玉米收獲機(jī)發(fā)動機(jī)服役狀態(tài)趨勢分析與預(yù)警

摘要：為提高服役狀態(tài)下玉米收獲機(jī)發(fā)動機(jī)運(yùn)行的穩(wěn)定性，以發(fā)動機(jī)運(yùn)行數(shù)據(jù)為分析對象，計算發(fā)動機(jī)的一個穩(wěn)定性運(yùn)行趨勢曲線，用以判斷發(fā)動機(jī)是否處于穩(wěn)定性狀態(tài)。首先通過獲取發(fā)動機(jī)ECU系統(tǒng)中的運(yùn)行數(shù)據(jù)，對發(fā)動機(jī)正常運(yùn)行下的數(shù)據(jù)進(jìn)行歸一化處理，然后基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型。以發(fā)動機(jī)轉(zhuǎn)速、農(nóng)機(jī)速度、冷卻液溫度、系統(tǒng)電壓4個參數(shù)作為輸入對機(jī)油壓力的數(shù)值進(jìn)行預(yù)測，最終預(yù)測模型的決定系數(shù)達(dá)到0.88，證明預(yù)測模型擬合度較高，能準(zhǔn)確地對發(fā)動機(jī)的機(jī)油壓力做出預(yù)測。而發(fā)動機(jī)在正常運(yùn)行的情況下，機(jī)油壓力的預(yù)測偏差較小，以大量正常運(yùn)行的機(jī)油壓力預(yù)測值與實(shí)際運(yùn)行值的殘差結(jié)合實(shí)際運(yùn)行值構(gòu)建基準(zhǔn)向量集合，再以20 000條正常的機(jī)油壓力的運(yùn)行預(yù)測值與實(shí)際運(yùn)行值的殘差結(jié)合實(shí)際運(yùn)行值構(gòu)建評估向量，利用馬氏距離計算每個評估向量到基準(zhǔn)向量集合的距離值，該距離值可代表發(fā)動機(jī)正常運(yùn)行狀態(tài)下的一個穩(wěn)定性的指標(biāo)值。結(jié)果表明：得到的20 000個指標(biāo)值具有一定的聚集性，指標(biāo)值的大小穩(wěn)定在0～10之間，所以該指標(biāo)值在時間序列的一個趨勢曲線可以代表發(fā)動機(jī)服役狀態(tài)下的一個穩(wěn)定的趨勢，用以判斷發(fā)動機(jī)處于正常或異常狀態(tài)。

關(guān)鍵詞：玉米收獲機(jī)；發(fā)動機(jī)；機(jī)器學(xué)習(xí)；狀態(tài)預(yù)測；馬氏距離；趨勢分析

中圖分類號：S225.5+1

文獻(xiàn)標(biāo)識碼：A

文章編號：20955553 （2024） 070160

06

Trend analysis and early warning of engine service status of corn harvester

Tang Keji1， Sun Wenlei2， Yang Yang1， Kong Delong1

（1. School of Business， Xinjiang University， Urumqi， 830047， China；

2. School of Modern Industry of Intelligent Manufacturing， Xinjiang University， Urumqi， 830047， China）

Abstract：

In order to improve the operating stability of the corn harvester engine in service， the engine operation data is taken as the analysis object， and a stability operation trend curve of the starter is calculated to judge whether the engine is in a stable state. Firstly， by obtaining operational data from the engine ECU system， the data under normal engine operation is normalized. Then， a prediction model is established based on a BP neural network optimized by genetic algorithm. Predicting the numerical value of oil pressure using four parameters： engine speed， agricultural machinery speed， coolant temperature， and system voltage as inputs， and the final decision coefficient of the prediction model reaches 0.88， which proves that the prediction model has a high degree of fit and can accurately predict the engine oil pressure. Under normal operation of the engine， the predicted deviation of oil pressure is relatively small. The benchmark vector set is constructed by combining the residual of a large number of normal operation oil pressure predicted values and actual operation values with the actual operation values， and the evaluation vector is constructed by combining the residual of 20 000 normal operation oil pressure predicted values and actual operation values with the actual operation values. The distance value between each evaluation vector and the reference vector set is calculated by using Markov distance. This distance value can represent a stability index value under the normal operation state of the engine. The analysis results show that the 20 000 index values obtained have a certain aggregation， and the index value is stable between 0 and 10. Therefore， a trend curve of this index value in the time series can represent a stable trend under the service state of the engine， and can be used to judge whether the engine is in normal or abnormal state.

