一种基于多元信息与MCSA-SVM的农机故障检测方法技术

本发明专利技术属于农机技术领域，尤其为一种基于多元信息与MCSA

【技术实现步骤摘要】
一种基于多元信息与MCSA
‑
SVM的农机故障检测方法


[0001]本专利技术涉及农机
，具体为一种基于多元信息与MCSA
‑
SVM的农机故障检测方法。

技术介绍

[0002]在大部分情况下，农户对农机的实际运行状况不会进行细致、专业的考虑，因此经常出现超出其负载等情况发生，着经常使得农机在使用过程中超负荷工作，从而使得农机内部的构件之间的磨损更加严重，特别是在齿轮轴承等部分。在此之上，农机实际工作时产生的倾斜角度、运行速度等工作数据也会因此受到一些影响产生数据上的波动。
[0003]在现有技术中，农机故障的检测方法可以分为两类，一类是通过硬件的方式实时获取农机的工作数据，通过直观的数据体现，以阈值等方式简单判断农机的工作状态、判断农机是否发生故障；另一种方式则是通过获取GPS数据的历史数据，构建相关模型实现对不同故障类型的分类，随后利用构建的模型实时处理收集到的信息，来判断农机是否处于正常的作业状态。
[0004]现有的农机故障检测方法中，基于硬件检测的方法和利用GPS数据的农机故障检测方法都不够细致，检测故障的时候的分类不清晰，无法快速了解农机出现故障的具体原因。在实际的应用中无法给农机的维修提供具体的维修思路，依然需要经验对农机故障进行修理。且现有的农机故障检测方案仅依靠农机运行时所产生的的一种数据，这使得相关传感器检测信号的准确度直接影响到判断的准确度。当传感器检测信号受噪声影响较大时，此方法准确率较低没有合理利用农机上传感器的数据，造成数据浪费。r/>[0005]因此，我们提出了一种基于多元信息与MCSA
‑
SVM的农机故障检测方法来解决上述问题。

