,ym]，隱層的輸入為SK=[s1,s2,…，sp]，輸出為Ck=[c1,c2,…，cp]。輸入層與中間層的連接權(quán)wij,i=1,2,…,n,j=1,2,…,p；中間層與輸出層的連接權(quán)vjt,j=1,2,…,p,t=1,2,…,p；中間層各個(gè)單元輸出的閾值為θj,j=1,2,…,p；輸出層的各個(gè)單元閥值為γj,j=1,2,…,p。

網(wǎng)絡(luò)的學(xué)習(xí)過程如下[13]：

1)網(wǎng)絡(luò)的初始化。給每個(gè)連接權(quán)值以及閾值賦予在區(qū)間[-1,1]之間的一個(gè)隨機(jī)值，給定網(wǎng)絡(luò)誤差函數(shù)e，設(shè)置最大的學(xué)習(xí)次數(shù)和計(jì)算達(dá)到的精度要求。

2)隨機(jī)選擇樣本。從上述定義的輸入層向量PK和輸出層向量YK提供給網(wǎng)絡(luò)訓(xùn)練。

3)利用輸入樣本PK，輸入與中間層的連接權(quán)值Wij以及閾值θj，計(jì)算出隱含層的各個(gè)單元輸入Sj，通過傳遞函數(shù)再計(jì)算出中間層的各個(gè)神經(jīng)元的輸出bj，則有

(1)

(2)

bj=f(sj),j=1,2,…,p

(3)

4)得出輸出層網(wǎng)絡(luò)的輸出。利用中間層的輸出結(jié)果bj、輸出層與中間層的連接權(quán)值vjt以及閥值γj，通過傳遞函數(shù)計(jì)算每個(gè)單元的輸出Ci，則

6)計(jì)算中間層的誤差，即

7)利用上述得到的誤差以及中間層的各單元輸出來(lái)修正連接權(quán)值，即

vjt(N+1)=vjt(N)+αdtbj

γt(N+1)=γt(N)+αdt

t=1,2,…,m,j=1,2,…,p,0<α<1

wij(N+1)=wij(N)+βejαi

θj(N+1)=θj(N)+βej

i=1,2,…,n,j=1,2,…,p,0<β<1

8)再次在樣本中隨機(jī)選取下一個(gè)訓(xùn)練樣本，從3)重復(fù)到7)，直到所有的樣本全部訓(xùn)練完為止。

9)當(dāng)全局誤差e滿足給定的要求時(shí)或者學(xué)習(xí)次數(shù)達(dá)到最大時(shí)，算法結(jié)束。

其訓(xùn)練流程如圖2所示。綜上所述，BP神經(jīng)網(wǎng)絡(luò)實(shí)際上是一種誤差逆向傳播的過程，并最終達(dá)到收斂。

對(duì)于輸入輸出數(shù)據(jù)來(lái)說(shuō)，這些數(shù)據(jù)的量綱不一致，為了去除量綱的影響和縮小數(shù)值之間的差別以及加快網(wǎng)絡(luò)的收斂速度，采用輸入向量與輸出的歸一化處理[15]。將輸入數(shù)據(jù)映射到[-1，1]，輸出數(shù)據(jù)歸一化到[0，1]。

2 正交試驗(yàn)與試驗(yàn)結(jié)果分析

為找出不平衡對(duì)切割器振動(dòng)的影響，實(shí)現(xiàn)振動(dòng)可控，減少試驗(yàn)次數(shù)，采用正交試驗(yàn)的方法進(jìn)行試驗(yàn)。切割器切割甘蔗向后輸送的過程中，甘蔗對(duì)刀盤及螺旋都產(chǎn)生不平衡軸向力的作用，因此本文通過改變切割器的刀盤及螺旋的不平衡量進(jìn)行試驗(yàn)。

2.1 試驗(yàn)方案

采用自制的甘蔗切割器平臺(tái)進(jìn)行振動(dòng)試驗(yàn)，切割器試驗(yàn)平臺(tái)如圖3所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程

圖3 切割器試驗(yàn)平臺(tái)

試驗(yàn)框圖如圖4所示。

圖4 切割器不平衡振動(dòng)測(cè)試框圖

2.2 螺旋正交試驗(yàn)