Keywords：

corn harvester; engine; machine learning; state prediction; Mahalanobis distance; trend analysis

0 引言

農(nóng)機(jī)裝備的智能測控是農(nóng)機(jī)未來的運(yùn)維方向，目前農(nóng)機(jī)裝備精準(zhǔn)監(jiān)控技術(shù)和農(nóng)機(jī)作業(yè)智能決策與管理技術(shù)已經(jīng)在國內(nèi)外得到了大量的應(yīng)用［1］，國外將許多現(xiàn)代科學(xué)先進(jìn)技術(shù)系統(tǒng)應(yīng)用于玉米收獲機(jī)上，使玉米收獲機(jī)的智能化水平有了顯著的提升［2， 3］，目前針對農(nóng)機(jī)戶外作業(yè)難以監(jiān)控的問題，杜志偉等［4］提出了一種基于物聯(lián)網(wǎng)的農(nóng)機(jī)狀態(tài)監(jiān)控系統(tǒng)，能夠?qū)崟r地采集農(nóng)機(jī)運(yùn)行數(shù)據(jù)，主要的作用在于保證農(nóng)機(jī)在工作的過程中保持正常的工作狀態(tài)，避免設(shè)備出現(xiàn)故障，導(dǎo)致人力、物力的浪費(fèi)。所以農(nóng)機(jī)的設(shè)備狀態(tài)監(jiān)測在農(nóng)機(jī)設(shè)備管理的領(lǐng)域是非常重要的內(nèi)容［5， 6］。而對于農(nóng)機(jī)設(shè)備的智能化改造，需要關(guān)注的不僅是技術(shù)上的改進(jìn)和提升，還更要關(guān)注監(jiān)測數(shù)據(jù)上的應(yīng)用。利用數(shù)據(jù)進(jìn)行設(shè)備或系統(tǒng)進(jìn)行狀態(tài)分析的研究在很多領(lǐng)域目前已經(jīng)有了很多體現(xiàn)。如建立以歷史的正常和故障數(shù)據(jù)為基礎(chǔ)，以算法對數(shù)據(jù)進(jìn)行分析的故障診斷模型［7］，或者建立基于數(shù)據(jù)驅(qū)動的故障智能預(yù)測及預(yù)警方法，以實(shí)現(xiàn)對具有遞增或遞減趨勢的監(jiān)測數(shù)據(jù)的預(yù)測及預(yù)警［8］，還有采用設(shè)備故障趨勢數(shù)據(jù)，并利用大數(shù)據(jù)分析技術(shù)預(yù)測設(shè)備故障發(fā)生的趨勢變化，建立設(shè)備故障預(yù)測模型［9］以及采集農(nóng)機(jī)設(shè)備狀態(tài)數(shù)據(jù)，基于狀態(tài)數(shù)據(jù)提取農(nóng)機(jī)的狀態(tài)特征，利用數(shù)據(jù)挖掘技術(shù)建立農(nóng)機(jī)的智能狀態(tài)檢測模型等。

基于此，本文提出利用玉米收獲機(jī)發(fā)動機(jī)的運(yùn)行數(shù)據(jù)，以馬氏距離法，計算在其服役狀態(tài)下，實(shí)時運(yùn)行數(shù)據(jù)到正常的運(yùn)行數(shù)據(jù)為基準(zhǔn)的集合的距離值，得到服役狀態(tài)下發(fā)動機(jī)的運(yùn)行趨勢曲線，用以判斷發(fā)動機(jī)的運(yùn)行狀態(tài)。

1 發(fā)動機(jī)運(yùn)行狀態(tài)數(shù)據(jù)采集與處理

基于發(fā)動機(jī)ECU系統(tǒng)收集到的玉米收獲機(jī)發(fā)動機(jī)的狀態(tài)數(shù)據(jù)目前有5個，主要包括發(fā)動機(jī)轉(zhuǎn)速、農(nóng)機(jī)速度、系統(tǒng)電壓、機(jī)油壓力及冷卻液溫度。采集的數(shù)據(jù)如表1所示。

并不是所有的運(yùn)行參數(shù)都可以有效地反映發(fā)動機(jī)的運(yùn)行狀態(tài)，因此，需進(jìn)行預(yù)測參數(shù)的選擇，再進(jìn)行發(fā)動機(jī)的狀態(tài)預(yù)測，然后根據(jù)預(yù)測數(shù)據(jù)合理地對其服役狀態(tài)進(jìn)行趨勢分析。對此，采用皮爾遜相關(guān)系數(shù)［10］對發(fā)動機(jī)的每個狀態(tài)參數(shù)進(jìn)行分析，皮爾遜相關(guān)系數(shù)的主要作用為計算出玉米收獲機(jī)發(fā)動機(jī)的每個運(yùn)行參數(shù)之間的一個相關(guān)性，量化的表示參數(shù)之間的關(guān)聯(lián)性，如式（1）所示。

