基于混合神经网络的联合收割机故障预测

聂国健 ， 李泉洲 ， 胡宁 ， 蒋诗新 ， 陈冰泉

（1.工业和信息化部电子第五研究所， 广东 广州 510610；2.工业装备质量大数据工业和信息化部重点实验室， 广东 广州 510610；3.西安赛宝工业技术研究院有限公司， 陕西 西安 710300）

0 引言

联合收割机是我国农业机械中的关键设备，每年需要通过联合收割机完成大量的耕地作物的收割工作， 这些设备在使用过程中往往会因为连续高负荷的运转工作不可避免地发生故障， 给收割工作造成较大的麻烦[1]。 例如： 柴油发动机作为联合收割机的重要组成部分， 其可靠性直接影响到任务的完成情况[2]。 在第四次工业革命中，农业机械正在向智能设备的方向发展， 不同的设备通过物联网（IoT） 实现良好的连接， 从而服务于设备信息的有效传递。 智能设备的重要特征之一是自我意识和自我预测能力， 其中剩余寿命（RUL） 预测起着重要的作用[3]。 RUL 对于故障预测与健康管理（PHM） 和基于状态的维护（CBM）至关重要， 得到了广泛的关注。

随着数据采集技术的发展， 可以观测到设备上大量的状态监测数据， 通过分析可以得到与系统工作或健康状态高度相关的系统退化信号。 根据已有的数据， 可以对设备状态特征进行分析。数据驱动的模型以较低的分析成本和门槛优势，被大量地运用在RUL 的预测工作中。 Zhou 等人[4]提出了一种联合建模框架， 通过对设备退化信号使用混合效应模型， 对故障时间的时间序列使用Cox 比例危害模型， 有效地预测出汽车电池的剩余可用寿命。 Son 等人[5]基于对设备退化路径的变化点分析对该方法进行了拓展， 根据状态监测参数的一致性相关系数（CCC） 检测变化点， 提高了汽车电池的剩余寿命。

为了获得准确的RUL 预测性能， 还需要对反映系统健康状态等级的降级信号进行精确的建模。Si 等人[6]发现随机度是设备退化信号的一个主要特征。 它区分了不同的单元， 并导致了RUL 估计的不确定性。 考虑到退化信号的随机性， 随机效应回归模型和随机过程模型得到了广泛的应用。许多学者对RUL 的退化模型进行研究， 考虑了具有不同个体之间关联变化率的群体不可观测的内源性因素[7-9]。 但目前的研究普遍依赖单个模型或方法， 且由于退化曲线受到的干扰因素较多， 故障预测结果参考性较低。

自组织特征映射 （SOM： Self-organization Feature Mapping） 神经网络是一种根据输入控件中输入向量的分组进行学习和分类的算法， 可以有效地判断设备当前特征状态。 而小波神经网络是一种以BP 神经网络拓补结构为基础， 把小波基函数作为隐含层节点的传递函数， 信号前向传播，误差反向传播。 本文针对联合收割机的故障预测问题， 根据不同状态下的RUL 历史数据， 基于SOM 神经网络对其状态监测参数进行分析训练，完成联合收割机的状态判定， 再利用小波神经网络对该状态下与使用时长相关的历史数据进行分析训练， 以实现联合收割机的故障预测。

1 基于混合神经网络的联合收割机故障预测

1.1 基于SOM 神经网络的潜在故障模式识别

使用SOM 神经网络对设备潜在故障模式进行判断， 形成基于潜在故障模式的联合收割机故障预测模型输入。 利用故障发生前的特征状态下的监测参数对SOM 神经网络进行训练， 并不断修正预测误差， 最终得到可准确判断联合收割机所处的潜在故障模式的SOM 网络模型。 其结构如图1所示， 由输入层和竞争层组成。 输入层神经元个数为m， 竞争层是a×b 个神经元组成的二维平面阵列， 输入层与竞争层各个神经元之间为全连接。

