基于SDAE-BP的联合收割机作业故障监测

摘要：

为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder,SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP).以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入.利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测.在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode,DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力.试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00％,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点.将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25％,对2019年试验数据的故障识别准确率为98.74％,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点.该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值.

关键词：农业机械、故障诊断、试验、联合收割机、SDAE-BP模型、深层次特征、BP神经网络

所属期刊栏目：36

分类号：S22;TP183(农业机械及农具)

资助基金：国家重点研发项目;国家重点研发项目

在线出版日期：2020-10-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：46-53