基于小波神經網絡的收割機測產系統振動信號分析

龔瑞昆，王海平，王 鵬，周國慶

(華北理工大學 電氣工程學院，河北 唐山 063000)

0 引言

糧食安全和國民經濟的發展密切相關。黨的十八大提出，加快發展現代農業，提高綜合農業生產能力，保證國家糧食安全和重要農產品的有效供應。因此，精確獲得糧食產量對于確保國家糧食安全和促進經濟發展至關重要。

收割機是一個復雜的農業系統，內部有很多工作零件，收獲時機器本身產生強烈的振動噪聲。收割機測產原理：割臺前面部位有扶導裝置，使玉米秸桿接觸摘穗輥，摘穗輥獲取果穗落入槽中，由升運器送入果穗收集箱，果穗進入果穗收集箱時與沖量傳感器發生碰撞。測產原理圖如圖1所示。

1.割臺 2.升運器 3.沖量傳感器 4.果穗收集箱

沖量傳感器工作原理如圖2所示。工作時，割臺摘取谷物后,谷物經過升運器運送至收集箱，在升運器進入收集箱處布置沖量式傳感器，測出谷物對傳感器的沖量。然后，傳感器輸出電信號,系統根據信號計算出谷物的產量。

1.升運器 2.谷物流動方向 3.沖量傳感器

此外，收割機經常在田間溝壑的地方工作，導致機器振動嚴重影響測產系統的精度，因此需要降低振動噪聲在測產系統中的影響。

目前，有許多關于減小振動對測量精度的影響的研究。周俊等[1]設計了以平行梁結構脈沖流量傳感器為主要方法的測量系統，可使系統誤差達到10%；胡均萬等[2]使用雙板沖量式傳感器來降低誤差，取得了較好的效果；王志全等[3]采用數字濾波器的方式用于抗振動干擾設計，降低動態測量誤差。此外，譚玉芳等[4]通過使用自適應噪聲對應消除的方法研究了振動對測量和測產系統的影響，并且實現了噪聲消減。然而，這些系統的應用條件是有限的，并且在復雜的現場環境中，系統的動態測量誤差得不到保障。

如何在復雜多變的農田環境下提高系統的測產精度，是谷物收割機測產系統開發與逐步推廣中亟須解決的重要問題。為了解決這一問題，本文提出了小波結合神經網絡的方法對傳感器測量輸出進行處理，并應用于收割機測產系統，以減少振動噪聲對測產準確度的影響。

1 小波神經網絡介紹

1.1 小波神經網絡結構

小波函數具有自動縮放和平移功能，可以有效分解測量信號和噪聲信號，并提取有效信息，而閾值和小波分解的層數的選取是小波分析的重要一步。本文運用神經網絡的學習能力自適應選取相應的小波去噪的系數，包括分解的層數和閾值。神經網絡的學習方法被引入到小波去噪中，通過相應的標準樣本來學習，可以準確找到最佳小波系數。由于閾值具有了自學習能力，所以可處理的噪聲類型不僅僅限于特定的噪聲信號，而且可使測產系統應用于更多復雜多變的地形。神經網絡的激勵函數選取非線性Daubechies(db6)小波及其尺度函數，以形成神經元，結構如圖3所示。

圖3 小波神經網絡結構

2)輸出層功能是應用神經網絡在閾值量化后的小波分解因子來重建信號，輸出結果為

(1)

3)隱含層中首層有2種單元：①尺度函數Φ(x)單元ΦL,k。其中，尺度L根據實際情況的需要確定，位移K的相關取值對應小波函數分析的系數中j=K的各k值，構成對函數的最優逼近。②尺度函數ψ(x)單元ψj,k。其中，尺度j=1,2,3,…,L，而位移k與尺度函數單元中的K值類似，構成對函數的細節逼近。

4)兩個隱含層的權重是小波分解系數，其由Mallet算法的迭代計算確定。閾值θ由神經網絡的學習得出。

1.2 小波神經網絡的消噪算法

設Y'(n)是實際輸出，Y(n)是標準樣本，則學習的誤差為

(2)

