基于小波神经网络的收割机测产系统振动信号分析

龚瑞昆，王海平，王 鹏，周国庆

(华北理工大学 电气工程学院，河北 唐山 063000)

0 引言

粮食安全和国民经济的发展密切相关。党的十八大提出，加快发展现代农业，提高综合农业生产能力，保证国家粮食安全和重要农产品的有效供应。因此，精确获得粮食产量对于确保国家粮食安全和促进经济发展至关重要。

收割机是一个复杂的农业系统，内部有很多工作零件，收获时机器本身产生强烈的振动噪声。收割机测产原理：割台前面部位有扶导装置，使玉米秸杆接触摘穗辊，摘穗辊获取果穗落入槽中，由升运器送入果穗收集箱，果穗进入果穗收集箱时与冲量传感器发生碰撞。测产原理图如图1所示。

1.割台 2.升运器 3.冲量传感器 4.果穗收集箱

冲量传感器工作原理如图2所示。工作时，割台摘取谷物后,谷物经过升运器运送至收集箱，在升运器进入收集箱处布置冲量式传感器，测出谷物对传感器的冲量。然后，传感器输出电信号,系统根据信号计算出谷物的产量。

1.升运器 2.谷物流动方向 3.冲量传感器

此外，收割机经常在田间沟壑的地方工作，导致机器振动严重影响测产系统的精度，因此需要降低振动噪声在测产系统中的影响。

目前，有许多关于减小振动对测量精度的影响的研究。周俊等[1]设计了以平行梁结构脉冲流量传感器为主要方法的测量系统，可使系统误差达到10%；胡均万等[2]使用双板冲量式传感器来降低误差，取得了较好的效果；王志全等[3]采用数字滤波器的方式用于抗振动干扰设计，降低动态测量误差。此外，谭玉芳等[4]通过使用自适应噪声对应消除的方法研究了振动对测量和测产系统的影响，并且实现了噪声消减。然而，这些系统的应用条件是有限的，并且在复杂的现场环境中，系统的动态测量误差得不到保障。

如何在复杂多变的农田环境下提高系统的测产精度，是谷物收割机测产系统开发与逐步推广中亟须解决的重要问题。为了解决这一问题，本文提出了小波结合神经网络的方法对传感器测量输出进行处理，并应用于收割机测产系统，以减少振动噪声对测产准确度的影响。

1 小波神经网络介绍

1.1 小波神经网络结构

小波函数具有自动缩放和平移功能，可以有效分解测量信号和噪声信号，并提取有效信息，而阈值和小波分解的层数的选取是小波分析的重要一步。本文运用神经网络的学习能力自适应选取相应的小波去噪的系数，包括分解的层数和阈值。神经网络的学习方法被引入到小波去噪中，通过相应的标准样本来学习，可以准确找到最佳小波系数。由于阈值具有了自学习能力，所以可处理的噪声类型不仅仅限于特定的噪声信号，而且可使测产系统应用于更多复杂多变的地形。神经网络的激励函数选取非线性Daubechies(db6)小波及其尺度函数，以形成神经元，结构如图3所示。

图3 小波神经网络结构

2)输出层功能是应用神经网络在阈值量化后的小波分解因子来重建信号，输出结果为

(1)

3)隐含层中首层有2种单元：①尺度函数Φ(x)单元ΦL,k。其中，尺度L根据实际情况的需要确定，位移K的相关取值对应小波函数分析的系数中j=K的各k值，构成对函数的最优逼近。②尺度函数ψ(x)单元ψj,k。其中，尺度j=1,2,3,…,L，而位移k与尺度函数单元中的K值类似，构成对函数的细节逼近。

4)两个隐含层的权重是小波分解系数，其由Mallet算法的迭代计算确定。阈值θ由神经网络的学习得出。

1.2 小波神经网络的消噪算法

设Y'(n)是实际输出，Y(n)是标准样本，则学习的误差为

(2)

