玉米收獲機發動機服役狀態趨勢分析與預警

摘要：為提高服役狀態下玉米收獲機發動機運行的穩定性，以發動機運行數據為分析對象，計算發動機的一個穩定性運行趨勢曲線，用以判斷發動機是否處于穩定性狀態。首先通過獲取發動機ECU系統中的運行數據，對發動機正常運行下的數據進行歸一化處理，然后基于遺傳算法優化的BP神經網絡建立預測模型。以發動機轉速、農機速度、冷卻液溫度、系統電壓4個參數作為輸入對機油壓力的數值進行預測，最終預測模型的決定系數達到0.88，證明預測模型擬合度較高，能準確地對發動機的機油壓力做出預測。而發動機在正常運行的情況下，機油壓力的預測偏差較小，以大量正常運行的機油壓力預測值與實際運行值的殘差結合實際運行值構建基準向量集合，再以20 000條正常的機油壓力的運行預測值與實際運行值的殘差結合實際運行值構建評估向量，利用馬氏距離計算每個評估向量到基準向量集合的距離值，該距離值可代表發動機正常運行狀態下的一個穩定性的指標值。結果表明：得到的20 000個指標值具有一定的聚集性，指標值的大小穩定在0～10之間，所以該指標值在時間序列的一個趨勢曲線可以代表發動機服役狀態下的一個穩定的趨勢，用以判斷發動機處于正常或異常狀態。

關鍵詞：玉米收獲機；發動機；機器學習；狀態預測；馬氏距離；趨勢分析

中圖分類號：S225.5+1

文獻標識碼：A

文章編號：20955553 （2024） 070160

06

Trend analysis and early warning of engine service status of corn harvester

Tang Keji1， Sun Wenlei2， Yang Yang1， Kong Delong1

（1. School of Business， Xinjiang University， Urumqi， 830047， China；

2. School of Modern Industry of Intelligent Manufacturing， Xinjiang University， Urumqi， 830047， China）

Abstract：

In order to improve the operating stability of the corn harvester engine in service， the engine operation data is taken as the analysis object， and a stability operation trend curve of the starter is calculated to judge whether the engine is in a stable state. Firstly， by obtaining operational data from the engine ECU system， the data under normal engine operation is normalized. Then， a prediction model is established based on a BP neural network optimized by genetic algorithm. Predicting the numerical value of oil pressure using four parameters： engine speed， agricultural machinery speed， coolant temperature， and system voltage as inputs， and the final decision coefficient of the prediction model reaches 0.88， which proves that the prediction model has a high degree of fit and can accurately predict the engine oil pressure. Under normal operation of the engine， the predicted deviation of oil pressure is relatively small. The benchmark vector set is constructed by combining the residual of a large number of normal operation oil pressure predicted values and actual operation values with the actual operation values， and the evaluation vector is constructed by combining the residual of 20 000 normal operation oil pressure predicted values and actual operation values with the actual operation values. The distance value between each evaluation vector and the reference vector set is calculated by using Markov distance. This distance value can represent a stability index value under the normal operation state of the engine. The analysis results show that the 20 000 index values obtained have a certain aggregation， and the index value is stable between 0 and 10. Therefore， a trend curve of this index value in the time series can represent a stable trend under the service state of the engine， and can be used to judge whether the engine is in normal or abnormal state.

Keywords：

corn harvester; engine; machine learning; state prediction; Mahalanobis distance; trend analysis