σAσB=cov（A，B）σAσB=E［（X－μA）（Y－μB）］σAσB

（1）

式中：

A、B——不同參數(shù)變量；

cov（A，B）——A和B的協(xié)方差；

σA、σB——A、B的標(biāo)準(zhǔn)差；

E——變量A與B的協(xié)方差；

μA、μB——參數(shù)A和參數(shù)B的均值。

已知A、B的數(shù)據(jù)量為n時，A、B之間的皮爾遜相關(guān)系數(shù)

r=∑ni=1（Ai－A-）（Bi－B-）∑ni=1（Ai－A-）2∑ni=1（Bi－B-）2

（2）

設(shè)V1表示發(fā)動機(jī)轉(zhuǎn)速，V2表示農(nóng)機(jī)速度，V3表示系統(tǒng)電壓，V4表示機(jī)油壓力，V5表示冷卻液溫度，而皮爾遜相關(guān)系數(shù)取值范圍為［-1，1］，根據(jù)計算結(jié)果，可以得出發(fā)動機(jī)參數(shù)V1～V5之間兩兩相關(guān)的一個關(guān)聯(lián)程度。當(dāng)兩個參數(shù)之間的|r|越接近1，則表示變參數(shù)的關(guān)聯(lián)程度越強(qiáng)；反之，其關(guān)聯(lián)程度越弱，根據(jù)式（2）計算得到ECU采集回來的發(fā)動機(jī)運(yùn)行狀態(tài)參數(shù)之間的關(guān)聯(lián)程度如表2所示。

皮爾遜相關(guān)系數(shù)通常情況下通過以下取值范圍判斷變量的相關(guān)強(qiáng)度：0.8～1為極相關(guān)強(qiáng)；0.6～0.8為強(qiáng)相關(guān)；0.4～0.6為弱相關(guān)；0.0～0.2為極弱或不相關(guān)［11］。根據(jù)發(fā)動機(jī)各運(yùn)行狀態(tài)的相關(guān)性來看，V4與V1具有強(qiáng)相關(guān)；V4與V2具有中等強(qiáng)度相關(guān)，所以選擇機(jī)油壓力為預(yù)測特征。

玉米收獲機(jī)發(fā)動機(jī)ECU系統(tǒng)內(nèi)監(jiān)測的參數(shù)包括發(fā)動機(jī)轉(zhuǎn)速、冷卻液溫度、機(jī)油壓力等參數(shù)，由于這些參數(shù)的量綱和量程的不一致，導(dǎo)致數(shù)據(jù)的差異性大，這樣的差異性容易對模型產(chǎn)生一定的影響，所以在大部分機(jī)器學(xué)習(xí)中，都會對這些不同的物理量參數(shù)進(jìn)行歸一化［12］的處理，可以有效提升機(jī)器學(xué)習(xí)模型的精確性。所以在對數(shù)據(jù)進(jìn)行處理的時候，采用最大及最小的標(biāo)準(zhǔn)化方法將每個特征變量范圍縮放到［0，1］區(qū)間內(nèi)。定義如式（3）所示。

x*=x－minXmaxX－minX

（3）

式中：

X——發(fā)動機(jī)ECU系統(tǒng)采集的參數(shù)；

x——參數(shù)的原始數(shù)值；

x*——?dú)w一化后的數(shù)值。

根據(jù)式（3），對發(fā)動機(jī)ECU系統(tǒng)中采取到的30 000條運(yùn)行參數(shù)進(jìn)行歸一化處理，然后使用算法進(jìn)行數(shù)據(jù)訓(xùn)練。

