鐘家勤，李尚平，何永玲，何 維，王躍飛

(1.欽州學(xué)院 廣西高校臨海機械裝備設(shè)計制造及控制重點實驗室培育基地，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

實現(xiàn)甘蔗機械化收割對促進我國蔗糖業(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，因此對切割器的研究成為研究甘蔗收割機的重點難點。2012年，華南農(nóng)業(yè)大學(xué)曾志強對凱斯4000進行試驗研究發(fā)現(xiàn)，培土良好時破頭率為7.45%，培土不好時破頭率高達51.84%；凱斯7000破頭率也相當高，培土良好時破頭率8.87%[1]。2015年1月，本課題組在柳州思源農(nóng)場對凱斯的收割現(xiàn)場進行破頭率的統(tǒng)計分析，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外機型需要解決的一大難題。由此可見，甘蔗收割機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)量確實與切割器有關(guān)。國內(nèi)外研究對切割器與切割質(zhì)量進行了大量研究[6-7]，而本課題組通過第二臺樣機結(jié)構(gòu)性能改進發(fā)現(xiàn)其比第一臺樣機振動明顯減小，改善了切割質(zhì)量；但切割器不平衡與軸向振動的影響規(guī)律未得到進一步證實，因此有必要對切割器螺旋以及刀盤的不平衡與軸向振動的影響進行了更深一步的研究。

表1 思源農(nóng)場凱斯甘蔗收獲破頭率

研究切割器不平衡對切割器振動性能的影響，可采用建立回歸模型對試驗樣本數(shù)據(jù)指標進行預(yù)測，這種方式的優(yōu)點是模型簡單，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，必須先通過散點圖確定好模型后方能進行，有時輸入輸出較多，這種關(guān)系卻不能用簡單的函數(shù)來確定?；贐P神經(jīng)網(wǎng)絡(luò)的預(yù)測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)建切割器振動預(yù)測模型。

本文利用切割器試驗平臺對刀盤的振動進行試驗研究，探究不平衡對甘蔗收獲機切割器振動影響規(guī)律，采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建出了切割器振動的預(yù)測模型，通過與正交試驗相結(jié)合，得到了精度更高的預(yù)測模型。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數(shù)據(jù)中的非顯式知識，有效地減少了試驗研究的次數(shù)與成本，同時為減少切割器振動提供了參考。

1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型原理

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行訓(xùn)練的多層前饋網(wǎng)絡(luò)，能夠處理非線性動態(tài)問題，實現(xiàn)高度非線性映射，具有很強的學(xué)習(xí)、儲存、計算及容錯能力，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，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，故有時稱中間層為隱層，輸出層輸出網(wǎng)絡(luò)運行的結(jié)果。理論上的一個三層網(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)

在這個網(wǎng)絡(luò)中，輸入層有n個神經(jīng)元，輸出層有m個神經(jīng)元，中間層有p個神經(jīng)元。設(shè)此網(wǎng)絡(luò)的輸入模式向量PK=[a1,a2,…,an]，目標向量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；中間層各個單元輸出的閾值為θj,j=1,2,…,p；輸出層的各個單元閥值為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。給每個連接權(quán)值以及閾值賦予在區(qū)間[-1,1]之間的一個隨機值，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)和計算達到的精度要求。

2)隨機選擇樣本。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，計算出隱含層的各個單元輸入Sj，通過傳遞函數(shù)再計算出中間層的各個神經(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)計算每個單元的輸出Ci，則

6)計算中間層的誤差，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)再次在樣本中隨機選取下一個訓(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)當全局誤差e滿足給定的要求時或者學(xué)習(xí)次數(shù)達到最大時，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)實際上是一種誤差逆向傳播的過程，并最終達到收斂。

對于輸入輸出數(shù)據(jù)來說，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 正交試驗與試驗結(jié)果分析

為找出不平衡對切割器振動的影響，實現(xiàn)振動可控，減少試驗次數(shù)，采用正交試驗的方法進行試驗。切割器切割甘蔗向后輸送的過程中，甘蔗對刀盤及螺旋都產(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行試驗。

2.1 試驗方案

采用自制的甘蔗切割器平臺進行振動試驗，切割器試驗平臺如圖3所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程

圖3 切割器試驗平臺

試驗框圖如圖4所示。

圖4 切割器不平衡振動測試框圖

2.2 螺旋正交試驗

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，探究螺旋上不平衡質(zhì)量對于刀盤振動的影響規(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個因素作為試驗。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，試驗結(jié)果如表2所示。

表2 螺旋正交試驗結(jié)果直觀分析表

進行方差分析，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，當置信度為0.95時，刀盤轉(zhuǎn)速、不平衡質(zhì)量對于刀盤振動有顯著性影響。

2.3 刀盤正交試驗

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，探究刀盤上不平衡質(zhì)量對于刀盤振動的影響規(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個因素作為試驗。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，試驗結(jié)果如表4所示。

表4 刀盤正交試驗結(jié)果直觀分析表

進行方差分析，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，當置信度為0.90時，刀盤轉(zhuǎn)速、位置半徑及不平衡質(zhì)量對于刀盤振動都有顯著性影響。

3 建立切割器振動神經(jīng)網(wǎng)絡(luò)模型

在前面所述的螺旋及刀盤不平衡試驗中，發(fā)現(xiàn)刀盤轉(zhuǎn)速、不平衡質(zhì)量及不平衡位置都會對切割振動有顯著性影響。為了構(gòu)建切割器振動與各因素的關(guān)系知識庫，通過試驗分析，確定了神經(jīng)網(wǎng)絡(luò)模型的各個層數(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輸出故取為1層。

訓(xùn)練樣本的正確選取對于網(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€層的連接權(quán)值起到調(diào)整的作用。本文開展的正交試驗就是選取了具有代表性的參數(shù)組合進行試驗，能夠比較全面地表示各個選區(qū)的情況。采用正交試驗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，因此分別對螺旋上不平衡以及刀盤上不平衡進行神經(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)，對樣本進行訓(xùn)練。經(jīng)過分析以及經(jīng)驗確定網(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峰峰值。

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

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

表7 刀盤樣本和學(xué)習(xí)結(jié)果

4 結(jié)果對比以及預(yù)測分析

為了進一步說明基于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)果進行對比。以實際值作為基準值，將BP神經(jīng)網(wǎng)絡(luò)得到的數(shù)據(jù)與回歸分析計算得到的數(shù)據(jù)與實際值的偏差值作出偏差圖，如圖5、圖6所示；預(yù)測結(jié)果與相對誤差如表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)測值與實際采集的壓力值的偏差值較小，但基于回歸模型的預(yù)測值與實際值的偏差較大。

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)測結(jié)果以及相對誤差

表9 刀盤預(yù)測結(jié)果以及相對誤差

續(xù)表9

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

5 結(jié)論

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

2)根據(jù)正交試驗結(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行切割器振動的預(yù)測分析。經(jīng)過對比發(fā)現(xiàn)：當相對誤差小于10%時，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正確擬合率達到了88.89%，在對驗證試驗數(shù)據(jù)進行預(yù)測時，相對誤差基本上在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數(shù)據(jù)中的非顯式知識，有效減少試驗研究的次數(shù)與成本，能夠很好地指導(dǎo)設(shè)計開發(fā)等工作，為進一步的切割器刀盤和螺旋振動的自動控制系統(tǒng)的研發(fā)及自動控制信號獲取提供了強有力的支持。