图1 SOM 神经网络模型结构

SOM 神经网络算法过程如下所述。

a） 网络初始化

取（0， 1） 区间中的随机数作为输入层和竞争层之间权值的初始值。 定义Sj（t） 为时刻t 下神经元j 的邻接神经元集合。

b） 输入向量的输入

将输入向量X= （x， x2， …， xm）T输入给输入层。

c） 计算竞争层的权值向量与输入向量的欧式距离

在竞争层， 计算各个神经元的权值向量和输入向量的欧式距离。 竞争层的第j 个神经元和输入向量的距离， 公式如下：

式（1） 中： ωij——输入层的i 神经元与竞争层的j神经元之间的权值。

计算得到一个具有最小距离的胜出神经元，并给出其邻接神经元集合。

d） 权值的学习

对竞争层神经元及其邻接神经元的权值进行修正。

e） 计算输出ok

根据求得的权值和输入， 对SOM 神经网络的输出进行计算， 公式如下：

式（2） 中： f （*） ——0～1 函数或其他非线性函数。

1.2 基于小波神经网络的故障时间预测

小波神经网络是一种以BP 神经网络拓补结构为基础， 把小波基函数作为隐含层节点的传递函数， 信号前向传播的同时误差反向传播的神经网络。 其拓补结构如图2 所示。

本文中采用的小波神经网络算法步骤如下所述。

图2 小波神经网络拓补结构

a） 网络初始化

对小波函数伸缩因子ak、 平移因子bk和网络连接权重系数ωij、 ωjk进行随机初始化， 并设置网络学习速率η。

其中， 隐含层输出计算如下：

式（3） 中： h （j） ——隐含层第j 个节点输出值；

ωij——输入层和隐含层的连接权值；

bj——小波基函数的平移因子；

aj——小波基函数的伸缩因子；

hj——小波基函数。

本文采用的小波基函数为Morlet 母小波基函数， 计算如下：

b） 样本分类

将样本分为训练样本和测试样本， 训练样本用于训练网络， 测试样本用于测试网络精度。

c） 预测输出和权值修正

将训练样本输入网络， 计算网络输出并计算网络输出和期望输出的误差e， 并根据误差大小进行权值修正。 其中， 网络预测误差计算公式如下：

式（5） 中： yn （k） ——期望输出；

y （k） ——小波神经网络预测输出。

输出层计算如下：

式（6） 中： ωik——隐含层到输出层权值；

h （i） ——第i 个隐含层节点的输出；

l——隐含层节点数；

m——输出层节点数。

然后根据误差e 修正网络权值和小波函数参数， 使网络预测值逐渐逼近期望值。

d） 终止条件判别

判断算法是否符合终止条件，若不符合， 返回步骤c）。

2 应用方案

2.1 基于状态监测的潜在故障模式判别

在实际应用中， 由于联合收割机本身的复杂性和传感器安装条件的高要求， 技术人员无法对所有的状态进行监测， 往往只选择表征关键性能的参数进行监测。 同时， 本文建立的模型仅针对慢性变化的故障， 不考虑突发故障的影响， 选择对联合收割机的动力、 收获及脱粒和输送系统的故障进行预测， 选择纳入模型的状态监测参数包括最大压力（P1）、 次最大压力（P2）、 波形幅度（P3）、 起喷压力（P4）、 收割滑差率（P5）、 静液压传动系统压力（P6）、 HST 冷却器入口温度（P6）、HST 冷却器出口温度（P7）、 谷物流量（P8） 和振动幅度（P9）， 以及驱动桥壳动载荷（P10）。 在联合收割机中直接影响整体工作的故障有割台移动受阻、 滚筒脱粒异常、 供油量不足、 油孔阻塞、 针阀泄露和出油阀失效等， 而上述故障在尚未发生时的潜在故障状态， 可分为： 易断裂（T1）、 谷物易损失（T2）、 易堵塞（T3）、 滚筒易卡死（T4）、 易磨损（T5）、 针阀易卡死（标定油量T6）、 油路易泄露（T7） 和出油阀易破裂（T8） 8 种准故障表现形式。 根据设备历史监测参数与状态的关系选取典型的参数组合， 对其进行归一化和标准化后， 每种潜在故障特征与其典型监测参数组合的对应关系如表1 所示。

