袁泓磊，李尚平

(廣西民族大學(xué)，廣西南寧530006)

0 引言

甘蔗是我國(guó)重要的經(jīng)濟(jì)作物，而廣西、云南的丘陵地區(qū)蔗地約占90%，廣西丘陵蔗地約占種植面積的 60%以上[1]。蔗地存在小而分散、地形復(fù)雜、機(jī)耕道路差等問(wèn)題，影響了甘蔗全程機(jī)械化的推進(jìn)，造成原料及砍運(yùn)成本居高不下，嚴(yán)重制約了我國(guó)糖業(yè)的發(fā)展以及在國(guó)際市場(chǎng)上的競(jìng)爭(zhēng)力。目前，我國(guó)丘陵地區(qū)的甘蔗轉(zhuǎn)運(yùn)車(chē)多采用半掛側(cè)翻式結(jié)構(gòu)或廂式轉(zhuǎn)運(yùn)結(jié)構(gòu)，車(chē)型輪距大、提升重心高，甘蔗轉(zhuǎn)運(yùn)一般依靠司機(jī)手動(dòng)操作。在丘陵地區(qū)蔗地進(jìn)行甘蔗轉(zhuǎn)運(yùn)時(shí)，由于地形復(fù)雜或司機(jī)經(jīng)驗(yàn)不足，難以準(zhǔn)確判斷運(yùn)車(chē)的運(yùn)行狀態(tài)，容易發(fā)生過(guò)載和車(chē)身傾翻的情況，從而造成較大的安全隱患。

目前我國(guó)的甘蔗轉(zhuǎn)運(yùn)車(chē)主要是引進(jìn)或仿制，其提升重心偏移大、輪距寬、安全性差，主要適于在平原地區(qū)的蔗地作業(yè)，因?yàn)榈孛箔h(huán)境和種植方式的差異，不太適于我國(guó)丘陵地區(qū)蔗地的作業(yè)。因此，課題組經(jīng)過(guò)前期大量的文獻(xiàn)查閱企業(yè)走訪以及實(shí)際調(diào)查，設(shè)計(jì)了一款適用于丘陵地區(qū)作業(yè)的自行式雙剪叉提升的甘蔗轉(zhuǎn)運(yùn)車(chē)，增強(qiáng)了甘蔗機(jī)械化收獲轉(zhuǎn)運(yùn)的工作穩(wěn)定性、安全性，提高了轉(zhuǎn)運(yùn)作業(yè)的效率。

目前，國(guó)內(nèi)外針對(duì)轉(zhuǎn)運(yùn)車(chē)的研究均是在結(jié)構(gòu)設(shè)計(jì)方面的改進(jìn)與優(yōu)化，JOHN DEERE公司研發(fā)制造了采用網(wǎng)兜式、雙搖桿支撐的新型甘蔗轉(zhuǎn)運(yùn)車(chē)；洛陽(yáng)辰漢農(nóng)業(yè)裝備科技有限公司研發(fā)的網(wǎng)兜式甘蔗轉(zhuǎn)運(yùn)車(chē)，具有操作簡(jiǎn)單、機(jī)動(dòng)性和適應(yīng)性強(qiáng)、適配成本低等特點(diǎn)；中聯(lián)重科股份有限公司研發(fā)的7YGS-10廂式運(yùn)輸結(jié)構(gòu)的甘蔗田間收集搬運(yùn)機(jī)，配置了高壓共軌發(fā)電機(jī)，動(dòng)力強(qiáng)勁、通過(guò)性強(qiáng)、對(duì)宿根破壞性小。當(dāng)前尚缺乏對(duì)甘蔗轉(zhuǎn)運(yùn)車(chē)穩(wěn)定性及狀態(tài)監(jiān)測(cè)的研究。

轉(zhuǎn)運(yùn)車(chē)的轉(zhuǎn)運(yùn)工作過(guò)程是由舉升、開(kāi)門(mén)、傾倒、關(guān)門(mén)、下放等一系列的動(dòng)作組成，為了驗(yàn)證雙剪叉式甘蔗轉(zhuǎn)運(yùn)車(chē)的結(jié)構(gòu)穩(wěn)定性，實(shí)現(xiàn)對(duì)甘蔗轉(zhuǎn)運(yùn)車(chē)進(jìn)行工作狀態(tài)的實(shí)時(shí)監(jiān)測(cè)，需將采集到的傳感器信號(hào)進(jìn)行識(shí)別處理，需選擇較好的轉(zhuǎn)運(yùn)車(chē)狀態(tài)監(jiān)測(cè)方法顯得尤為重要。