在螺旋上添加不平衡質(zhì)量塊、綜合刀盤轉(zhuǎn)速、質(zhì)量塊的質(zhì)量、質(zhì)量塊的位置做正交試驗(yàn)，探究螺旋上不平衡質(zhì)量對(duì)于刀盤振動(dòng)的影響規(guī)律。

選擇刀盤轉(zhuǎn)速A、不平衡質(zhì)量塊的質(zhì)量B、質(zhì)量塊位置C3個(gè)因素作為試驗(yàn)。A為600、650、700r/min三水平，B為0.2、0.3、0.4kg三水平，C為位置高度90、150、210mm的三水平，試驗(yàn)結(jié)果如表2所示。

表2 螺旋正交試驗(yàn)結(jié)果直觀分析表

進(jìn)行方差分析，取置信度1-α=0.95，即α=0.05，結(jié)果如表3所示。

表3 α=0.05方差分析

綜合分析可以得出：在螺旋上的正交試驗(yàn)，當(dāng)置信度為0.95時(shí)，刀盤轉(zhuǎn)速、不平衡質(zhì)量對(duì)于刀盤振動(dòng)有顯著性影響。

2.3 刀盤正交試驗(yàn)

在刀盤上添加不平衡質(zhì)量塊、綜合刀盤轉(zhuǎn)速，質(zhì)量塊的質(zhì)量及質(zhì)量塊的位置做正交試驗(yàn)，探究刀盤上不平衡質(zhì)量對(duì)于刀盤振動(dòng)的影響規(guī)律。

選擇刀盤轉(zhuǎn)速A、不平衡質(zhì)量塊的質(zhì)量B、質(zhì)量塊位置C3個(gè)因素作為試驗(yàn)。A為600、650、700r/min三水平，B為0.2、0.3、0.4kg三水平，C為位置半徑100、130、160的三水平，試驗(yàn)結(jié)果如表4所示。

表4 刀盤正交試驗(yàn)結(jié)果直觀分析表

進(jìn)行方差分析，取置信度1-α=0.9，即α=0.1，結(jié)果如表5所示。

表5 α=0.1方差分析

綜合分析可以得出：在刀盤上的正交試驗(yàn)，當(dāng)置信度為0.90時(shí)，刀盤轉(zhuǎn)速、位置半徑及不平衡質(zhì)量對(duì)于刀盤振動(dòng)都有顯著性影響。

3 建立切割器振動(dòng)神經(jīng)網(wǎng)絡(luò)模型

在前面所述的螺旋及刀盤不平衡試驗(yàn)中，發(fā)現(xiàn)刀盤轉(zhuǎn)速、不平衡質(zhì)量及不平衡位置都會(huì)對(duì)切割振動(dòng)有顯著性影響。為了構(gòu)建切割器振動(dòng)與各因素的關(guān)系知識(shí)庫(kù)，通過試驗(yàn)分析，確定了神經(jīng)網(wǎng)絡(luò)模型的各個(gè)層數(shù)分別為輸入層是3層、隱含層取6層、輸出層由于只有一個(gè)輸出故取為1層。

訓(xùn)練樣本的正確選取對(duì)于網(wǎng)絡(luò)模型的構(gòu)建非常重要，選取那些具有代表性的樣本并且之間又有相互聯(lián)系，能夠?qū)Ω鱾€(gè)層的連接權(quán)值起到調(diào)整的作用。本文開展的正交試驗(yàn)就是選取了具有代表性的參數(shù)組合進(jìn)行試驗(yàn)，能夠比較全面地表示各個(gè)選區(qū)的情況。采用正交試驗(yàn)中的樣本作為本文的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，能夠有效地減少訓(xùn)練樣本數(shù)，提高神經(jīng)網(wǎng)絡(luò)精度，因此分別對(duì)螺旋上不平衡以及刀盤上不平衡進(jìn)行神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練。隱含層與輸出層的激活函數(shù)為Sigmoid函數(shù)，對(duì)樣本進(jìn)行訓(xùn)練。經(jīng)過分析以及經(jīng)驗(yàn)確定網(wǎng)絡(luò)參數(shù)。

3.1 螺旋神經(jīng)網(wǎng)絡(luò)模型

螺旋上基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的結(jié)構(gòu)采用表6所示。其中，輸入層表示刀盤轉(zhuǎn)速A、螺旋上不平衡質(zhì)量B、不平衡質(zhì)量螺旋上的位置C，輸出層的單元為振動(dòng)峰峰值。