选用测试软件为Matlab2018b， 测试环境为CPU Intel Corel i7、 RAM 16G 和windows 10 系统。根据设备当前状态监测参数组合， 设定竞争层神经元矩阵为8×8， 分类阶段学习速率为0.9， 步长为1 000， 协调阶段学习速率为0.02， 邻域距离为1， 建立SOM 神经网络对表1 中的8 种潜在故障特征进行训练学习， 设定迭代次数分别为10、 30、50、 100、 200、 500、 1 000 次， 迭代识别结果如图3 所示。 可以看到， 迭代次数为100 次以内时，竞争层会出现模式判别不准的情况。 随着迭代次数继续增加， 竞争层神经元得以调整， 迭代200、500 和1 000 次时， 该SOM 神经网络模型对表1中的模式均实现了较为精准的识别。 经过迭代1 000 次后， 竞争层胜出神经元的分布位置和各个临近神经元之间的相互距离如图4 所示。 其中， 图4b 中菱形的颜色由浅到深表示神经元之间的欧式距离由近到远。 SOM 网络模型经过1 000 次迭代后的竞争层内各个神经元的权值分布如图5 所示。

表1 8 种潜在故障特征

图3 潜在的故障模式训练结果

图4 竞争层胜出神经元的分布位置和各个临近神经元之间的距离

图5 竞争神经元权重

2.2 基于时间序列的故障发生时间预测

根据设备使用的情况不同， 设备在不同使用阶段所表现的故障特征也不同， 对处于每种特征、不同使用阶段的设备RUL 数据进行采集分析， 可以把握设备RUL 时间变化的趋势特征， 从而做出有效的预测。

国内某品牌联合收割机在不同的使用阶段处于不同潜在故障情况下的RUL 数据范围如表2 所示。 从效果上看， 由于正常情况下该品牌联合收割机平均正常工作时间为43 h， 而在分类情况下，联合收割机的RUL 上界不超过20 h， 下界不超过10 h， 因此上述潜在故障类型的划分能够较好地提高联合收割机的故障预测精准性。 在故障的精准预测下， 能够有效地通过对问题零部件的拆解更换使得其能够继续作业， 从而降低因计划外停机造成的作业任务受影响的情况。

在联合收割机作业过程中， 准确的故障时间预测往往是其精准运维的前提和关键。 从数据趋势来看， 设备在不同阶段的故障预测具有非线性和不确定性等特点， 并且同时间相关性较强， 可以看成是时间序列预测问题。

本文建立的小波神经网络设置输入层4 个节点， 表示预测时间节点前4 个节点的故障发生时间， 隐含层有6 个节点， 输出层有1 个节点， 表示网络预测的故障发生时间。 通过建立小波神经网络， 并利用训练数据对小波神经网络进行训练，使小波神经网络具有良好的故障预测能力。 为验证该网络预测效果， 以其中一种状态的故障发生时间历史数据为例进行故障预测。

表2 各种模式下的设备RUL 数据

通过采用表2 中的数据对小波神经网络模型进行训练， 利用训练好的模型对不同潜在故障模式下的新的实际案例数据进行预测测试效果验证。我们取状态为T1和T3的两组案例数据对本文中的小波神经网络模型进行测试验证， 由于预测发生时间需要前4 个故障的发生时间作为输入， 因此最后总共预测验证点为对应模式中的后16 个。

小波神经网络实现基于时间序列的故障预测效果如图6-7 所示。 从预测结果中可以看出， 小波神经网络可以比较精准地预测不同使用时间情况下的故障发生时间， 说明该方法比较适合用于联合收割机的故障预测。

图6 状态为T1 情况下的小波神经网络故障预测与实际情况比较

图7 状态为T3 情况下的小波神经网络故障预测与实际情况比较

3 结束语

本文针对联合收割机基于状态监测数据的故障预测， 提出了混合神经网络的故障聚类预测模型， 有效地消除了设备状态与时间序列数据高度的耦合性对故障真实数据变化规律的干扰。 通过故障数据的SOM 神经网络和小波神经网络仿真分析预测， 验证了该算法在联合收割机故障预测中的有效性。