2 基于機(jī)器學(xué)習(xí)的發(fā)動機(jī)運(yùn)行狀態(tài)預(yù)測

機(jī)器學(xué)習(xí)［13］是常用的狀態(tài)預(yù)測方法之一，所以對發(fā)動機(jī)的服役狀態(tài)下的一個狀態(tài)預(yù)測可以用機(jī)器學(xué)習(xí)的相關(guān)算法，以服役狀態(tài)下的發(fā)動機(jī)的歷史運(yùn)行數(shù)據(jù)為基礎(chǔ)，結(jié)合算法進(jìn)行數(shù)據(jù)訓(xùn)練得出其在未來一段時間的運(yùn)行狀態(tài)，并且為得到更精確的結(jié)果，還應(yīng)對算法進(jìn)行一定的優(yōu)化?；谏厦嫣卣飨蛄肯嚓P(guān)性分析，預(yù)測模型建設(shè)如圖1所示，訓(xùn)練樣本選擇發(fā)動機(jī)轉(zhuǎn)速、系統(tǒng)電壓、農(nóng)機(jī)車速和冷卻液溫度這4個參數(shù)作為輸入訓(xùn)練數(shù)據(jù)樣本，機(jī)油壓力作為輸出。

2.1 基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)油壓力狀態(tài)預(yù)測

BP神經(jīng)網(wǎng)絡(luò)［14］是一種多層前饋神經(jīng)網(wǎng)絡(luò)，采用誤差反向傳播訓(xùn)練學(xué)習(xí)，具有非線性映射的能力，是機(jī)器學(xué)習(xí)在常用的算法之一。其拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層，圖2為結(jié)構(gòu)示意圖，Xi（i=1，2，…，m）表示輸入值，Yj（j=1，2，…，n）表示輸出值，wik為輸入層與隱含層的連接權(quán)值，wjk為隱含層與輸出層的連接權(quán)值。

將發(fā)動機(jī)轉(zhuǎn)速、農(nóng)機(jī)速度、冷卻液溫度、系統(tǒng)電壓4個參數(shù)作為輸入信號X=［x1，x2，x3，x4］，隱含層數(shù)設(shè)置為8，當(dāng)輸入信號X通過輸入層到隱含層時，經(jīng)過與隱含層權(quán)重矩陣W1的計算，再加上每個神經(jīng)元的偏置值B1，得到U值，U值通過BP神經(jīng)網(wǎng)絡(luò)里輸入層至隱含層的transig傳遞函數(shù)計算，可以獲得接收矢量Z1。

U=W1TX+B1

（4）

Z1=f（U）=f（W1TX+B1）

（5）

當(dāng)矢量Z1通過隱含層到輸出層時，通過與輸出層權(quán)重矩陣W2的計算，再加上隱含層每個神經(jīng)元的偏置值B2，計算結(jié)果Z2通過輸入層到隱含層的purelin傳遞函數(shù)，獲得最終的輸出值Y。

Z2=W2TZ1+B2=W2T［f（W1TX+B1）］+B2

（6）

Y=f2（Z2）=f2{W2T［f（W1TX+B1）］+B2｝

（7）

基于BP神經(jīng)網(wǎng)絡(luò)的運(yùn)行狀態(tài)預(yù)測模型包括2個階段，首先是輸入信號X作為工作信號由輸入層到輸出層正向傳播，然后輸出值的誤差信號則是反向傳播。這兩個階段不斷重復(fù)進(jìn)行著，以此來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和偏置值，直到預(yù)測值與實(shí)際值的誤差達(dá)到最小為止，達(dá)到機(jī)油壓力的狀態(tài)預(yù)測效果。

2.2 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度較慢，且在進(jìn)行計算的過程中容易使結(jié)果陷入局部極小值。所以為了得到最優(yōu)結(jié)果，可以使用遺傳算法對其進(jìn)行優(yōu)化，通過遺傳算法的群種初始化、適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作［15］對最開始創(chuàng)建網(wǎng)絡(luò)訓(xùn)練得到的初始閾值和權(quán)值進(jìn)行迭代優(yōu)化，得到最優(yōu)的結(jié)果，反饋回初始的BP神經(jīng)網(wǎng)絡(luò)模型，可以得到最優(yōu)的預(yù)測模型，優(yōu)化過程如圖3所示。

1） 初始值編碼。初始值編碼主要確定BP神經(jīng)網(wǎng)絡(luò)的輸入為發(fā)動機(jī)轉(zhuǎn)速、農(nóng)機(jī)速度、冷卻液溫度、系統(tǒng)電壓4個輸入節(jié)點(diǎn)，輸出為機(jī)油壓力預(yù)測值，對BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值W1和W2及偏置值B1和B2進(jìn)行編碼，然后組成染色體。

