李 茜，張學(xué)軍，朱興亮

(新疆農(nóng)業(yè)大學(xué) 機電工程學(xué)院，烏魯木齊 830052)

0 引言

油葵是位于大豆、油菜和花生之后的世界四大油料作物之一，我國東北、華北、西北等地約有 300 萬 km2的地區(qū)種植并逐步發(fā)展為一條油葵帶，種植面積位居世界第四。由于油葵聯(lián)合收獲機常常在惡劣環(huán)境下承受超負(fù)荷壓力，容易造成其零部件老化和失效，導(dǎo)致收獲機發(fā)生故障。我國現(xiàn)有油葵機械化生產(chǎn)裝備智能化水平低，缺乏對故障的自動診斷分析功能，完全依賴收獲機駕駛員的經(jīng)驗來判斷[1-3]，對駕駛員的操作技能要求較高，因此研究故障診斷問題并建立它的數(shù)學(xué)模型，具有理論意義和實際意義[4]。

國內(nèi)多位學(xué)者已對其他相似的農(nóng)業(yè)聯(lián)合收獲機自動故障診斷進行了研究。例如，徐立章等[5]針對履帶式全喂入水稻聯(lián)合收獲機，運用 DH5902 動態(tài)信號測試分析系統(tǒng)分析了收獲機引起振動的原因。劉文亮等[6]針對玉米聯(lián)合收獲機設(shè)計了自動化監(jiān)測系統(tǒng)，可以實現(xiàn)對割臺、剝皮機和升運器等主要工作部件的轉(zhuǎn)速進行監(jiān)測，對因堵塞或故障造成工作部件轉(zhuǎn)速異常進行聲光報警。馬世文等[7]從經(jīng)驗上分析了玉米聯(lián)合收獲機常見故障與排除方法。陳進等[8]針對小麥聯(lián)合收獲機提出了基于目標(biāo)信號瞬時變化趨勢的故障診斷方法。汪鳳珠等[9]開發(fā)了基于Can1939總線通信網(wǎng)絡(luò)的花生收獲機械作業(yè)在線監(jiān)測系統(tǒng)。易立單[10]針對水稻和小麥聯(lián)合收割機特別制定了聯(lián)合收割機堵塞故障預(yù)警與報警系統(tǒng)總體設(shè)計方案，并設(shè)計了堵塞故障數(shù)據(jù)采集系統(tǒng)。但是，目前尚未有關(guān)于油葵聯(lián)合收獲機自動故障診斷的文獻。

隨著監(jiān)測技術(shù)的發(fā)展，聯(lián)合收獲機作業(yè)流程需要的監(jiān)測點多且采樣頻率高，如喂入量、輸送槽轉(zhuǎn)速、滾筒轉(zhuǎn)速、前進速度、輸糧螺旋輸送器轉(zhuǎn)速、發(fā)動機轉(zhuǎn)速與傳動軸之間的滑差率等信號的監(jiān)測[11]，因此監(jiān)測系統(tǒng)獲取的是大量數(shù)據(jù)，且很多是相互耦合的，對單一部件工作狀況的狀態(tài)分析不能夠反映整車的狀態(tài)，必須從整體上分析聯(lián)合收割機工作狀態(tài)[12-13]。

當(dāng)獲得一批故障表現(xiàn)，需要解決診斷問題時，首先考慮的并非故障的癥狀，而是一些有關(guān)的方面，稱為因素，其次是考慮因素的狀態(tài)即表現(xiàn)。因素空間理論將可測的自然信息作為知識概念的表現(xiàn)外延，如此可對概念進行量化描述，從而可用一系列數(shù)學(xué)手段進行處理，從因素處理方面為故障的智能診斷提供了基礎(chǔ)。另外，因素空間理論在處理大數(shù)據(jù)方面已有很多的研究成果，并有工業(yè)在線控制中故障診斷方面的應(yīng)用研究[4,14-16]。

因此，本文將以因素空間理論為基礎(chǔ)來研究油葵聯(lián)合收獲機的故障診斷問題，建立油葵聯(lián)合收獲機故障診斷推理機制。

1 因素空間概述

為建立故障診斷推理模型先給出因素空間理論的一些定義[17-18]。

1)定義1。論域U上的一個集合族ψ=({X(f)}(f∈F);U)叫做U上的一個因素空間，如果滿足：

(1)F=(F,∨,∧,c,1,0)是一個布爾代數(shù)。

(2)X(0)={?}。

(3)對任意T?F，若{f|f∈T}是不可約的(亦即s≠t?s∧t=0(s,t∈T))，則

X({f|f∈T})=∏f∈TX(f)