其中，N為信號采樣長度。

應用梯度下降法，調整閾值θ，令誤差平方和趨于無窮小量ε，幅度為

民辦教育機構功能的異化，而其他關注人們心靈與精神健康的社會組織類型又較為缺乏，因此，當人們由于種種原因遇到挫折和困難時，看不到前途與方向時，找不到傾訴的對象，得不到需要的幫助，由此產生了一些本可避免的悲劇。近年來，不斷上升的自殺率、離婚率、輟學率、再犯罪率以及抑郁癥患病率等不得不引起我們的極大關注。因此，我們要更多地鼓勵、培育社會組織關注及滿足人們的心靈及精神需求，利用社會組織多元性的特征，更多地發現人們的需求，更多地滿足人們的需求，社會組織要更多地充當舒緩焦慮、慰藉人心的緩沖器，更多地守護人們的心理、精神健康。

(3)

其調整過程為

θj(n+1)=θj(n)+μΔθj

(4)

其中，μ為調整系數，μ∈(0,1)。

進行循環迭代，當|θj(n+1)-θj(n)|<ε時，停止迭代計算。

去噪算法步驟：

1)選取適當正交歸一化后的小波尺度函數，對輸入的每一維構造一個多分辨率系數網格。最高分辨率(j=0)時，網格間隔等于輸入的每一維的采樣間隔；最低分辨率(j=L)時，則只有2個數據點。

2)根據輸出信號的特點進行RIGRSURE閾值量化，來消除測產過程中引入的大部分噪聲。

3)當j=L時，用輸入數據訓練Φ單元。

4)如果式(2)得出的誤差不滿足濾波要求，則再加入合適的ψ單元，直到滿足要求為止。

當小波神經網絡平穩時，網絡存儲了小波分解的閾值和層數等特性，這時網絡輸出的信號為實際信號最佳逼近。

2 振動信號分析

2.1 振動信號的產生

引起收割機振動的原因很多，如發動機自身引起周期性振動、地面溝壑引起的隨機振動，以及剎車、轉變方向、速度變化等引起的不規則振動。由于這些因素使得傳感器的信號輸出中摻雜了復雜的干擾噪聲，所以很難對測量信號進行定量分析，動態測產的精度無法保障。因此，去除信號里的噪聲信號、提高噪聲比成為了提高測產精度的一種可行方法。

本文針對這一問題，提出以小波變換結合神經網絡的方法來研究收割機傳感器信號中噪聲的特征。其中，小波變換可以從信號中濾出有效信息，并通過小波基的縮放和平移等特性對信號進行更多細節分析。從根本上來說，小波變換的與傅立葉變換類同，但小波變換對于信號部分描述及特征的分離精確度更高，而且小波變換展開的系數對應的是相應部分的原信號，不會影響整段信號。小波變換的基礎是可變的，再根據神經網絡的自適應能力不斷調整變換的系數，可以根據信號來推導新的系數，這對于分析瞬時隨機信號非常有用。

2.2 振動信號處理

2016年10月，在河北某地進行了玉米果穗收獲田間試驗，采集了收獲過程中玉米對沖量傳感器的輸出信號。測產試驗平臺為時風牌4YZP-20型玉米收割機，如圖4所示。其工作幅寬為1.070m，收獲行數為2行。收獲機喂入量在 0～2.5 kg/s 范圍內，作業速度控制在4km/h內。

圖4 田間測產

圖5為選取的一段傳感器輸出信號。由圖5可以看出，輸出信號中存在明顯的噪聲信號。目前，有關振動干擾對測產影響的研究大多從硬件改善及簡單的數字濾波入手，此類研究受沖擊信號強弱的制約，且受限于振動干擾噪聲分布較隨機的影響，導致測產范圍不夠全面。因此，如何將有效的消除強干擾噪聲混合信號，仍然是沖量式流量傳感器的研究重點。

圖5 傳感器輸出信號

用MatLab軟件進行仿真，分別對采集的信號采用IIR濾波器和小波神經網絡方法進行降噪處理。兩種處理方法下的降噪效果如圖6、圖7所示。

圖6 IIR濾波后信號

圖7 小波神經網絡去噪后信號

圖中數據表明：數字濾波后，輸出信號中的隨機噪聲已大為減少，但還存在部分不容易濾除的干擾信號，降低了振動噪聲，但效果不佳；而經過小波神經網絡方法處理后的濾除效果更好，振動信號明顯減弱。這表明，小波神經網絡方法比數字濾波去噪效果更佳。

