基于FNN的聯合收割機故障診斷系統研究

陳 進，龔麗霞，李耀明

（1.江蘇大學機械工程學院，江蘇 鎮江 212013；2.江蘇大學現代農業裝備與技術教育部重點實驗室，江蘇 鎮江 212013）

基于FNN的聯合收割機故障診斷系統研究

陳 進1，龔麗霞1，李耀明2

（1.江蘇大學機械工程學院，江蘇 鎮江 212013；2.江蘇大學現代農業裝備與技術教育部重點實驗室，江蘇 鎮江 212013）

為解決切縱流聯合收割機故障診斷過程中輸入量的非線性問題，設計基于FNN算法的聯合收割機故障診斷系統。傳感器采集待測部件的轉速值為系統輸入值，對輸入值進行模糊處理得到模糊輸入值，將模糊輸入輸出作為神經網絡的輸入輸出，在Matlab中對神經網絡進行離線訓練得到故障診斷規則表，實際使用中只需在PLC中查詢規則表即可得到故障診斷結果。實驗結果表明：基于FNN的故障診斷系統能很好地解決系統的非線性問題，可以實時反映聯合收割機的故障情況，使其盡可能保持高效率的工作狀態。

聯合收割機；模糊算法；神經網絡；故障診斷

0 引 言

切縱流聯合收割機在田間作業時，速度過快會使得喂入量過大從而造成割臺攪龍、輸送槽、切流滾筒、縱軸流滾筒和輸糧攪龍等轉動部件的堵塞，影響收割機的作業質量[1-2]，基于此，國內外學者在聯合收割機智能監測和故障診斷方面做了較多的研究[3-5]。Geert Craessaerts等[6]設計了基于SOM監督系統和BP網絡技術的故障系統，并應用到了荷蘭CX聯合收割機的傳感器故障檢測和隔離中，使得檢測到傳感器故障成為可能。易立單[7]設計的故障診斷系統，選取了5個參數作為特征向量來對收割機的轉軸轉速連續變化過程等方面進行監測。上述研究雖然在故障的提前預警方面有很好的效果，但是由于沒有考慮到聯合收割機的非線性特性，所以效果不是很理想。本文提出基于模糊神經網絡（fuzzy neural network，FNN）算法建立切縱流聯合收割機的堵塞故障診斷模型，將模糊算法和神經網絡算法[8-9]相結合，建立聯合收割機堵塞故障診斷的各種故障征兆與故障類型之間的非線性映射關系，實現故障診斷和定位，解決聯合收割機的堵塞故障診斷問題。

1 基于FNN的聯合收割機故障診斷系統設計

基于FNN的切縱流聯合收割機故障診斷系統硬件組成如圖1所示，主要包括信號采集調理模塊、液晶顯示模塊、聲光報警模塊和PLC故障診斷處理系統。

圖1 故障診斷系統硬件組成

本系統以“太湖之星”TH988型切縱流聯合收割機為試驗樣機，割臺攪龍、輸送槽、切流滾筒、縱軸流滾筒和輸糧攪龍的轉速測量均采用霍爾傳感器；采用PLC作為數據處理單元；采用嵌入ARM系統的高性能HD064MV3彩色顯示器作為故障診斷系統的顯示裝置，其帶有蜂鳴器，在強光下仍然具有很好的視覺效果[10]。

2 FNN故障診斷系統的建立

2.1 FNN算法模型的建立

FNN算法結合了模糊邏輯和神經網絡的優點，具有神經網絡的學習能力、優化能力和連接式結構，同時擁有模糊系統類似于人類思維方式的If-then規則并易于嵌入專家知識。具體計算過程如下：