近年來(lái)，隨著人工智能技術(shù)的發(fā)展，基于深度學(xué)習(xí)的機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)的方法得到學(xué)者的廣泛關(guān)注，廖明燕等[2]利用神經(jīng)網(wǎng)絡(luò)方法對(duì)多種傳感數(shù)據(jù)融合的鉆井系統(tǒng)進(jìn)行狀態(tài)識(shí)別，很好地識(shí)別了鉆井系統(tǒng)不同的工作狀態(tài)；商斌梁等[3]利用小波變換對(duì)柴油機(jī)缸蓋的振動(dòng)信號(hào)進(jìn)行時(shí)頻處理，再利用圖像處理技術(shù)對(duì)時(shí)頻圖進(jìn)行識(shí)別，建立了基于圖像匹配的內(nèi)燃機(jī)氣閥機(jī)構(gòu)診斷模型；王卉[4]等提出一種多源信息融合的神經(jīng)網(wǎng)絡(luò)故障診斷方法，成功應(yīng)用于對(duì)火炮裝填系統(tǒng)故障的診斷。

本文將深度學(xué)習(xí)方法應(yīng)用于甘蔗轉(zhuǎn)運(yùn)車(chē)轉(zhuǎn)運(yùn)過(guò)程中的不穩(wěn)定性的監(jiān)測(cè)分析中。首先，通過(guò)傳感器采集轉(zhuǎn)運(yùn)車(chē)的工作狀態(tài)，在轉(zhuǎn)運(yùn)車(chē)關(guān)鍵節(jié)點(diǎn)安裝應(yīng)變片，獲得不同試驗(yàn)條件下節(jié)點(diǎn)應(yīng)力狀況，經(jīng)過(guò)應(yīng)力的數(shù)據(jù)統(tǒng)計(jì)分析，建立轉(zhuǎn)運(yùn)車(chē)不同狀態(tài)的判斷標(biāo)準(zhǔn)；然后，通過(guò)采用無(wú)線壓電加速度傳感器采集甘蔗轉(zhuǎn)運(yùn)過(guò)程中的振動(dòng)信號(hào)，對(duì)采集到振動(dòng)的信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理；最后，利用深度置信網(wǎng)絡(luò)構(gòu)建甘蔗轉(zhuǎn)運(yùn)車(chē)轉(zhuǎn)運(yùn)過(guò)程的狀態(tài)監(jiān)測(cè)預(yù)警模型。

1 轉(zhuǎn)運(yùn)車(chē)試驗(yàn)平臺(tái)及狀態(tài)分類(lèi)方法

雙剪叉式甘蔗轉(zhuǎn)運(yùn)車(chē)主要由車(chē)體、舉升機(jī)構(gòu)、集蔗車(chē)廂、輔助支撐腳等組成。舉升機(jī)構(gòu)安裝于車(chē)架上，舉升機(jī)構(gòu)包括4對(duì)雙剪叉式舉升機(jī)構(gòu)以及驅(qū)動(dòng)裝置和輔助支撐腳。車(chē)廂裝置安裝于舉升機(jī)構(gòu)上4個(gè)輔助支撐安裝在車(chē)架下方，車(chē)廂采用側(cè)傾卸載方式，便于轉(zhuǎn)運(yùn)和傾倒甘蔗及肥料等農(nóng)用物資。舉升機(jī)構(gòu)采用每對(duì)舉升桿的前后移動(dòng)，來(lái)調(diào)節(jié)整體的高度，從而實(shí)現(xiàn)上下提升車(chē)廂裝置。舉升前先進(jìn)行車(chē)廂的平衡姿態(tài)檢測(cè)、輔助支撐的自動(dòng)調(diào)整；舉升車(chē)廂時(shí)，液壓油缸驅(qū)動(dòng)所有的舉升桿向內(nèi)移動(dòng)，將車(chē)廂裝置舉升至指定的高度；傾倒卸載時(shí)，驅(qū)動(dòng)側(cè)檔板油缸打開(kāi)車(chē)廂側(cè)檔板、驅(qū)動(dòng)車(chē)廂底部的油缸，車(chē)廂傾斜一定角度，以便于車(chē)廂上將甘蔗傾倒至運(yùn)輸車(chē)上；傾倒完畢后，依次驅(qū)動(dòng)各油缸，使側(cè)檔板、車(chē)廂復(fù)位，以使舉升下降收回，該轉(zhuǎn)運(yùn)車(chē)簡(jiǎn)單便捷，具有重心低和穩(wěn)定性高的優(yōu)點(diǎn)。后輔助支撐腳和前輔助支撐腳固定在車(chē)體上，起到增大接觸面積，提高穩(wěn)定性的作用。課題組與企業(yè)合作開(kāi)發(fā)的甘蔗轉(zhuǎn)運(yùn)車(chē)樣機(jī)如圖1所示。