(1)

其中，∏指笛卡爾乘積。

(4)任一f∈F，都對應(yīng)著一個映射，仍記f:U→X(f)。

其中，f∈F叫做U上的因素，X(f)叫做f的因素狀態(tài)空間，記為

Fo={f∈F|f≠0,不存在g∈F;0≠g

(2)

其中，f∈Fo叫做F的原子因素。給定F={f1,…,fn},X(fj)={aj1,…,ajn(j)}。

2)定義2。U中對象u、v叫做在因素f下可分辨，如果f(u)≠f(v)。

分辨的結(jié)果是在U上確定了一個分類關(guān)系，即

R(f)={(u,v)∈R2|f(u)=f(v)}

(3)

U對R(f)的商空間χ=U/R(f)叫做f對U的劃分。

記A=P(R)，A=(A,∨,∧,～)=(A,∪,∩,c)是一個布爾代數(shù)，并記為

F-1:A→P(U)F-1(A)={u|F(u)∈A} (A∈A)

(4)

B={B?U|?A∈A;F-1(A)=B}

(5)

3)定義3。記Γ={γ=(A,B)|A∈A,B∈B}，對任意A∈A，B=F-1(A)，稱γ=(A,B) 為一個概念，A和B分別叫做γ的內(nèi)涵和外延。因素互相關(guān)聯(lián)，互為因果，產(chǎn)生推理。

4)定義4。因素空間叫做因果空間，如果F={f=f1∨…∨fn;g}，f1∨…∨fn叫條件因素，g叫結(jié)果因素。記X=X(f)，Y=X(g)，E(x)→E′(y)叫做因果推理句，它具有真域，即

t(E(x)→E′(y))=[(Ec×Y)+E×E′]∩R

(6)

其中，x為笛卡爾乘積；∩為交集。當(dāng)f、g的背景關(guān)系R=X×Y時，真域(陰影區(qū))形如圖1中的工字。

5)定義5。ai(1)…ai(n)→gj為因果律當(dāng)且僅當(dāng) [ai(1)…ai(n)]?[gj]。

設(shè)類{C(i)}(i=1,…,n)是因素f對C所分出的子類，若C(i)?[gj]，則稱C(i)鉆入第i個g類，記為

d=|∪{C(i) |C(i)鉆入某個g類}|/|C|

(7)

其中，d為f在C上對g的決定度。

下面給出以最少個數(shù)的因素，實現(xiàn)對U的劃分的算法，進而簡化規(guī)則庫，降低系統(tǒng)復(fù)雜性。

圖1 f和g的背景關(guān)系Fig.1 The relationship offandg

6)算法1。令C:=U，則：

(1)在f1,…,fn中找出在C上對g決定度d最高的因素f，用f對C作單因素劃分；

(2)對余下未能鉆入g類的類，依次把它看作C，執(zhí)行(1)，直到不能再分為止。

7)算法2。雙因素劃分算法。若兩個因素的分類結(jié)果一致，則可進一步劃分：

(1)先采用算法1用因素f1對U作單因素劃分；

(2)在所給出的分類中，依次用f2對每個類作單因素劃分。多因素的劃分如此類推。

從上面定義可以看出：從數(shù)學(xué)上描述知識必須有一個坐標(biāo)框架，因素空間就是描述知識的數(shù)學(xué)框架，因素空間為事物的描述建立了一個普適性的坐標(biāo)框架。笛卡爾坐標(biāo)軸都是實數(shù)軸且維度是固定的，因素空間卻不一定，在因素空間中，事物是通過將其在有關(guān)因素上的表現(xiàn)綜合起來進行描述的，可以容納半結(jié)構(gòu)化數(shù)據(jù)，其維度按信息約簡的要求隨時化為最少，它所提供的是一個活動的坐標(biāo)架，這恰恰符合油葵聯(lián)合收獲機監(jiān)測得到大量數(shù)據(jù)情況下故障診斷問題的解決方法。

