基于BP神经网络的甘蔗收获机切割器振动性能研究

钟家勤，李尚平，何永玲，何 维，王跃飞

(1.钦州学院 广西高校临海机械装备设计制造及控制重点实验室培育基地，广西 钦州 535000;2.广西民族大学 化学化工学院，南宁 535004)

0 引言

实现甘蔗机械化收割对促进我国蔗糖业发展具有重要战略意义，而甘蔗宿根破头率偏高是阻碍应用研究的主要瓶颈。切割器是甘蔗收获的关键部件，其工作的优劣直接影响着切割质量，因此对切割器的研究成为研究甘蔗收割机的重点难点。2012年，华南农业大学曾志强对凯斯4000进行试验研究发现，培土良好时破头率为7.45%，培土不好时破头率高达51.84%；凯斯7000破头率也相当高，培土良好时破头率8.87%[1]。2015年1月，本课题组在柳州思源农场对凯斯的收割现场进行破头率的统计分析，分析结果如表1所示。从表1中数据明显看出高破头率仍然是国外机型需要解决的一大难题。由此可见，甘蔗收割机高破头率问题急需解决。研究表明[2-5]：甘蔗的破头率、切割质量确实与切割器有关。国内外研究对切割器与切割质量进行了大量研究[6-7]，而本课题组通过第二台样机结构性能改进发现其比第一台样机振动明显减小，改善了切割质量；但切割器不平衡与轴向振动的影响规律未得到进一步证实，因此有必要对切割器螺旋以及刀盘的不平衡与轴向振动的影响进行了更深一步的研究。

表1 思源农场凯斯甘蔗收获破头率

研究切割器不平衡对切割器振动性能的影响，可采用建立回归模型对试验样本数据指标进行预测，这种方式的优点是模型简单，有直观的数学公式；但是，回归分析的前提是先假设回归方程的类型，必须先通过散点图确定好模型后方能进行，有时输入输出较多，这种关系却不能用简单的函数来确定。基于BP神经网络的预测方法就能解决这种复杂信息的处理问题，虽然BP神经网络不能给出具体的函数表达式，但能够给出确切的算法以及结构参数[8-10]。因此，本文采用BP神经网络方法，构建切割器振动预测模型。

本文利用切割器试验平台对刀盘的振动进行试验研究，探究不平衡对甘蔗收获机切割器振动影响规律，采用BP神经网络构建出了切割器振动的预测模型，通过与正交试验相结合，得到了精度更高的预测模型。通过此BP神经网络模型，能够更为有效地挖掘出隐含在试验数据中的非显式知识，有效地减少了试验研究的次数与成本，同时为减少切割器振动提供了参考。

1 BP神经网络预测模型原理

人工神经网络基本工作原理是模拟人的大脑结构以及思考方式，借此实现模型的智能行为。BP神经网络是采用误差逆传播算法进行训练的多层前馈网络，能够处理非线性动态问题，实现高度非线性映射，具有很强的学习、储存、计算及容错能力，能够得到输入和输出的非线性关系模型[11-12]。BP神经网络的输入层接收外部给定的输入信号，传送到中间层，而中间层是网络中心信息处理单元，与外部没有直接的联系，故有时称中间层为隐层，输出层输出网络运行的结果。理论上的一个三层网络就可以拟合任何的非线性关系。三层BP神经网络如图1所示。

图1 BP神经网络

在这个网络中，输入层有n个神经元，输出层有m个神经元，中间层有p个神经元。设此网络的输入模式向量PK=[a1,a2,…,an]，目标向量YK=[y1,y2,…,ym]，隐层的输入为SK=[s1,s2,…，sp]，输出为Ck=[c1,c2,…，cp]。输入层与中间层的连接权wij,i=1,2,…,n,j=1,2,…,p；中间层与输出层的连接权vjt,j=1,2,…,p,t=1,2,…,p；中间层各个单元输出的阈值为θj,j=1,2,…,p；输出层的各个单元阀值为γj,j=1,2,…,p。

网络的学习过程如下[13]：

1)网络的初始化。给每个连接权值以及阈值赋予在区间[-1,1]之间的一个随机值，给定网络误差函数e，设置最大的学习次数和计算达到的精度要求。

2)随机选择样本。从上述定义的输入层向量PK和输出层向量YK提供给网络训练。

3)利用输入样本PK，输入与中间层的连接权值Wij以及阈值θj，计算出隐含层的各个单元输入Sj，通过传递函数再计算出中间层的各个神经元的输出bj，则有

(1)

(2)

bj=f(sj),j=1,2,…,p

(3)

4)得出输出层网络的输出。利用中间层的输出结果bj、输出层与中间层的连接权值vjt以及阀值γj，通过传递函数计算每个单元的输出Ci，则

6)计算中间层的误差，即

7)利用上述得到的误差以及中间层的各单元输出来修正连接权值，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)再次在样本中随机选取下一个训练样本，从3)重复到7)，直到所有的样本全部训练完为止。

9)当全局误差e满足给定的要求时或者学习次数达到最大时，算法结束。

其训练流程如图2所示。综上所述，BP神经网络实际上是一种误差逆向传播的过程，并最终达到收敛。

对于输入输出数据来说，这些数据的量纲不一致，为了去除量纲的影响和缩小数值之间的差别以及加快网络的收敛速度，采用输入向量与输出的归一化处理[15]。将输入数据映射到[-1，1]，输出数据归一化到[0，1]。

2 正交试验与试验结果分析

为找出不平衡对切割器振动的影响，实现振动可控，减少试验次数，采用正交试验的方法进行试验。切割器切割甘蔗向后输送的过程中，甘蔗对刀盘及螺旋都产生不平衡轴向力的作用，因此本文通过改变切割器的刀盘及螺旋的不平衡量进行试验。