甘蔗轉(zhuǎn)運(yùn)車(chē)的工作過(guò)程是由一系列連貫的動(dòng)作組成，為了能夠描述轉(zhuǎn)運(yùn)車(chē)的工作狀態(tài)和進(jìn)行轉(zhuǎn)運(yùn)車(chē)不穩(wěn)定性狀態(tài)識(shí)別提供參考，本次試驗(yàn)在轉(zhuǎn)運(yùn)車(chē)關(guān)鍵節(jié)點(diǎn)粘貼應(yīng)變片以獲取轉(zhuǎn)運(yùn)車(chē)不同試驗(yàn)下的節(jié)點(diǎn)應(yīng)變，通過(guò)統(tǒng)計(jì)分析得到轉(zhuǎn)運(yùn)車(chē)不同工況下受力的特征及狀態(tài)的判別標(biāo)準(zhǔn)，為利用振動(dòng)信號(hào)和深度置信網(wǎng)絡(luò)對(duì)轉(zhuǎn)運(yùn)車(chē)工作狀態(tài)識(shí)別提供了數(shù)據(jù)基礎(chǔ)。

圖1 樣機(jī)雙剪叉舉升試驗(yàn)圖

1.1 轉(zhuǎn)運(yùn)車(chē)試驗(yàn)平臺(tái)

由于舉升機(jī)構(gòu)和集蔗車(chē)廂的設(shè)計(jì)尺寸較大，為了進(jìn)行轉(zhuǎn)運(yùn)車(chē)的穩(wěn)定性狀態(tài)的實(shí)驗(yàn)測(cè)試，根據(jù)相似性原理，在材料的屈服應(yīng)力線性階段內(nèi)進(jìn)行研究分析，將試驗(yàn)平臺(tái)按照樣機(jī)設(shè)計(jì)的尺寸，將整體縮小為原尺寸的 1/4進(jìn)行研究，雙剪叉式甘蔗轉(zhuǎn)運(yùn)車(chē)的試驗(yàn)平臺(tái)如圖2所示。

1.2 基于舉升架關(guān)鍵節(jié)點(diǎn)應(yīng)力分析的轉(zhuǎn)運(yùn)車(chē)狀態(tài)分類(lèi)方法

圖2 甘蔗轉(zhuǎn)運(yùn)車(chē)試驗(yàn)平臺(tái)

由于上下支撐架、車(chē)廂等部位受力較小，主要的受力部件為剪叉舉升桿件，因此將應(yīng)變測(cè)量點(diǎn)布置在舉升桿交叉鉸接點(diǎn)的附近。一共有8根舉升桿，每根舉升桿布置3個(gè)測(cè)量點(diǎn)，共有24個(gè)測(cè)量點(diǎn)。采用東華公司的24通道DH3818Y靜態(tài)應(yīng)力應(yīng)變測(cè)試分析系統(tǒng)采集測(cè)試過(guò)程中的節(jié)點(diǎn)應(yīng)力。測(cè)點(diǎn)布置如圖3所示。舉升機(jī)構(gòu)共有4組舉升桿組成，記車(chē)廂傾倒側(cè)為第一組舉升桿，依次第二組、第三組、第四組，第一組測(cè)量點(diǎn)標(biāo)號(hào)如圖4所示。

圖4中1-1的 2個(gè)1，分別表示標(biāo)記的第幾個(gè)節(jié)點(diǎn)和第幾組桿。

在雙剪叉式甘蔗轉(zhuǎn)運(yùn)車(chē)的 8根桿件上 4組 24個(gè)測(cè)點(diǎn)分別粘貼應(yīng)變片，應(yīng)變片選用的是黃巖測(cè)試儀器廠的 BX系列箔式電阻應(yīng)變計(jì)，型號(hào)為BX120-3BA，接線端子選用的是黃巖測(cè)試儀器廠的板基-911，基地材料是用玻璃纖維增強(qiáng)環(huán)氧樹(shù)脂板經(jīng)蝕刻制成，不易損壞，絕緣電阻好。