2 故障診斷推理模型

2.1 故障因素分析

造成油葵聯(lián)合收獲機堵塞、卡死等故障的原因眾多，如油葵過于潮濕或種植稠密、收獲機行進速度過快、脫粒速度較低，以及傳送帶打滑致動力不足等；另外，聯(lián)合收獲機割臺攪龍、輸送槽、脫粒滾筒及輸送機也是故障頻發(fā)的部件，但最直接原因是單位時間內(nèi)喂入量較大[12-13]。

當(dāng)油葵聯(lián)合收獲機出現(xiàn)故障時，分析油葵聯(lián)合收獲機故障的作業(yè)時間、油耗、電池電量、發(fā)動機溫度、脫粒滾筒轉(zhuǎn)速、動力輸出軸的扭矩、發(fā)動機溫度、儲谷倉喂入量、割臺螺旋輸送器轉(zhuǎn)速、輸送槽轉(zhuǎn)速、滾筒轉(zhuǎn)速、損失量，以及前進速度、發(fā)動機轉(zhuǎn)速與傳動軸之間的滑差率等相關(guān)狀態(tài)信息，并通過對這些狀態(tài)信息進行計算分析，實現(xiàn)對故障問題的分析，為判斷其故障種類、原因提供信息支撐。

得到油葵聯(lián)合收獲機故障信息后，通過系統(tǒng)性、技術(shù)性的檢測分析，可對故障類型與引起的因素進行分類，建立故障診斷推理機制。

有的故障可從單一監(jiān)測參數(shù)分析得到，如升運器鏈條不轉(zhuǎn)，其故障原因可能有升運器內(nèi)有雜物，鏈條脫落或斷裂，傳動軸或鏈輪損壞等。

但另一方面如果以單一監(jiān)測參數(shù)作為判斷故障的因素，可能出現(xiàn)漏報、誤報等情況發(fā)生，如當(dāng)滾筒轉(zhuǎn)速相對于動力輸出軸轉(zhuǎn)速的滑差率達到一定閾值時，滾筒出現(xiàn)堵塞故障或即將堵塞，但多數(shù)情況下是滑差率并未達到故障預(yù)警或報警閾值時，滾筒便發(fā)生了堵塞故障[19]。這時需要綜合考慮其他因素的綜合結(jié)果，如收獲機行進速度、喂入量、脫粒滾筒的力矩大小及油葵盤是否過濕等。

不少故障現(xiàn)象的產(chǎn)生往往有多種原因，增加了故障診斷的不確定性。所以，首先從各個因素出發(fā)分析，然后將各個因素的狀態(tài)分析綜合起來，得出診斷結(jié)論[4]，就像在發(fā)燒時，首先關(guān)心的一個方面是體溫(因素)，其次才是體溫的具體特征值(因素表現(xiàn))，也就是說，因素比特征更具體。因此，可用因素空間理論將油葵聯(lián)合收獲機的各故障因素的表現(xiàn)綜合起來進行描述。

2.2 故障診斷推理模型

一個診斷問題是一個五元組[4]，即

T5=

其中，G={g1,g2,…,gm}是故障集；F={f1,f2,…,fm}是與G相應(yīng)的因素集；fi= {fi1,fi2,…,fin}是故障gi的因素集；X(fi)是因素fi的因素空間，{X(fi)}(fi∈F)是相應(yīng)于F的因素空間；R定義為X(1)→F(G×F)，是X(1)到(G×F)的模糊映射，反映故障集和因素集之間的關(guān)系；M∈X(1)是癥狀表現(xiàn)，M也是因素的具體表現(xiàn)。

通過下面4個步驟建立收獲機故障模型：

1)由定義1可將已搜集到的油葵聯(lián)合收獲機故障數(shù)據(jù)作為論域U，對油葵聯(lián)合收獲機故障進行分類，從而確定油葵聯(lián)合收獲機故障集G、癥狀集M、因素集F和因素狀態(tài)空間{X(fi)}。

2)根據(jù)定義3和定義4并由以上屬性及其值確定其內(nèi)涵和外延，建立決策表知識庫。

3)為簡化判斷規(guī)則庫，根據(jù)因素空間理論中的推理思路，最有效的方法就是降維，根據(jù)定義5計算條件屬性的約簡，形成故障診斷知識庫。

4)在油葵聯(lián)合收獲機作業(yè)時，根據(jù)實時的檢測信息利用上述的知識庫可對油葵聯(lián)合收獲機進行故障類型診斷；而每次診斷數(shù)據(jù)和實際結(jié)果又可以進一步修正豐富決策表，更新故障診斷知識庫。