2） 適應(yīng)度函數(shù)選擇。BP神經(jīng)網(wǎng)絡(luò)的誤差平方和越小，預(yù)測模型的性能就越好，所以BP神經(jīng)網(wǎng)絡(luò)是一個最小化優(yōu)化問題，故適應(yīng)度函數(shù)可用誤差平方和的倒數(shù)來表示，即

t=1e=1∑ni=1（yi－y^i）2

（8）

式中：

e——預(yù)測模型的輸出誤差；

yi——第i個實(shí)測值；

y^i——第i個預(yù)測值。

3） 選擇操作。選擇操作主要為選取適應(yīng)度較高的染色個體，然后將適應(yīng)度較低的染色體淘汰掉。

4）" 遺傳操作。通過交叉操作以及變異操作生成新的種群。

5）" 重復(fù)步驟（2）～步驟（4），反復(fù)修正網(wǎng)絡(luò)的權(quán)值和偏置值，直到滿足訓(xùn)練要求為止，將最優(yōu)的個體［W1，W2，B1，B2］反饋回BP神經(jīng)網(wǎng)絡(luò)，達(dá)到最優(yōu)的預(yù)測效果。

2.3 運(yùn)行狀態(tài)仿真預(yù)測結(jié)果

根據(jù)GA-BP神經(jīng)網(wǎng)絡(luò)算法，基于上文中對ECU采集到的30 000個數(shù)據(jù)進(jìn)行訓(xùn)練，然后對發(fā)動機(jī)的機(jī)油壓力狀態(tài)進(jìn)行預(yù)測，預(yù)測的數(shù)據(jù)量為20 000條，遺傳算法的參數(shù)設(shè)置如表3所示。

圖4為訓(xùn)練過程中的適應(yīng)度變化，可以看到適應(yīng)度迭代10次以后開始平緩增長，直到迭代到30次后，基本沒有變化，證明預(yù)測模型在迭代到30次后，預(yù)測效果達(dá)到最優(yōu)，圖5為部分預(yù)測結(jié)果。

機(jī)油壓力預(yù)測模型具體的預(yù)測效果由以下3個評價指標(biāo)進(jìn)行評價［16］。

平均絕對誤差

MAE=1n∑nj=1y^j－yj

（9）

平均絕對百分比誤差

MAPE=1n∑nj=1y^j－yjyj×100%

（10）

決定系數(shù)

R2=1－SSESST

（11）

SSE=∑nj=1（yj－y^j）2

SST=∑ni=1（yj－y-j）2

式中：

SSE——誤差平方和；

SST——總平方和。

從表4可以看到，不管是BP神經(jīng)網(wǎng)絡(luò)還是GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，其決定系數(shù)都達(dá)到了0.8以上，可以判斷模型的預(yù)測結(jié)果擬合度較高，而不管是平均絕對誤差或者平均絕對百分比誤差，GA-BP神經(jīng)網(wǎng)絡(luò)都要比BP神經(jīng)網(wǎng)絡(luò)要小，可以得到GA-BP神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果要更優(yōu)。

3 發(fā)動機(jī)服役狀態(tài)趨勢判斷與預(yù)警

當(dāng)發(fā)動機(jī)處于正常的服役狀態(tài)時，發(fā)動機(jī)的每個運(yùn)行參數(shù)之間數(shù)據(jù)關(guān)系應(yīng)符合一個正常的數(shù)學(xué)模型，根據(jù)這些正常運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行預(yù)測模型訓(xùn)練，對機(jī)油壓力進(jìn)行預(yù)測，發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測值正常情況下，與實(shí)際的運(yùn)行值相比，預(yù)測偏差較小。所以可以結(jié)合預(yù)測偏差r=y^－y和真實(shí)值y，構(gòu)建正常狀運(yùn)行狀態(tài)的特征向量z=［r，y］。以發(fā)動機(jī)正常運(yùn)行狀態(tài)下的z=［r，y］為基準(zhǔn)，通過度量測試其他數(shù)據(jù)構(gòu)建的特征向量到基準(zhǔn)向量的距離來判斷發(fā)動機(jī)當(dāng)前的狀態(tài)是否穩(wěn)定。而度量測試主要采用了距離度量方法中的馬氏距離［17］，如果發(fā)動機(jī)處于穩(wěn)定的狀態(tài)，其計算馬氏距離值應(yīng)穩(wěn)定地處于一定的范圍。馬氏距離主要表達(dá)數(shù)據(jù)的一個協(xié)方差距離，根據(jù)特征向量集合z∈R1×m的一個均值μ∈R1×m，及樣本集合的協(xié)方差矩陣S，如式（12）所示。