技术实现思路

[0006]（一）解决的技术问题针对现有技术的不足，本专利技术提供了一种基于多元信息与MCSA
‑
SVM的农机故障检测方法，解决了上述
技术介绍
中所提出的问题。
[0007]（二）技术方案本专利技术为了实现上述目的具体采用以下技术方案：一种基于多元信息与MCSA
‑
SVM的农机故障检测方法，包括由安装在农机目标检测点上检测相关数据的传感器构成的感知层、用来信息传递的网络层、用来存储数据与故障分析的应用层和显示模块，利用由不同传感器从农机采集得到的多元数据，根据不同的训练数据，训练多个MCSA
‑
SVM模型，每当传感器获得的实时工作数据传输到服务器即应用层时，服务器首先将数据进行特征提取，再分别输入到训练好的模型中并将所有模型的输出集成，以投票的方式得到最终的农机故障判断结果，实现更精确的农机工作状态分析，具体模型训练包括以下步骤：
步骤一：收集农机不同状态下的工作数据分别采集农机在正常运行状态、不同检测点轴承损坏时安装在农机不同检测点处的振动信号、农机整体的倾斜角度、农机的位置数据，并将数据传递到服务器上。
[0008]步骤二：多元农机数据的特征提取由服务器将不同传感器收集到的数据按照相同的时间段分段进行分割，并分别对不同类型的数据进行特征提取与处理：1、对振动信号数据进行小波包分解，提取能量特征；根据所获得到的振动信号数据特征选择适当的小波函数和分解层数，经过小波包分解得到包含有时频信息的小波包节点系数dj, n, k其中f是分解层数，j表示第j层的节点，k表示第j层的第k个小波包节点系数。根据得到的小波包系数得到该信号的能量特征，具体计算方式如下：（1）2、对于农机的倾斜角度，计算时间段内农机整体倾斜角度的方差和标准差；3、对于农机的位置数据，计算时间段内农机的平均运行速度、方差和标准差；4、分别对农机不同运行状态的数据设置标签如0,1,2等代表农机正常运行，农机检测点1处出现问题，农机检测点2出现问题等农机故障类别；5、最后将所得数据归一化，作为模型的训练数据。
[0009]步骤三：训练MCSA
‑
SVM模型1、所述方案SVM选用高斯核函数训练模型，高斯核函数通常定义为空间中任意一点x到某一中心点z之间的欧氏距离函数如下所示：（2）其中γ定义了单个样本对整个分类超平面的影响，当γ 比较小时，单个样本对SVM分类超平面的影响距离比较远，反之，当γ比较大时，SVM分类超平面的影响距离比较近，使得整个模型变得更复杂造成模型的过拟合。在选定合适的参数γ的值后，再选择适当的惩罚系数C>0，针对不同的种类i分别构造不同的二分类SVM超平面将第i类与其余M
‑
1类分开（3）；式中w和b为目标SVM模型所找到的超平面的参数， 为松弛变量，为了使得模型可以在更好地贴合数据的同时提升模型的适用性，本专利技术利用改进的乌鸦算法MCSA寻优SVM的高斯核函数的超参数γ和惩罚系数C。
[0010]2、乌鸦会将多余的食物藏在某些隐蔽的位置，并在需要时取回储存的食物，在群体生活中，乌鸦会相互跟踪，并偷取对方的存粮，如果乌鸦发现另一只乌鸦在跟踪它，它就会试图跑到别的地方来迷惑跟踪者。基于乌鸦的行为，对乌鸦进行数学建模：（4）
其中m表示第j只乌鸦的位置即第t次迭代中种群中的最优乌鸦位置，t表示当前的迭代数，i则是种群中的第i只乌鸦，r则是0
‑
1之间的随机数。当r小于AP的时候，则代表乌鸦j没有发现乌鸦i，乌鸦i跟踪乌鸦j更新位置，否则乌鸦j发现了乌鸦i，将设置一个随机位置来作为更新后乌鸦i的位置。为了防止乌鸦在搜索的过程中陷入局部最优，本专利技术在位置更新时将fl设置为和迭代次数相关的正余弦机制，且在乌鸦j发现乌鸦i的跟踪行为时，设置乌鸦i以随机游走的方式更新自己的位置：（5）式中 为随机扰动项，在此基础上，本专利技术AP设定为和迭代次数相关的数。并映射到0
‑
1区间，使得每一轮迭代中，种群中的最优乌鸦j可以根据AP判断是否被乌鸦i跟踪（6）基于此使得乌鸦在位置更新过程中在开始时偏向全局搜索在结尾时偏向局部搜索。为了防止单一模型的过拟合，利用Bootstrap方法重采样，随机产生几个训练集S1 ,S2 ,
…
，ST训练不同的MCSA
‑
SVM模型，每一个MCSA
‑
SVM模型都通过MCSA确定其超参数实现模型的训练。
[0011]步骤四：模型应用安装在农机的传感器按照固定的时间间隔实时传送数据输入到不同的训练好的MCSA
‑
SVM模型中。模型的输入数据与模型训练数据的形态一致，具体包含归一化的不同检测点振动信号小波包分解得到的信号能量特征，农机的农机整体倾斜角度的方差和标准差，农机的平均运行速度，方差和标准差。在输入到训练好的不同的MCSA
‑
SVM模型后，通过投票的方式，将所有训练好的MCSA
‑
SVM模型的输出汇总并计数，返回计数最多的输出作为所提模型对农机运行状态的判断。
[0012]进一步地，所述传感器分别为振动传感器、倾角传感器和霍尔传感器。
[0013]进一步地，所述用来存储数据与故障分析的应用层由服务器构成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多元信息与MCSA
‑
SVM的农机故障检测方法，包括由安装在农机目标检测点上检测相关数据的传感器构成的感知层、用来信息传递的网络层、用来存储数据与故障分析的应用层和显示模块，其特征在于：利用由不同传感器从农机采集得到的多元数据，根据不同的训练数据，训练多个MCSA
‑
SVM模型，每当传感器获得的实时工作数据传输到服务器即应用层时，服务器首先将数据进行特征提取，再分别输入到训练好的模型中并将所有模型的输出集成，以投票的方式得到最终的农机故障判断结果，实现更精确的农机工作状态分析，具体模型训练包括以下步骤：步骤一：收集农机不同状态下的工作数据分别采集农机在正常运行状态、不同检测点轴承损坏时安装在农机不同检测点处的振动信号、农机整体的倾斜角度、农机的位置数据，并将数据传递到服务器上；步骤二：多元农机数据的特征提取由服务器将不同传感器收集到的数据按照相同的时间段分段进行分割，并分别对不同类型的数据进行特征提取与处理；1、对振动信号数据进行小波包分解，提取能量特征根据所获得到的振动信号数据特征选择适当的小波函数和分解层数，经过小波包分解得到包含有时频信息的小波包节点系数dj, n, k其中f是分解层数，j表示第j层的节点，k表示第j层的第k个小波包节点系数，根据得到的小波包系数得到该信号的能量特征，具体计算方式如下：（1）；2、对于农机的倾斜角度，计算时间段内农机整体倾斜角度的方差和标准差；3、对于农机的位置数据，计算时间段内农机的平均运行速度、方差和标准差；4、分别对农机不同运行状态的数据设置标签如0,1,2等代表农机正常运行，农机检测点1处出现问题，农机检测点2出现问题等农机故障类别；5、最后将所得数据归一化，作为模型的训练数据；步骤三：训练MCSA
‑
SVM模型1、所述方案SVM选用高斯核函数训练模型，高斯核函数通常定义为空间中任意一点x到某一中心点z之间的欧氏距离函数如下所示：（2）；其中γ定义了单个样本对整个分类超平面的影响，当γ 比较小时，单个样本对SVM分类超平面的影响距离比较远，反之，当γ比较大时，SVM分类超平面的影响距离比较近，使得整个模型变得更复杂造成模型的过拟合，在选定合适的参数γ的值后，再选择适当的惩罚系数C>0，针对不同的种类i分别构造不同的二分类SVM超平面将第i类与其余M
‑
1类分开：（3）；式中w和b为目标SVM模型所找到的超平面的参数， 为松弛变量，为了使得模型可以在更好地贴合数据的同时提升模型的适用性，本发明利用改进的乌鸦算...

【专利技术属性】
技术研发人员：杨华民，杨宏伟，张婧，冯欣，蒋振刚，张昕，张剑飞，周超然，白森，戴加海，高升，
申请(专利权)人：长春理工大学重庆研究院，
类型：发明
国别省市：