圖4 第一組測(cè)量點(diǎn)標(biāo)記

應(yīng)力測(cè)量步驟如下：

⑴貼片：將應(yīng)變片粘貼在轉(zhuǎn)運(yùn)車(chē)關(guān)鍵節(jié)點(diǎn)處；

⑵連接測(cè)量電路：將應(yīng)變直角花和應(yīng)力應(yīng)變測(cè)試分析系統(tǒng)連接起來(lái)，使信號(hào)輸送到計(jì)算機(jī)中；

⑶清零：在每組試驗(yàn)開(kāi)始時(shí)進(jìn)行平衡清零；

⑷測(cè)試并采集數(shù)據(jù)：對(duì)每組試驗(yàn)進(jìn)行測(cè)試，當(dāng)輸入信號(hào)穩(wěn)定時(shí)進(jìn)行數(shù)據(jù)采集，每組試驗(yàn)結(jié)束時(shí)將試驗(yàn)數(shù)據(jù)保存至指定文件夾。

在每組試驗(yàn)開(kāi)始時(shí)，需要進(jìn)行平衡清零以及等到輸入信號(hào)穩(wěn)定時(shí)再進(jìn)行數(shù)據(jù)采集，否則無(wú)法采集到真實(shí)的試驗(yàn)數(shù)據(jù)，每組試驗(yàn)重復(fù)進(jìn)行3次，確保數(shù)據(jù)的有效可靠性。

分別進(jìn)行過(guò)載舉升試驗(yàn)與傾斜試驗(yàn)：

⑴過(guò)載試驗(yàn)

本試驗(yàn)的試驗(yàn)變量為舉升載重的質(zhì)量，分別進(jìn)行舉升載重質(zhì)量為80、100、120、140和160 kg 5個(gè)水平的試驗(yàn)，因變量指標(biāo)為每個(gè)測(cè)量點(diǎn)的最大應(yīng)變，每個(gè)水平進(jìn)行3次重復(fù)性試驗(yàn)。

統(tǒng)計(jì)每組試驗(yàn)數(shù)據(jù)，安排3次重復(fù)性試驗(yàn)，取其平均值，試驗(yàn)數(shù)據(jù)統(tǒng)計(jì)如表1所示。

表1 160 kg時(shí)各個(gè)點(diǎn)的受力統(tǒng)計(jì) 單位：MPa

通過(guò)上述實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)表分析可知：各桿件中間節(jié)點(diǎn)應(yīng)力大于上下節(jié)點(diǎn)應(yīng)力，并且中間節(jié)點(diǎn)應(yīng)力隨著舉升載重質(zhì)量的增加而明顯增加。

轉(zhuǎn)運(yùn)車(chē)試驗(yàn)平臺(tái)的舉升桿采用不銹鋼 316，其材料的屈服強(qiáng)度≥310 MPa；舉升重量為160 kg時(shí)最大應(yīng)力為256.3 MPa，接近不銹鋼316材料的屈服強(qiáng)度；但由于試驗(yàn)中，當(dāng)進(jìn)行160 kg時(shí)，發(fā)生明顯的結(jié)構(gòu)損壞，所以本文將160 kg作為舉升載重的臨界值，將≥160 kg的載重舉升狀態(tài)視為過(guò)載狀態(tài)。

⑵傾斜試驗(yàn)

為模擬在丘陵地區(qū)土地不平情況下的作業(yè)環(huán)境，在試驗(yàn)平臺(tái)上進(jìn)行傾斜狀態(tài)的應(yīng)力應(yīng)變?cè)囼?yàn)。傾斜試驗(yàn)中，墊高試驗(yàn)平臺(tái)的一側(cè)，使其傾斜一個(gè)角度，再進(jìn)行舉升作業(yè)測(cè)試。

將試驗(yàn)平臺(tái)的傾斜角度作為自變量因子，進(jìn)行單因素試驗(yàn)，設(shè)置 5個(gè)水平，分別為：0°、2°、7°、9.6°、11°。

以傾斜角為0°時(shí)、各節(jié)點(diǎn)應(yīng)力為基準(zhǔn)，測(cè)出受力最大的中間節(jié)點(diǎn)應(yīng)力狀態(tài)，列出當(dāng)傾斜角增加時(shí)每個(gè)節(jié)點(diǎn)相對(duì)增加的幅度，如表2所示。