DM（z）=（z－μ）S－1（z－μ）T

（12）

基于式（12），以發(fā)動機(jī)的一個實(shí)時數(shù)據(jù)構(gòu)建的特征向量z=［r，y］為觀測變量，定義穩(wěn)定指標(biāo)值為

DM（zk）=（zk－μn）Sn（zk－μn）T

（13）

式中：

zk——

發(fā)動機(jī)k時刻樣本特征向量，zk=［rk，yk］；

DM（zk）——

k時刻發(fā)動機(jī)的穩(wěn)定性指標(biāo)；

μn——

發(fā)動機(jī)正常運(yùn)行狀態(tài)下構(gòu)建的特征向量集合z的均值；

Sn——

特征向量集合z的一個協(xié)方差矩陣。

當(dāng)選擇的特征向量zk均為發(fā)動機(jī)正常運(yùn)行狀態(tài)下所采集的數(shù)據(jù)構(gòu)建而成時，根據(jù)式（13）計算出來DM（zk）即可以代表發(fā)動機(jī)服役狀態(tài)下k時刻的一個穩(wěn)定性指標(biāo)。

通過上文的分析結(jié)果，選擇了GA-BP神經(jīng)網(wǎng)絡(luò)模型作為運(yùn)行狀態(tài)的預(yù)測模型，并且完成了20 000條機(jī)油壓力的狀態(tài)數(shù)據(jù)預(yù)測，以這20 000條預(yù)測數(shù)據(jù)集，結(jié)合數(shù)據(jù)的預(yù)測殘差構(gòu)建特征向量z，再選擇大量的實(shí)時數(shù)據(jù)基于上述的預(yù)測訓(xùn)練模型，進(jìn)行機(jī)油壓力的狀態(tài)預(yù)測，并且構(gòu)建驗(yàn)證數(shù)據(jù)集，計算驗(yàn)證數(shù)據(jù)集中的特征向量zi到基準(zhǔn)z的馬氏距離，得到發(fā)動機(jī)穩(wěn)定性運(yùn)行的狀態(tài)指標(biāo)。狀態(tài)指標(biāo)值的散點(diǎn)圖如圖6所示。

對正常服役狀態(tài)下穩(wěn)定性指標(biāo)的分布特征進(jìn)行研究。計算出來的穩(wěn)定指標(biāo)值，具有一定的聚集趨勢，所以采用核密度［18］方法對計算結(jié)果進(jìn)行估計。從圖7可以看出，基于核密度估計的概率密度分布與穩(wěn)定性指標(biāo)基于直方圖分布非常貼合。

在核密度估計得到的概率密度分布的基礎(chǔ)上，積分得到其累積分布曲線，如圖8所示。根據(jù)其累積分布曲線，取置信值d=95%，得到DM（0.95）=5.289，根據(jù)DM（0.95）對發(fā)動機(jī)的狀態(tài)進(jìn)行判斷，如果DM（0.95）≤5.289，發(fā)動機(jī)處于穩(wěn)定狀態(tài)，如果DM（0.95）≥5.289，發(fā)動機(jī)處于異常狀態(tài)。

該指標(biāo)性指標(biāo)隨時間順序排列，可以作為服役發(fā)動機(jī)穩(wěn)定情況的一個趨勢曲線圖，由于發(fā)動機(jī)的穩(wěn)定性指標(biāo)計算是基于發(fā)動機(jī)的預(yù)測偏差值再結(jié)合設(shè)備實(shí)際的運(yùn)行數(shù)據(jù)構(gòu)建而成，所以預(yù)測的誤差及實(shí)際數(shù)據(jù)的異常都會導(dǎo)致該曲線圖出現(xiàn)異常的波動，如圖9所示。

基于預(yù)測誤差或其他不穩(wěn)定因素的原因，指標(biāo)值的計算會出現(xiàn)超過上文計算的DM值，但是這類異常值同時存在一個規(guī)律，就是具有起伏性，并不連續(xù)，所以為了避免這類型的超標(biāo)閾值導(dǎo)致誤判的情況，對設(shè)備是否進(jìn)入異常狀態(tài)設(shè)置兩個輔助條件。

條件1為檢測到第一個異常閾值后，穩(wěn)定性指標(biāo)持續(xù)異常，處于異常狀態(tài)，且出現(xiàn)次數(shù)達(dá)到20次后，判定發(fā)動機(jī)處于異常狀態(tài)。