3 測產試驗結果

為了驗證流量傳感器測量結果的準確性，在收割機模擬試驗臺上，用測量系統實時測量了給定質量的谷物。通過測產系統計算出谷物總產量，進行了 6 組不同的測量試驗，并且每次試驗重復測量3次，根據沖量傳感器輸出信號由測產系統計算谷物產量。由稱重傳感器人工稱量每組實驗玉米果穗的實際質量，將沖量傳感器的測量值和人工稱質量實際質量進行比較，結果如表1所示。

表1 實驗數據結果

由表1數據得出：測產試驗的平均相對誤差為2.14%；小波神經網絡方法可有效消除振動噪聲對流量傳感器輸出信號的影響，有效地提高了測產精度。

4 結論

收割機振動信號是由車身振動和地面溝壑沖擊等條件引起的，是一種不規則的信號，對測產系統的精度造成了很大誤差。為了從輸出信號中提取強噪聲信號并減小測量誤差， 本文提出融合小波分析的高分辨率的特點和人工神經網絡自學習的特性，提出了應用小波神經網絡對信號消噪處理的方法。實驗仿真結果表明：試驗平均相對誤差為2.14% ，驗證了小波神經網絡去噪方法的有效性。

本文的工作僅僅是測產研究的一小部分，因為測產信號存在較多的微弱信號和更多未知的影響因素，以后應充分考慮更多的影響因素，采取軟硬件結合的方式能更有效地提高測產精度。

參考文獻：

[1] 周俊,劉成良.平行梁沖量式谷物質量流量傳感器信號處理方法[J].農業工程學報,2008(24):183-187.

[2] 胡均萬,羅錫文,阮歡,等.雙板差分沖量式谷物流量傳感器設計[J].農業機械學報,2009(4):69-72.

[3] 王志全,楊方,歐陽斌林,等.聯合收割機實時測產系統的抗振動干擾設計[J].東北農業大學學報,2011,42(2):38-42.

[4] 譚玉芳,楊方.自適應噪聲對消在抑制振動干擾中的應用[J].農業科技裝備,2010(2):44-46.

[5] 汪懋華.“精細農業”發展與工程技術創新[J].農業工程學報,1999(1):1-8.

[6] 孫萬麟,朱超.一種融合小波包分析和神經網絡的信號消噪[J].現代制造工程,2015(8):132-135.

[7] 岑翼剛,慰宇,孫德寶. 小波閾值神經網絡在信號去噪及預測中的應用[J].控制理論與應用,2008,25(3):485-491.

[8] 張德豐. MatLab小波分析 (2版)[M].北京:機械工業出版社,2012.

[9] 張瑞,呂文紅,張瑞璽.基于神經網絡自適應濾波的車輛動態稱重系統研究[J].公路交通科技,2010,27(7):138-141.

[10] 李新成.谷物聯合收割機產量監測系統優化及遠程數據開發[D].北京:中國農業大學, 2015.

[11] 譚玉芳. 聯合收割機測產系統振動信號的抑制研究[D].哈爾濱:東北農業大學，2010.

[12] 武佳.谷物智能測產及遠程監控系統開發[D].北京:中國農業大學，2013.

[13] 姜國微,邱白晶,解金鍵,等.谷物質量流量測量裝置的設計與試驗[J].農機化研究，2012,34(3):155-158.

[14] 馬超興.激光式谷物質量流量測定方法與試驗研究.[D].鎮江:江蘇大學,2010.

[15] 陳進,寧小波,李耀明,等.聯合收獲機前進速度的模型參考模糊自適應控制系統[J]．農業機械學報,2014,45(10):87-91.

[16] 李正周.MATLAB數字信號處理與應用[M].北京:清華大學出版社,2008.

[17] 劉麗梅,劉齊躍,張靜.基于小波變換模極大值的去噪方法研究[J].河北工業科技,2010,27(6):367-372.

[18] 張強.強噪聲背景下噪聲對消技術的研究[D].大連:大連海事大學,2010.

[19] 段永剛,馬立元,李永軍,等.基于小波分析的改進軟闊值去噪算法[J].科學技術與工程,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