2.3 集合及R的確定

1) 因素集和結(jié)果集。根據(jù)上面的方法，本文對以往得到的油葵聯(lián)合收獲機故障數(shù)據(jù)進行統(tǒng)計分析，并參考成功的故障分類經(jīng)驗，對故障信息進行分類有：征兆集U和故障集G。以故障征兆集合F作為因素集，如表1所示；以故障集合G作為模型推理的結(jié)果集，如表2所示。

表1 征兆集Table 1 The symptom set

表2 故障集Table 2 The fault set

2)R的確定。在因素空間理論中，模糊映射R的確定是一個核心問題。因素空間可視為故障集G的表現(xiàn)論域，則根據(jù)文獻[14-15]，R為故障在全因素空間X(1)的表現(xiàn)外延。同時，R是建立在X(1)上的動態(tài)關(guān)系，隨因素的表現(xiàn)變化，且對于任意的x∈X(1)有

(8)

其中，μij為征兆集對應(yīng)的隸屬函數(shù)；μij(xij)(j=1,…，n)為故障gi在全因素空間上的表現(xiàn)外延。

當(dāng)某故障的癥狀表現(xiàn)xij∈X(fij)向低于正常值Cij偏離，則

(9)

當(dāng)某故障的癥狀表現(xiàn)xij∈X(fij)向高于正常值Cij偏離，則

(10)

其中，Dij是與故障gi相關(guān)的因素fij的正常狀態(tài)集合的決定度。

根據(jù)以上方法，基于因素空間的油葵聯(lián)合收獲機故障診斷的流程圖如圖2所示。

圖2 故障診斷流程圖Fig.2 Fault diagnosis flow chart

3 仿真試驗分析

為了驗證基于因素空間的油葵聯(lián)合收獲機故障模型的準(zhǔn)確性，根據(jù)實驗室測得的油葵聯(lián)合收獲機數(shù)據(jù)采用MatLab對其進行仿真驗證。

依據(jù)油葵脫粒裝置的具體設(shè)計，設(shè)定釘齒類型滾筒轉(zhuǎn)速、喂入量等作為試驗因素，分離率和損失率作為試驗指標(biāo)。滾筒直徑550mm，長度1 700mm，喂入量以6行為準(zhǔn)，株距20cm，收獲機行駛速度約為1.5～2.5km/h，選取0.42、0.5、0.58、0.66m/s，按照10s計算，對應(yīng)數(shù)據(jù)如表3 所示。表3最后一列為對應(yīng)的喂入量數(shù)據(jù)。

表3 油葵聯(lián)合收獲機部分部分工作部件測量值和喂入量Table 3 The measured values of some working parts of oil sunflower harvester and the feeding amount

在試驗作業(yè)前，操作員控制收獲機勻速行駛進行收割任務(wù)。從第8s時開始，由于作業(yè)區(qū)種植密度變大，滾筒轉(zhuǎn)速和割臺攪龍轉(zhuǎn)速雖沒有變化，但損失率到第9s開始升高，此期間其他工作部件數(shù)據(jù)正常。經(jīng)算法仿真，由所建立的推理模型推測出喂入量較大。根據(jù)表3最后一列實測數(shù)據(jù)，對應(yīng)的喂入量數(shù)據(jù)確實明顯增大，這與推理結(jié)果相同。

因此，測試結(jié)果與實際情況相符，基于因素空間的油葵聯(lián)合收獲機故障診斷推理機制實現(xiàn)了預(yù)期的故障診斷功能，可對提高油葵聯(lián)合收獲機的工作效率、實現(xiàn)收獲機綜合監(jiān)測提供重要的參考。

4 結(jié)論

以因素空間理論為基礎(chǔ)，對油葵聯(lián)合收獲機的故障診斷進行了研究。首先從各個征兆因素出發(fā)分析，建立了基于因素空間的征兆集合故障集，當(dāng)獲得一批油葵聯(lián)合收獲機故障表現(xiàn)時，將各個因素的狀態(tài)分析綜合起來，對油葵聯(lián)合收獲機進行故障診斷分析。仿真結(jié)果表明：本文所提出的故障診斷方法能夠準(zhǔn)確地診斷出故障的類型，從而確保油葵聯(lián)合收獲機工作的安全可靠性，為其科學(xué)維護及可靠運行提供了重要的參考。