條件2為檢測到第一個異常閾值后，穩(wěn)定指標(biāo)值處于異常但不持續(xù)，連續(xù)累積次數(shù)不能達(dá)到20次。不能判斷發(fā)動機(jī)為異常狀態(tài)；因此，輔助條件考慮到了實(shí)際情況存在預(yù)測誤差導(dǎo)致穩(wěn)定指標(biāo)出現(xiàn)異常，有效地減少這種非設(shè)備異常的誤判。

4 結(jié)論

1） 根據(jù)機(jī)器學(xué)習(xí)對服役狀態(tài)下的發(fā)動機(jī)的趨勢進(jìn)行預(yù)測，預(yù)測模型的決定系數(shù)達(dá)到0.88，模型的擬合度較高，并對比GA-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的平均絕對誤差和平均絕對百分比誤差，基于指標(biāo)值越低，預(yù)測效果更好的原則，GA-BP的這兩個指標(biāo)分別為29.94和0.075 6，均低于BP神經(jīng)網(wǎng)絡(luò)的30.41和0.076 7，證明遺傳算法可以有效優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，使預(yù)測的效果更好。

2）" 基于預(yù)測殘差和真實(shí)值構(gòu)建評估向量，根據(jù)馬氏距離法可以有效地計算出發(fā)動機(jī)的穩(wěn)定性指標(biāo)，進(jìn)一步研究穩(wěn)定性指標(biāo)的分布情況，得到指標(biāo)的分布主要在0～10之間，根據(jù)其累積分布曲線，選擇置信度，計算出判斷其穩(wěn)定性的閾值DM為5.289。

3）" 基于時間順序?qū)Ψ€(wěn)定性指標(biāo)進(jìn)行分析，發(fā)現(xiàn)基于預(yù)測誤差的原因，指標(biāo)容易出現(xiàn)超出穩(wěn)定性的閾值，為了更好地對發(fā)動機(jī)的穩(wěn)定或者異常情況進(jìn)行區(qū)分，基于發(fā)動機(jī)穩(wěn)定性指標(biāo)的變化情況設(shè)計異常情況判斷的輔助條件，可有效減少誤報警的發(fā)生。

參 考 文 獻(xiàn)

［1］翟長遠(yuǎn)， 楊碩， 王秀， 等. 農(nóng)機(jī)裝備智能測控技術(shù)研究現(xiàn)狀與展望［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2022， 53（4）： 1-20.

Zhai Changyuan， Yang Shuo， Wang Xiu， et al. Status and prospect of intelligent measurement and control technology for agricultural equipment ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（4）： 1-20.

［2］張真， 遲瑞娟， 杜岳峰， 等. 基于CAN總線的玉米收獲智能控制系統(tǒng)研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2018， 49（S1）： 275-281.

Zhang Zhen， Chi Ruijuan， Du Yuefeng， et al. Investigation on CAN-bus-based corn harvester intelligent control system ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（S1）： 275-281.

［3］崔濤， 樊晨龍， 張東興， 等. 玉米機(jī)械化收獲技術(shù)研究進(jìn)展分析［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2019， 50（12）： 1-13.

Cui Tao， Fan Chenlong， Zhang Dongxing， et al. Research progress of maize mechanized harvesting technology ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（12）： 1-13.

［4］杜志偉， 郝鳳琦， 程廣河， 等. 基于物聯(lián)網(wǎng)的農(nóng)機(jī)狀態(tài)監(jiān)控系統(tǒng)研究［J］. 中國農(nóng)機(jī)化學(xué)報， 2019， 40（11）： 189-194.

Du Zhiwei， Hao Fengqi， Cheng Guanghe， et al. Research on agricultural machinery state monitoring terminal based on Internet of Things ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（11）： 189-194.

［5］孔德剛， 趙永超， 劉立意， 等. 大功率農(nóng)機(jī)作業(yè)效率與機(jī)組合理運(yùn)用模式的研究［J］. 農(nóng)業(yè)工程學(xué)報， 2008（8）： 143-146.

Kong Degang， Zhao Yongchao， Liu Liyi， et al. Investigation of work efficiency of high-power agricultural machinery and reasonable application pattern of tractor-implement units ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2008（8）： 143-146.

［6］康康， 陳忠國， 王林鳳， 等. 基于物聯(lián)網(wǎng)的移動式農(nóng)機(jī)設(shè)備監(jiān)控系統(tǒng)［J］. 江蘇農(nóng)業(yè)科學(xué)， 2018， 46（1）： 169-173.