通常一組多輸入多輸出（MIMO）模糊規則可描述為

對于給定的輸入向量X=（x1，x2，…，xn），可求得每條規則的適用度為

通過模糊推理，對于每條規則，輸出量的隸屬度函數為

采用加權平均的清晰化方法，可求得輸出量的精確值為

根據給出的模糊系統的模糊模型，可設計出如圖2所示的FNN模糊神經網絡結構。

2.2 建立FNN故障診斷模型

2.2.1 FNN模型的建立

圖2 FNN網絡的拓撲結構

本系統確定割臺攪龍、輸送槽、切流滾筒、縱軸軸流滾筒和輸糧攪龍的轉速5個量作為此系統的輸入量，并將系統輸入記為x1，x2，x3，x4和x5；系統的故障診斷結果作為輸出量，并將系統輸出記為y。

以聯合收割機的切流滾筒為例，說明系統輸入量隸屬度函數的劃分。“太湖之星”TH988切縱流聯合收割機的切流滾筒轉速范圍是0～800r/min，正常工作轉速范圍是700～800r/min，額定轉速是750r/min。為了精細描述變量，將基本論域劃分為13個等級，得到切流滾筒轉速x3的模糊子集論域為 {-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。每個等級對應的偏差變化范圍如表1所示。

表1 x3的量化表

對應的模糊語言變量集為{負大，負中，負小，零，正小，正中，正大}7個詞匯，英文字頭縮寫為{NB，NM，NS，ZO，PS，PM，PB}。x3對應的語言變量若為正，說明切流滾筒工作正常；若為負，則說明切流滾筒工作出現異常。

對于系統輸出偏隸屬度函數的劃分，分析實驗數據可知，當輸入部件工作正常時輸出y=1；當輸入部件有堵塞趨勢時，為了防止堵塞故障系統輸出y=2；已經出現故障時系統輸出y=3。則y的基本論域為（1～3），模糊子集論域為{0，1，2}。對應的模糊語言變量集為{零，小，大}3個詞匯，用英文字頭縮寫為{NB，NS，ZO}。y對應的語言變量若為正，說明工作正常；y對應的語言變量若為負，則表明收割機工作異常。

根據聯合收割機故障診斷系統的輸入輸出量化表和隸屬度函數圖，得到相應輸入量的模糊值，利用Matlab進行離線訓練結果，通過分析、歸納共制定了以下20條控制規則，建立的FNN診斷規則如表2所示。

在表2中，當割臺攪龍轉速為PM、輸送槽轉速為PM、切流滾筒轉速為PS和輸糧攪龍轉速為ZO，而縱軸流滾筒轉速為NS時，說明縱軸流滾筒轉速遠低于額定值，所以輸出y應為預警，即ZS;若割臺攪龍轉速為PM、輸送槽轉速為PS、縱軸流滾筒轉速為PM、輸糧攪龍轉速為PM，但是切流滾筒轉速為NS時，說明切流滾筒轉速遠遠低于額定轉速值，已出現堵塞情況，所以輸出y報警，即NB；若割臺攪龍轉速為PB、輸送槽轉速為PB、切流滾筒轉速為PB、縱軸流滾筒轉速為PM并且輸糧攪龍轉速為PM時，表明聯合收割機工作狀態正常，因此輸出量y正常，即ZO。

表2 FNN診斷規則表

2.2.2 模糊神經網絡故障診斷算法設計

在利用PLC實現基于FNN的故障診斷算法時，必須首先在PLC中建立輸入輸出量的量化表和FNN診斷規則查詢表。對于特定的輸入，通過輸入量的量化表查得其對應的量化等級得到對應的模糊量，之后根據FNN規則查詢表得到系統輸出量的量化等級，最后由輸出量的量化表得到系統故障診斷的結果。

3 田間試驗與結果分析

為了驗證本算法的正確性和有效性，于2012年11月7日在江蘇省無錫市錫山區進行了水稻田間收割試驗。其中一組試驗情況如表3所示。

表3 聯合收割機工作部件的轉速值和診斷結果

在收割前，駕駛員控制聯合收割機以1.2m/s的前進速度行駛收割水稻。各工作部件的轉速信號實時變化情況如表3所示，在第7s時由于前方收割的水稻種植密度突然變大，切流滾筒與縱軸流滾筒轉速有所下降，系統在第7s時顯示了縱軸流滾筒轉速異常，駕駛員馬上降低了前進速度，經過2s的調整后，在第9s時縱軸流滾筒轉速開始回升，其波動范圍在1070～1080r/min之間，系統恢復了正常狀態。基于FNN的故障診斷系統實現了預期的預報警功能，滿足使用要求。