經(jīng)過105 946次運(yùn)算后誤差函數(shù)趨于穩(wěn)定，此時(shí)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和確定的參數(shù)作為實(shí)際預(yù)測(cè)的模型參數(shù)。

表6 螺旋樣本和學(xué)習(xí)結(jié)果

3.2 刀盤神經(jīng)網(wǎng)絡(luò)模型

刀盤上基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的結(jié)構(gòu)如表7所示。其中，輸入層表示刀盤轉(zhuǎn)速A、刀盤上不平衡質(zhì)量B、不平衡質(zhì)量刀盤上的位置C，輸出層的單元為振動(dòng)峰峰值。

經(jīng)過119 578次運(yùn)算后誤差函數(shù)趨于穩(wěn)定，此時(shí)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和確定的參數(shù)作為實(shí)際預(yù)測(cè)的模型參數(shù)。

表7 刀盤樣本和學(xué)習(xí)結(jié)果

4 結(jié)果對(duì)比以及預(yù)測(cè)分析

為了進(jìn)一步說(shuō)明基于BP神經(jīng)網(wǎng)絡(luò)建立的模型要優(yōu)于其它方法建立的模型，這里將BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的數(shù)據(jù)與建立的回歸模型得到的結(jié)果進(jìn)行對(duì)比。以實(shí)際值作為基準(zhǔn)值，將BP神經(jīng)網(wǎng)絡(luò)得到的數(shù)據(jù)與回歸分析計(jì)算得到的數(shù)據(jù)與實(shí)際值的偏差值作出偏差圖，如圖5、圖6所示；預(yù)測(cè)結(jié)果與相對(duì)誤差如表8、表9所示。

從圖5、圖6中可以看出：基于BP神經(jīng)網(wǎng)絡(luò)的擬合值基本在零線附近，預(yù)測(cè)值與實(shí)際采集的壓力值的偏差值較小，但基于回歸模型的預(yù)測(cè)值與實(shí)際值的偏差較大。

圖5 螺旋不平衡訓(xùn)練結(jié)果偏差

圖6 刀盤不平衡訓(xùn)練結(jié)果偏差

表8 螺旋預(yù)測(cè)結(jié)果以及相對(duì)誤差

表9 刀盤預(yù)測(cè)結(jié)果以及相對(duì)誤差

續(xù)表9

由表8、表9可知：當(dāng)相對(duì)誤差小于10%時(shí)，基于BP神經(jīng)網(wǎng)絡(luò)建立的模型的振動(dòng)峰值正確擬合率達(dá)到了88.89%，且得到的相對(duì)誤差基本上在5%以內(nèi)，而回歸模型的切割壓力正確擬合率僅38.89%。從對(duì)比中，可知基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的切割器振動(dòng)與不平衡的關(guān)系數(shù)學(xué)模型能夠更好地?cái)M合數(shù)據(jù)且擬合精度較高。

5 結(jié)論

1)通過正交試驗(yàn)結(jié)果分析發(fā)現(xiàn)：切割器刀盤以及螺旋的不平衡對(duì)切割器振動(dòng)產(chǎn)生顯著性影響。

2)根據(jù)正交試驗(yàn)結(jié)果，采用了基于BP神經(jīng)網(wǎng)絡(luò)模型及基于回歸模型兩種方式進(jìn)行切割器振動(dòng)的預(yù)測(cè)分析。經(jīng)過對(duì)比發(fā)現(xiàn)：當(dāng)相對(duì)誤差小于10%時(shí)，發(fā)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)建立的模型的切割器振動(dòng)正確擬合率達(dá)到了88.89%，在對(duì)驗(yàn)證試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，相對(duì)誤差基本上在5%以內(nèi)；而回歸模型的切割壓力正確擬合率只有38.89%，因此基于BP神經(jīng)網(wǎng)絡(luò)建立的模型較好，精度較高。通過此BP神經(jīng)網(wǎng)絡(luò)模型，能夠更為有效地挖掘出隱含在試驗(yàn)數(shù)據(jù)中的非顯式知識(shí)，有效減少試驗(yàn)研究的次數(shù)與成本，能夠很好地指導(dǎo)設(shè)計(jì)開發(fā)等工作，為進(jìn)一步的切割器刀盤和螺旋振動(dòng)的自動(dòng)控制系統(tǒng)的研發(fā)及自動(dòng)控制信號(hào)獲取提供了強(qiáng)有力的支持。