Kang Kang， Chen Zhongguo， Wang Linfeng， et al. Monitoring system of mobile agricultural machinery equipment based on Internet of Things ［J］. Jiangsu Agricultural Sciences， 2018， 46（1）： 169-173.

［7］林毅， 吉鴻江， 韓佳佳， 等. 一種基于馬氏距離的系統(tǒng)故障診斷方法［J］. 計算機(jī)科學(xué)， 2020， 47（S2）： 57-63.

Lin Yi， Ji Hongjiang， Han Jiajia， et al. System fault diagnosis method based on mahalanobis distance metric ［J］. Computer Science， 2020， 47（S2）： 57-63.

［8］紀(jì)玉清， 歐冬秀， 李永燕， 等. 基于數(shù)據(jù)驅(qū)動的軌道電路故障預(yù)測及預(yù)警方法研究［J］. 城市軌道交通研究， 2022， 25（7）： 30-33.

Ji Yuqing， Ou Dongxiu， Li Yongyan， et al. Research ondata-driven methods of fault prediction and early warning for track circuits ［J］. Urban Mass Transit， 2022， 25（7）： 30-33.

［9］徐勇. 基于大數(shù)據(jù)的船舶故障趨勢預(yù)測［J］. 艦船科學(xué)技術(shù)， 2021， 43（18）： 178-180.

Xu Yong. Ship fault trend prediction based on big data ［J］. Ship Science and Technology， 2021， 43（18）： 178-180.

［10］Benesty J， Chen Jingdong， Huang Yiteng， et al. Pearson correlation coefficient ［J］. Noise Reduction in Speech Processing. Springer， 2009： 1-4.

［11］邵凡， 陳辰， 葛淼佳， 等. 基于電網(wǎng)線損的皮爾遜算法分析［J］. 科技創(chuàng)新與應(yīng)用， 2017（14）： 54-55.

［12］湯榮志， 段會川， 孫海濤， 等. SVM訓(xùn)練數(shù)據(jù)歸一化研究［J］. 山東師范大學(xué)學(xué)報（自然科學(xué)版）， 2016， 31（4）： 60-65.

Tang Rongzhi， Duan Huichuan， Sun Haitao， et al. Research on data normalization for SVM training ［J］. Journal of Shandong Normal University （Natural Science）， 2016， 31（4）： 60-65.

［13］肖乾浩. 基于機(jī)器學(xué)習(xí)理論的機(jī)械故障診斷方法綜述［J］. 現(xiàn)代制造工程， 2021（7）： 148-161.

Xiao Qianhao. Review on mechanical fault diagnosis methods based on machine learning theories ［J］. Modern Manufacturing Engineering， 2021（7）： 148-161.

［14］牛華. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動機(jī)故障診斷［J］. 組合機(jī)床與自動化加工技術(shù)， 2021（5）： 57-61.

Niu Hua. Fault diagnosis of automobile engine basedon improved BP netural network ［J］. Modular Machine Tool amp; Automatic Manufacturing Technique， 2021（5）： 57-61.

［15］俞美鑫， 施衛(wèi)， 蔣龍， 等. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的動力鋰電池SOC估算［J］. 電子技術(shù)應(yīng)用， 2020， 46（1）： 104-107， 112.

Yu Meixin， Shi Wei， Jiang Long， et al. SOC estimation of power lithium battery based on GA-BP neural network ［J］. Application of Electronic Technique， 2020， 46（1）： 104-107， 112.

［16］鹿宇， 李銳， 高巖， 等. 熱力站日供熱量影響因素篩選與神經(jīng)網(wǎng)絡(luò)預(yù)測［J］. 煤氣與熱力， 2022， 42（5）： 6-9， 36.

Lu Yu， Li Rui， Gao Yan， et al. Screening of influencing factors of daily heating capacity of heating stations and neural network prediction ［J］. Gas amp; Heat， 2022， 42（5）： 6-9， 36.

［17］Maesschalck R D， Jouan-Rimbaud D， Massart D L. The Mahalanobis distance ［J］. Chemometrics and Intelligent Laboratory Systems， 2000， 50（1）： 1-18.

［18］安宗文， 張永明， 馬強(qiáng)， 等. 基于核密度估計的性能退化數(shù)據(jù)建模分析方法［J］. 蘭州理工大學(xué)學(xué)報， 2019， 45（3）： 34-38.

An Zongwen， Zhang Yongming， Ma Qiang， et al. Analysis method of product performance degradation with data modeling based on kernel density estimation ［J］. Journal of Lanzhou University of Technology， 2019， 45（3）： 34-38.