表2 舉升桿受力增加幅度

由表2可見(jiàn)，當(dāng)傾斜角為2°時(shí)，節(jié)點(diǎn)受力平均增幅約為7%左右，最大增幅為13.0%；當(dāng)傾斜角為7°時(shí)，節(jié)點(diǎn)受力平均增幅約為 20%左右，最大增幅為32.9%；當(dāng)傾斜角為9.6°時(shí)，節(jié)點(diǎn)受力平均增幅為30%左右，最大增幅為52.2%；當(dāng)傾斜角為11°時(shí)，節(jié)點(diǎn)受力平均增幅大于40%，有4個(gè)點(diǎn)超過(guò)50%，最大增幅為65.2%。

根據(jù)項(xiàng)目設(shè)計(jì)要求和對(duì)表格數(shù)據(jù)統(tǒng)計(jì)分析，將車(chē)身傾斜 2°作為轉(zhuǎn)運(yùn)車(chē)傾斜需調(diào)整的臨界狀態(tài)，將傾斜＜2°的情況視為正常狀態(tài)。

2 基于深度置信網(wǎng)絡(luò)的狀態(tài)識(shí)別

深度置信網(wǎng)絡(luò)(Deep Belief Network，DBN)于2006年被Hinton等[5]提出，作為一種半監(jiān)督深度學(xué)習(xí)算法被廣泛關(guān)注。在結(jié)構(gòu)上，DBN由多層限制波爾茲曼機(jī)(Restricted Boltzmann Machine，RBM)堆疊構(gòu)成。

2.1 受限玻爾茲曼機(jī)模型

RBM 是由一個(gè)可見(jiàn)層和一個(gè)隱含層組成的二元無(wú)向圖模型，包含一組二進(jìn)制隱藏單元h，一組(二進(jìn)制或?qū)嵵?可視單元v以及權(quán)值矩陣W，可見(jiàn)單元和隱含單元的偏置b和a。對(duì)于RBM的可見(jiàn)層與隱含層，層間神經(jīng)元全連接，而層內(nèi)神經(jīng)元無(wú)連接[6]。

受限玻爾茲曼機(jī)是基于能量的模型，其聯(lián)合概率分布能量函數(shù)指定。對(duì)于一組特定的(v，h)，RBM能量函數(shù)的定義為：

其中，vi和hj是可見(jiàn)單元i和隱藏單元j的二進(jìn)制狀態(tài)，θ={w,b,a}是模型的參數(shù)，wij是可見(jiàn)單元i和隱藏單元j。

入到可見(jiàn)層時(shí)，可見(jiàn)層將決定隱藏層各神經(jīng)元的狀態(tài)，隱藏層第j個(gè)神經(jīng)元激活概率為：

類(lèi)似的，可見(jiàn)層第i個(gè)神經(jīng)元激活概率為：

慮及所有的神經(jīng)元，模型賦值給一個(gè)可見(jiàn)向量的概率是由所有可能的隱藏向量求和得到：

RBM 訓(xùn)練的目的是求出參數(shù)θ以擬合給定的訓(xùn)練數(shù)據(jù)，最優(yōu)參數(shù)θ^求解方法如下：

其中，hjdata表示一個(gè)期望的數(shù)據(jù)分布，hjmodel表示由模型定義的期望分布。在實(shí)際應(yīng)用中，使用對(duì)比散度方法計(jì)算梯度，即利用吉布斯采樣取代hjmodel。

2.2 基于深度置信網(wǎng)絡(luò)的轉(zhuǎn)運(yùn)車(chē)狀態(tài)識(shí)別模型

深度置信網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示。通過(guò)利用前一層的激活作為輸入，將每一層(從低到高)訓(xùn)練RBM。具體訓(xùn)練過(guò)程如下所示：首先充分訓(xùn)練一個(gè)RBM 的權(quán)重和偏移量，適用其隱層神經(jīng)元的狀態(tài)，作為第二個(gè) RBM 的輸入向量；接著充分訓(xùn)練第二個(gè)RBM后，將第二個(gè)RBM堆疊在第一個(gè)RBM的上方，以此類(lèi)推，重復(fù)以上步驟直至達(dá)到預(yù)設(shè)的次數(shù)。多個(gè) RBM 堆疊模型訓(xùn)練結(jié)束后，在網(wǎng)絡(luò)上頂層增加一個(gè) Softmax分類(lèi)層并通過(guò)反向傳播算法對(duì)轉(zhuǎn)運(yùn)車(chē)工作狀態(tài)進(jìn)行分類(lèi)。