其中，N为信号采样长度。

应用梯度下降法，调整阈值θ，令误差平方和趋于无穷小量ε，幅度为

民办教育机构功能的异化，而其他关注人们心灵与精神健康的社会组织类型又较为缺乏，因此，当人们由于种种原因遇到挫折和困难时，看不到前途与方向时，找不到倾诉的对象，得不到需要的帮助，由此产生了一些本可避免的悲剧。近年来，不断上升的自杀率、离婚率、辍学率、再犯罪率以及抑郁症患病率等不得不引起我们的极大关注。因此，我们要更多地鼓励、培育社会组织关注及满足人们的心灵及精神需求，利用社会组织多元性的特征，更多地发现人们的需求，更多地满足人们的需求，社会组织要更多地充当舒缓焦虑、慰藉人心的缓冲器，更多地守护人们的心理、精神健康。

(3)

其调整过程为

θj(n+1)=θj(n)+μΔθj

(4)

其中，μ为调整系数，μ∈(0,1)。

进行循环迭代，当|θj(n+1)-θj(n)|<ε时，停止迭代计算。

去噪算法步骤：

1)选取适当正交归一化后的小波尺度函数，对输入的每一维构造一个多分辨率系数网格。最高分辨率(j=0)时，网格间隔等于输入的每一维的采样间隔；最低分辨率(j=L)时，则只有2个数据点。

2)根据输出信号的特点进行RIGRSURE阈值量化，来消除测产过程中引入的大部分噪声。

3)当j=L时，用输入数据训练Φ单元。

4)如果式(2)得出的误差不满足滤波要求，则再加入合适的ψ单元，直到满足要求为止。

当小波神经网络平稳时，网络存储了小波分解的阈值和层数等特性，这时网络输出的信号为实际信号最佳逼近。

2 振动信号分析

2.1 振动信号的产生

引起收割机振动的原因很多，如发动机自身引起周期性振动、地面沟壑引起的随机振动，以及刹车、转变方向、速度变化等引起的不规则振动。由于这些因素使得传感器的信号输出中掺杂了复杂的干扰噪声，所以很难对测量信号进行定量分析，动态测产的精度无法保障。因此，去除信号里的噪声信号、提高噪声比成为了提高测产精度的一种可行方法。

本文针对这一问题，提出以小波变换结合神经网络的方法来研究收割机传感器信号中噪声的特征。其中，小波变换可以从信号中滤出有效信息，并通过小波基的缩放和平移等特性对信号进行更多细节分析。从根本上来说，小波变换的与傅立叶变换类同，但小波变换对于信号部分描述及特征的分离精确度更高，而且小波变换展开的系数对应的是相应部分的原信号，不会影响整段信号。小波变换的基础是可变的，再根据神经网络的自适应能力不断调整变换的系数，可以根据信号来推导新的系数，这对于分析瞬时随机信号非常有用。

2.2 振动信号处理

2016年10月，在河北某地进行了玉米果穗收获田间试验，采集了收获过程中玉米对冲量传感器的输出信号。测产试验平台为时风牌4YZP-20型玉米收割机，如图4所示。其工作幅宽为1.070m，收获行数为2行。收获机喂入量在 0～2.5 kg/s 范围内，作业速度控制在4km/h内。

图4 田间测产

图5为选取的一段传感器输出信号。由图5可以看出，输出信号中存在明显的噪声信号。目前，有关振动干扰对测产影响的研究大多从硬件改善及简单的数字滤波入手，此类研究受冲击信号强弱的制约，且受限于振动干扰噪声分布较随机的影响，导致测产范围不够全面。因此，如何将有效的消除强干扰噪声混合信号，仍然是冲量式流量传感器的研究重点。

图5 传感器输出信号

用MatLab软件进行仿真，分别对采集的信号采用IIR滤波器和小波神经网络方法进行降噪处理。两种处理方法下的降噪效果如图6、图7所示。

图6 IIR滤波后信号

图7 小波神经网络去噪后信号

图中数据表明：数字滤波后，输出信号中的随机噪声已大为减少，但还存在部分不容易滤除的干扰信号，降低了振动噪声，但效果不佳；而经过小波神经网络方法处理后的滤除效果更好，振动信号明显减弱。这表明，小波神经网络方法比数字滤波去噪效果更佳。

3 测产试验结果

为了验证流量传感器测量结果的准确性，在收割机模拟试验台上，用测量系统实时测量了给定质量的谷物。通过测产系统计算出谷物总产量，进行了 6 组不同的测量试验，并且每次试验重复测量3次，根据冲量传感器输出信号由测产系统计算谷物产量。由称重传感器人工称量每组实验玉米果穗的实际质量，将冲量传感器的测量值和人工称质量实际质量进行比较，结果如表1所示。