2.1 试验方案

采用自制的甘蔗切割器平台进行振动试验，切割器试验平台如图3所示。

图2 BP神经网络训练流程

图3 切割器试验平台

试验框图如图4所示。

图4 切割器不平衡振动测试框图

2.2 螺旋正交试验

在螺旋上添加不平衡质量块、综合刀盘转速、质量块的质量、质量块的位置做正交试验，探究螺旋上不平衡质量对于刀盘振动的影响规律。

选择刀盘转速A、不平衡质量块的质量B、质量块位置C3个因素作为试验。A为600、650、700r/min三水平，B为0.2、0.3、0.4kg三水平，C为位置高度90、150、210mm的三水平，试验结果如表2所示。

表2 螺旋正交试验结果直观分析表

进行方差分析，取置信度1-α=0.95，即α=0.05，结果如表3所示。

表3 α=0.05方差分析

综合分析可以得出：在螺旋上的正交试验，当置信度为0.95时，刀盘转速、不平衡质量对于刀盘振动有显著性影响。

2.3 刀盘正交试验

在刀盘上添加不平衡质量块、综合刀盘转速，质量块的质量及质量块的位置做正交试验，探究刀盘上不平衡质量对于刀盘振动的影响规律。

选择刀盘转速A、不平衡质量块的质量B、质量块位置C3个因素作为试验。A为600、650、700r/min三水平，B为0.2、0.3、0.4kg三水平，C为位置半径100、130、160的三水平，试验结果如表4所示。

表4 刀盘正交试验结果直观分析表

进行方差分析，取置信度1-α=0.9，即α=0.1，结果如表5所示。

表5 α=0.1方差分析

综合分析可以得出：在刀盘上的正交试验，当置信度为0.90时，刀盘转速、位置半径及不平衡质量对于刀盘振动都有显著性影响。

3 建立切割器振动神经网络模型

在前面所述的螺旋及刀盘不平衡试验中，发现刀盘转速、不平衡质量及不平衡位置都会对切割振动有显著性影响。为了构建切割器振动与各因素的关系知识库，通过试验分析，确定了神经网络模型的各个层数分别为输入层是3层、隐含层取6层、输出层由于只有一个输出故取为1层。

训练样本的正确选取对于网络模型的构建非常重要，选取那些具有代表性的样本并且之间又有相互联系，能够对各个层的连接权值起到调整的作用。本文开展的正交试验就是选取了具有代表性的参数组合进行试验，能够比较全面地表示各个选区的情况。采用正交试验中的样本作为本文的神经网络训练样本，能够有效地减少训练样本数，提高神经网络精度，因此分别对螺旋上不平衡以及刀盘上不平衡进行神经网络样本训练。隐含层与输出层的激活函数为Sigmoid函数，对样本进行训练。经过分析以及经验确定网络参数。

3.1 螺旋神经网络模型

螺旋上基于BP神经网络预测模型的结构采用表6所示。其中，输入层表示刀盘转速A、螺旋上不平衡质量B、不平衡质量螺旋上的位置C，输出层的单元为振动峰峰值。

经过105 946次运算后误差函数趋于稳定，此时的神经网络结构和确定的参数作为实际预测的模型参数。

表6 螺旋样本和学习结果

3.2 刀盘神经网络模型

刀盘上基于BP神经网络预测模型的结构如表7所示。其中，输入层表示刀盘转速A、刀盘上不平衡质量B、不平衡质量刀盘上的位置C，输出层的单元为振动峰峰值。

经过119 578次运算后误差函数趋于稳定，此时的神经网络结构和确定的参数作为实际预测的模型参数。

表7 刀盘样本和学习结果

4 结果对比以及预测分析

为了进一步说明基于BP神经网络建立的模型要优于其它方法建立的模型，这里将BP神经网络训练得到的数据与建立的回归模型得到的结果进行对比。以实际值作为基准值，将BP神经网络得到的数据与回归分析计算得到的数据与实际值的偏差值作出偏差图，如图5、图6所示；预测结果与相对误差如表8、表9所示。

从图5、图6中可以看出：基于BP神经网络的拟合值基本在零线附近，预测值与实际采集的压力值的偏差值较小，但基于回归模型的预测值与实际值的偏差较大。

图5 螺旋不平衡训练结果偏差

图6 刀盘不平衡训练结果偏差

表8 螺旋预测结果以及相对误差

表9 刀盘预测结果以及相对误差

续表9

由表8、表9可知：当相对误差小于10%时，基于BP神经网络建立的模型的振动峰值正确拟合率达到了88.89%，且得到的相对误差基本上在5%以内，而回归模型的切割压力正确拟合率仅38.89%。从对比中，可知基于BP神经网络构建的切割器振动与不平衡的关系数学模型能够更好地拟合数据且拟合精度较高。

5 结论

1)通过正交试验结果分析发现：切割器刀盘以及螺旋的不平衡对切割器振动产生显著性影响。

2)根据正交试验结果，采用了基于BP神经网络模型及基于回归模型两种方式进行切割器振动的预测分析。经过对比发现：当相对误差小于10%时，发现基于BP神经网络建立的模型的切割器振动正确拟合率达到了88.89%，在对验证试验数据进行预测时，相对误差基本上在5%以内；而回归模型的切割压力正确拟合率只有38.89%，因此基于BP神经网络建立的模型较好，精度较高。通过此BP神经网络模型，能够更为有效地挖掘出隐含在试验数据中的非显式知识，有效减少试验研究的次数与成本，能够很好地指导设计开发等工作，为进一步的切割器刀盘和螺旋振动的自动控制系统的研发及自动控制信号获取提供了强有力的支持。