圖5 深度置信網(wǎng)絡(luò)結(jié)構(gòu)[7]

Softmax回歸模型作為邏輯回歸模型的一種拓展形式，常用于多分類(lèi)問(wèn)題[8]。對(duì)于m個(gè)樣本的k類(lèi)訓(xùn)練數(shù)據(jù)｛（x(1),y(1),(x(2),y(2),···(x(m),y(m)）｝，其中樣本集為對(duì)于給定的樣本輸入x，估算出類(lèi)別j的概率值如式⑹所示：

其中，θ=[θ1,θ2,···,θk]為模型參數(shù)，過(guò)對(duì)概率分布進(jìn)行歸一化，使得所有概率之和為1。

Softmax模型對(duì)應(yīng)的損失代價(jià)函數(shù)如式⑺所示：

Softmax回歸模型是監(jiān)督學(xué)習(xí)模型，通過(guò)誤差反向傳播法來(lái)迭代更新參數(shù)使得代價(jià)函數(shù)最小化，從而找到最優(yōu)參數(shù)以適應(yīng)訓(xùn)練集。

3 轉(zhuǎn)運(yùn)車(chē)狀態(tài)監(jiān)測(cè)試驗(yàn)實(shí)例

3.1 轉(zhuǎn)運(yùn)車(chē)狀態(tài)監(jiān)測(cè)試驗(yàn)

由于實(shí)際尺寸的轉(zhuǎn)運(yùn)車(chē)比較大，為了研究監(jiān)測(cè)轉(zhuǎn)運(yùn)車(chē)狀態(tài)的方法和減小試驗(yàn)難度，在預(yù)設(shè)置的轉(zhuǎn)運(yùn)車(chē)尺寸上等比例縮小4倍；采用振動(dòng)監(jiān)測(cè)法，通過(guò)一個(gè)壓電式加速度傳感器采集加工過(guò)程中的振動(dòng)動(dòng)態(tài)數(shù)據(jù)，傳感器的布置如圖6所示。壓電式加速度傳感器為東華測(cè)試公司的通用壓電式加速度傳感器，試驗(yàn)過(guò)程中，采用DH3816N數(shù)據(jù)采集裝置采集動(dòng)態(tài)信號(hào)，采樣頻率設(shè)置200 Hz。采集的動(dòng)態(tài)數(shù)據(jù)選取每組試驗(yàn)舉升到最高點(diǎn)的15 s作為一個(gè)轉(zhuǎn)運(yùn)車(chē)采集樣本，轉(zhuǎn)運(yùn)車(chē)狀態(tài)分為正常、車(chē)體傾斜和過(guò)載狀態(tài)等3種狀態(tài)。

壓電加速度傳感器獲得的各狀態(tài)的振動(dòng)信號(hào)時(shí)域波形如圖7所示。

圖6 轉(zhuǎn)運(yùn)車(chē)狀態(tài)監(jiān)測(cè)試驗(yàn)平臺(tái)及傳感器安裝圖

圖7 轉(zhuǎn)運(yùn)車(chē)不同狀態(tài)下振動(dòng)信號(hào)時(shí)域波形

3.2 數(shù)據(jù)預(yù)處理

在轉(zhuǎn)運(yùn)試驗(yàn)平臺(tái)的試驗(yàn)過(guò)程中，采用壓電加速度傳感器采集振動(dòng)信號(hào)，通過(guò)數(shù)據(jù)預(yù)處理后輸入到轉(zhuǎn)運(yùn)車(chē)狀態(tài)監(jiān)測(cè)模型，數(shù)據(jù)預(yù)處理過(guò)程框圖如圖8所示。

3.2.1 數(shù)據(jù)不平衡處理

其中，S'為加噪后的轉(zhuǎn)運(yùn)車(chē)過(guò)載信號(hào)，S為未加噪的過(guò)載信號(hào)，k為加噪的強(qiáng)度參數(shù)，n=1,2,···,N用于控制加噪的不同強(qiáng)度，σ為樣本的標(biāo)準(zhǔn)方差。不平衡處理前后數(shù)據(jù)個(gè)數(shù)見(jiàn)表3。

圖8 數(shù)據(jù)預(yù)處理流程圖

表3 不平衡處理前后數(shù)據(jù)個(gè)數(shù)