表1 实验数据结果

由表1数据得出：测产试验的平均相对误差为2.14%；小波神经网络方法可有效消除振动噪声对流量传感器输出信号的影响，有效地提高了测产精度。

4 结论

收割机振动信号是由车身振动和地面沟壑冲击等条件引起的，是一种不规则的信号，对测产系统的精度造成了很大误差。为了从输出信号中提取强噪声信号并减小测量误差， 本文提出融合小波分析的高分辨率的特点和人工神经网络自学习的特性，提出了应用小波神经网络对信号消噪处理的方法。实验仿真结果表明：试验平均相对误差为2.14% ，验证了小波神经网络去噪方法的有效性。

本文的工作仅仅是测产研究的一小部分，因为测产信号存在较多的微弱信号和更多未知的影响因素，以后应充分考虑更多的影响因素，采取软硬件结合的方式能更有效地提高测产精度。

参考文献：

[1] 周俊,刘成良.平行梁冲量式谷物质量流量传感器信号处理方法[J].农业工程学报,2008(24):183-187.

[2] 胡均万,罗锡文,阮欢,等.双板差分冲量式谷物流量传感器设计[J].农业机械学报,2009(4):69-72.

[3] 王志全,杨方,欧阳斌林,等.联合收割机实时测产系统的抗振动干扰设计[J].东北农业大学学报,2011,42(2):38-42.

[4] 谭玉芳,杨方.自适应噪声对消在抑制振动干扰中的应用[J].农业科技装备,2010(2):44-46.

[5] 汪懋华.“精细农业”发展与工程技术创新[J].农业工程学报,1999(1):1-8.

[6] 孙万麟,朱超.一种融合小波包分析和神经网络的信号消噪[J].现代制造工程,2015(8):132-135.

[7] 岑翼刚,慰宇,孙德宝. 小波阈值神经网络在信号去噪及预测中的应用[J].控制理论与应用,2008,25(3):485-491.

[8] 张德丰. MatLab小波分析 (2版)[M].北京:机械工业出版社,2012.

[9] 张瑞,吕文红,张瑞玺.基于神经网络自适应滤波的车辆动态称重系统研究[J].公路交通科技,2010,27(7):138-141.

[10] 李新成.谷物联合收割机产量监测系统优化及远程数据开发[D].北京:中国农业大学, 2015.

[11] 谭玉芳. 联合收割机测产系统振动信号的抑制研究[D].哈尔滨:东北农业大学，2010.

[12] 武佳.谷物智能测产及远程监控系统开发[D].北京:中国农业大学，2013.

[13] 姜国微,邱白晶,解金键,等.谷物质量流量测量装置的设计与试验[J].农机化研究，2012,34(3):155-158.

[14] 马超兴.激光式谷物质量流量测定方法与试验研究.[D].镇江:江苏大学,2010.

[15] 陈进,宁小波,李耀明,等.联合收获机前进速度的模型参考模糊自适应控制系统[J]．农业机械学报,2014,45(10):87-91.

[16] 李正周.MATLAB数字信号处理与应用[M].北京:清华大学出版社,2008.

[17] 刘丽梅,刘齐跃,张静.基于小波变换模极大值的去噪方法研究[J].河北工业科技,2010,27(6):367-372.

[18] 张强.强噪声背景下噪声对消技术的研究[D].大连:大连海事大学,2010.

[19] 段永刚,马立元,李永军,等.基于小波分析的改进软阔值去噪算法[J].科学技术与工程,2010,10(23):5755-5758.

AbstractID:1003-188X(2018)06-0043-EA

Abstract： By analyzing the sensor output signal of the harvester, it is found that the output signal is mixed with a large number of unwanted noise signals, which makes a great error to the accuracy of the measurement. General noise signal processing using some simple digital filtering method can play the role of filtering. However, the irregularities and random vibrations caused by the vibration of the harvesters during the field movement, such as vehicle vibration and field gully, are large and unstable. Aiming at this problem, this paper proposes a wavelet analysis combined with neural network algorithm to denoise the sensor output signal. The experimental results show that the measured signal processed by wavelet neural network algorithm is closer to the actual measurement result than the traditional filtering denoising method. The relative mean error of the measurement can be reduced to 2.14%.

Keywords： harvester; yield measurement; noise reduction; wavelet neural network