4 結束語

聯合收割機在田間發生故障會影響其效率，使得收割機不能發揮最大的工作潛能[11]。本文提出了基于FNN的聯合收割機故障診斷系統，其主要思想是：采集割臺攪龍、輸送槽、切流滾筒、縱軸流滾筒和輸糧攪龍的轉速值，在基于FNN算法的PLC中對數據進行分析處理后得到故障診斷結果，實現對聯合收割機實時的故障診斷。田間試驗表明基于FNN的切縱流聯合收割機故障診斷系統可以及時對故障情況進行預警報警，提高了機器的可靠性和作業效率。

[1]沈蘭.聯合收割機收割小麥時常見故障的排除方法[J].農技服務，2011，28（5）：733-734.

[2]杜茂軍，趙連春.聯合收割機作業時易堵塞故障及排除[J].農機使用與維修，2007（2）：39.

[3]侯瑞.人工神經網絡BP算法簡介及應用[J].科技信息，2011（3）：75，418.

[4]趙建波.聯合收割機負荷反饋智能控制系統的研究[D].鎮江：江蘇大學，2009.

[5]介站.聯合收割機喂入量智能實量測試儀研究[D].鄭州：河南科技大學，2010.

[6]Craessaerts G， Baerdemaeker J D，Saeys W.Fault diagnostic systems for agricultural machinery[J].Biosystems Engineering，2010，106（1）：26-36.

[7]易立單.聯合收割機堵塞故障監測系統研究[D].鎮江：江蘇大學，2010.

[8]郝志勇，劉偉，夏瑋，等.基于BP神經網絡的吸運風機故障診斷[J].工程設計學報，2012，19（1）：57-60.

[9]于金廣.基于模糊神經網絡的成品油管網泄漏檢測方法[J].油氣儲運，2012（10）：733-736.

[10]陳進，呂世杰，李耀明，等.基于PLC的聯合收獲機作業流程故障診斷方法研究[J].農業機械學報，2011（S1）：112-116.

Research of fault diagnosis system on combine-harvester based on FNN algorithm

CHEN Jin1，GONG Li-xia1，LI Yao-ming2
（1.School of Mechanical Engineering，Jiangsu University，Zhenjiang 212013，China；2.The Key Laboratory of Modern Agricultural Equipment and Technology of Ministry of Education，Jiangsu University，Zhenjiang 212013，China）

From a fault diagnosis perspective，combine-harvester is complex non-linear systems which consist of several inputs.In order to detect the various unexpected faults correctly and keep an effective work state，a fault diagnosis system was developed based on FNN algorithm and applied to the combine-harvester fault diagnosis system.Firstly，speed values are regarded as system input acquired by the sensor，and fuzzy inputs can be got by obfuscating the initial input. Secondly，the fuzzy inputs and outputs are treated as a neutral one，and it is easy to develop a troubleshooting rule table after Matlab offline training.Thirdly，the table look-up is the only thing we need to do to work outthe faultdiagnosisresultsin practicalworking.Furtherfield experiments show that this system can solve the nonlinear problem and be a good reflection on the harvester fault conditions which directly lead to a high efficiency state.

combine harvester；fuzzy algorithm；neural network；fault diagnosis

S225.31；S22；TP277；TP183

：A

：1674-5124（2014）05-0077-03

10.11857/j.issn.1674-5124.2014.05.020

2013-10-23；

：2014-01-15

863計劃項目（2012AA10A502）國家科技支撐項目（2010BAD01B06）江蘇省科技支撐計劃（BE2012312）鎮江市科技支撐計劃（NY2012001）無錫市科技成果產業化資金項目（CYE22C1216）

陳 進（1959-），女，江蘇鹽城市人，教授，博士生導師，主要從事現代農業裝備監測與控制技術研究。