針對(duì)圖7(a)的一條過(guò)載振動(dòng)信號(hào)，添加3種高斯白噪聲后的振動(dòng)信號(hào)時(shí)域圖如圖9所示。

3.2.2 振動(dòng)信號(hào)特征提取

本文所指的特征提取是對(duì)振動(dòng)信號(hào)進(jìn)行時(shí)域和頻域內(nèi)的特征提取，將提取后的特征輸入到 BP神經(jīng)網(wǎng)絡(luò)和SVM，將2種網(wǎng)絡(luò)的轉(zhuǎn)運(yùn)車(chē)狀態(tài)監(jiān)測(cè)與本文所提出的基于 DBN的轉(zhuǎn)運(yùn)車(chē)狀態(tài)識(shí)別方法進(jìn)行性能對(duì)比。

特征提取能夠在表征轉(zhuǎn)運(yùn)車(chē)狀態(tài)信息的同時(shí)顯著減少原始數(shù)據(jù)的維度、降低網(wǎng)絡(luò)訓(xùn)練所耗費(fèi)的時(shí)間[9]。本文對(duì)采集的動(dòng)態(tài)信號(hào)進(jìn)行特征提取，分別提取動(dòng)態(tài)信號(hào)的時(shí)域、頻域以共16個(gè)特征。

選取時(shí)域內(nèi)峰值、峭度等12個(gè)時(shí)域特征、頻域范圍內(nèi)平均頻率、重心頻率等4個(gè)頻域特征，提取的部分訓(xùn)練數(shù)據(jù)具體的16個(gè)時(shí)域、頻域特征如表4所示。

3.2.3 歸一化

為消除某些相對(duì)其他輸入樣本特別大或特別小的樣本矢量在訓(xùn)練過(guò)程中產(chǎn)生的不良影響，對(duì)提取到的信號(hào)特征進(jìn)行歸一化處理：

其中，X'為歸一化后的數(shù)據(jù)，Xmax為某一特征數(shù)據(jù)的最大值，Xmin為同一特征數(shù)據(jù)的最小值。

圖9 加入3種高斯白噪聲后的過(guò)載振動(dòng)信號(hào)

表4 提取部分訓(xùn)練數(shù)據(jù)信號(hào)特征數(shù)值

3.3 轉(zhuǎn)運(yùn)車(chē)狀態(tài)監(jiān)測(cè)實(shí)例

在構(gòu)建深度置信網(wǎng)絡(luò)結(jié)構(gòu)過(guò)程中，需要分別確定網(wǎng)絡(luò)深度、神經(jīng)元節(jié)點(diǎn)數(shù)等網(wǎng)絡(luò)參數(shù)，但目前深度置信網(wǎng)絡(luò)的結(jié)構(gòu)構(gòu)建尚無(wú)成熟的經(jīng)驗(yàn)和理論[10]。理論上隨著網(wǎng)絡(luò)層數(shù)、節(jié)點(diǎn)數(shù)增加，神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中挖掘隱含信息的能力也會(huì)增強(qiáng)，但容易出現(xiàn)過(guò)擬合，并顯著增加計(jì)算成本。

本文通過(guò)試驗(yàn)嘗試不同網(wǎng)絡(luò)結(jié)構(gòu)的深度置信網(wǎng)絡(luò)，設(shè)置振動(dòng)信號(hào)時(shí)域圖片大小為385*1000，輸入節(jié)點(diǎn)數(shù)為38500個(gè)數(shù)據(jù)點(diǎn)，最終確定隱含層層數(shù)為2，隱含層節(jié)點(diǎn)數(shù)分別為100、30，輸出層節(jié)點(diǎn)數(shù)為3。將輸入樣本按照8∶2的比例劃分成訓(xùn)練集和測(cè)試集，轉(zhuǎn)運(yùn)車(chē)的3種狀態(tài)共46個(gè)樣本用于訓(xùn)練網(wǎng)絡(luò)，11個(gè)樣本用于測(cè)試網(wǎng)絡(luò)。過(guò)載、車(chē)體傾斜和正常測(cè)試樣本數(shù)分別為2、5和4。深度置信網(wǎng)絡(luò)與訓(xùn)練過(guò)程迭代次數(shù)設(shè)置為100，學(xué)習(xí)率為0.01，動(dòng)量為0，批次大小為 1。反向微調(diào)過(guò)程中，迭代次數(shù)設(shè)置為100，學(xué)習(xí)率為0.01，動(dòng)量設(shè)置為0。損失函數(shù)為：

深度置信網(wǎng)絡(luò)的損失函數(shù)變化曲線如圖10所示。

圖10 深度置信網(wǎng)絡(luò)損失函數(shù)圖

由圖10可以看出，當(dāng)?shù)螖?shù)達(dá)到40代時(shí)，損失函數(shù)基本趨于穩(wěn)定、保持不變，可作為迭代種植的參考。

運(yùn)用MATLAB軟件對(duì)深度置信網(wǎng)絡(luò)進(jìn)行設(shè)計(jì)、訓(xùn)練。對(duì)網(wǎng)絡(luò)進(jìn)行5次訓(xùn)練并計(jì)算轉(zhuǎn)運(yùn)車(chē)狀態(tài)監(jiān)測(cè)準(zhǔn)確度的平均值，選取BP算法、SVM算法與深度置信網(wǎng)絡(luò)轉(zhuǎn)運(yùn)車(chē)狀態(tài)監(jiān)測(cè)模型進(jìn)行對(duì)比，BP算法的迭代次數(shù)選擇與深度置信網(wǎng)絡(luò)相同的100次，46個(gè)訓(xùn)練樣本與11個(gè)測(cè)試樣本，學(xué)習(xí)率為0.01，動(dòng)量為0，批次大小為1。SVM算法選擇RBF核函數(shù)，利用交叉驗(yàn)證方式確定主要的參數(shù)c(懲罰因子)與g(不敏感系數(shù))，最大迭代次數(shù)設(shè)置為 100。訓(xùn)練及預(yù)測(cè)結(jié)果如表5所示。

由表5可見(jiàn)，由于DBN算法的數(shù)據(jù)集是圖像，比使用數(shù)值數(shù)據(jù)集的BP算法與SVM算法在訓(xùn)練時(shí)消耗的訓(xùn)練時(shí)間要多12～16 s，但在測(cè)試時(shí)，三者的測(cè)試時(shí)間在幾乎相同；在算法精確度方面，DBN算法在測(cè)試集上的準(zhǔn)確率達(dá)到了 90.90%，時(shí)間為0.13 s；不僅在整體準(zhǔn)確度上高于其它算法，而且在轉(zhuǎn)運(yùn)車(chē)處于過(guò)載和車(chē)體傾斜2種狀態(tài)下的平均準(zhǔn)確度DBN算法表現(xiàn)也很優(yōu)秀，可達(dá)到100%。

表5 3種狀態(tài)檢測(cè)方法性能對(duì)比

4 結(jié)語(yǔ)

轉(zhuǎn)運(yùn)車(chē)的穩(wěn)定安全有利于提高甘蔗轉(zhuǎn)運(yùn)的工作效率，提高甘蔗生產(chǎn)全程機(jī)械化，對(duì)于丘陵地區(qū)特殊的種植環(huán)境，對(duì)導(dǎo)致轉(zhuǎn)運(yùn)車(chē)不穩(wěn)定的過(guò)載和車(chē)體傾斜危險(xiǎn)狀態(tài)，能夠準(zhǔn)確及時(shí)地檢測(cè)出并進(jìn)行調(diào)整顯得尤為重要，深度置信網(wǎng)絡(luò)作為一種半監(jiān)督深度神經(jīng)網(wǎng)絡(luò)，通過(guò)與訓(xùn)練-微調(diào)的訓(xùn)練模式，可以有效減少帶標(biāo)簽樣本量的需求并且避免陷入局部極小點(diǎn)。利用轉(zhuǎn)運(yùn)過(guò)程中振動(dòng)信號(hào)，通過(guò)數(shù)據(jù)預(yù)處理后訓(xùn)練深度置信網(wǎng)絡(luò)作為轉(zhuǎn)運(yùn)車(chē)工作狀態(tài)監(jiān)測(cè)模型，可以有效地對(duì)轉(zhuǎn)運(yùn)車(chē)工作狀態(tài)進(jìn)行現(xiàn)場(chǎng)實(shí)時(shí)準(zhǔn)確判別，平均準(zhǔn)確率達(dá)到90.90%，對(duì)過(guò)載、傾斜2種危險(xiǎn)狀態(tài)的識(shí)別可達(dá)100%，較其它常規(guī)分類(lèi)算法準(zhǔn)確度有較好提升，在轉(zhuǎn)運(yùn)車(chē)不穩(wěn)定性狀態(tài)檢測(cè)方面具有一定的優(yōu)勢(shì)，可為甘蔗轉(zhuǎn)運(yùn)車(chē)工作狀態(tài)的實(shí)時(shí)監(jiān)控提供理論于技術(shù)基礎(chǔ)。