0 引言

農機裝備的智能測控是農機未來的運維方向，目前農機裝備精準監控技術和農機作業智能決策與管理技術已經在國內外得到了大量的應用［1］，國外將許多現代科學先進技術系統應用于玉米收獲機上，使玉米收獲機的智能化水平有了顯著的提升［2， 3］，目前針對農機戶外作業難以監控的問題，杜志偉等［4］提出了一種基于物聯網的農機狀態監控系統，能夠實時地采集農機運行數據，主要的作用在于保證農機在工作的過程中保持正常的工作狀態，避免設備出現故障，導致人力、物力的浪費。所以農機的設備狀態監測在農機設備管理的領域是非常重要的內容［5， 6］。而對于農機設備的智能化改造，需要關注的不僅是技術上的改進和提升，還更要關注監測數據上的應用。利用數據進行設備或系統進行狀態分析的研究在很多領域目前已經有了很多體現。如建立以歷史的正常和故障數據為基礎，以算法對數據進行分析的故障診斷模型［7］，或者建立基于數據驅動的故障智能預測及預警方法，以實現對具有遞增或遞減趨勢的監測數據的預測及預警［8］，還有采用設備故障趨勢數據，并利用大數據分析技術預測設備故障發生的趨勢變化，建立設備故障預測模型［9］以及采集農機設備狀態數據，基于狀態數據提取農機的狀態特征，利用數據挖掘技術建立農機的智能狀態檢測模型等。

基于此，本文提出利用玉米收獲機發動機的運行數據，以馬氏距離法，計算在其服役狀態下，實時運行數據到正常的運行數據為基準的集合的距離值，得到服役狀態下發動機的運行趨勢曲線，用以判斷發動機的運行狀態。

1 發動機運行狀態數據采集與處理

基于發動機ECU系統收集到的玉米收獲機發動機的狀態數據目前有5個，主要包括發動機轉速、農機速度、系統電壓、機油壓力及冷卻液溫度。采集的數據如表1所示。

并不是所有的運行參數都可以有效地反映發動機的運行狀態，因此，需進行預測參數的選擇，再進行發動機的狀態預測，然后根據預測數據合理地對其服役狀態進行趨勢分析。對此，采用皮爾遜相關系數［10］對發動機的每個狀態參數進行分析，皮爾遜相關系數的主要作用為計算出玉米收獲機發動機的每個運行參數之間的一個相關性，量化的表示參數之間的關聯性，如式（1）所示。

σAσB=cov（A，B）σAσB=E［（X－μA）（Y－μB）］σAσB

（1）

式中：

A、B——不同參數變量；

cov（A，B）——A和B的協方差；

σA、σB——A、B的標準差；

E——變量A與B的協方差；

μA、μB——參數A和參數B的均值。

已知A、B的數據量為n時，A、B之間的皮爾遜相關系數

r=∑ni=1（Ai－A-）（Bi－B-）∑ni=1（Ai－A-）2∑ni=1（Bi－B-）2

（2）

設V1表示發動機轉速，V2表示農機速度，V3表示系統電壓，V4表示機油壓力，V5表示冷卻液溫度，而皮爾遜相關系數取值范圍為［-1，1］，根據計算結果，可以得出發動機參數V1～V5之間兩兩相關的一個關聯程度。當兩個參數之間的|r|越接近1，則表示變參數的關聯程度越強；反之，其關聯程度越弱，根據式（2）計算得到ECU采集回來的發動機運行狀態參數之間的關聯程度如表2所示。

皮爾遜相關系數通常情況下通過以下取值范圍判斷變量的相關強度：0.8～1為極相關強；0.6～0.8為強相關；0.4～0.6為弱相關；0.0～0.2為極弱或不相關［11］。根據發動機各運行狀態的相關性來看，V4與V1具有強相關；V4與V2具有中等強度相關，所以選擇機油壓力為預測特征。

玉米收獲機發動機ECU系統內監測的參數包括發動機轉速、冷卻液溫度、機油壓力等參數，由于這些參數的量綱和量程的不一致，導致數據的差異性大，這樣的差異性容易對模型產生一定的影響，所以在大部分機器學習中，都會對這些不同的物理量參數進行歸一化［12］的處理，可以有效提升機器學習模型的精確性。所以在對數據進行處理的時候，采用最大及最小的標準化方法將每個特征變量范圍縮放到［0，1］區間內。定義如式（3）所示。

x*=x－minXmaxX－minX

（3）

式中：

X——發動機ECU系統采集的參數；

x——參數的原始數值；

x*——歸一化后的數值。

根據式（3），對發動機ECU系統中采取到的30 000條運行參數進行歸一化處理，然后使用算法進行數據訓練。

2 基于機器學習的發動機運行狀態預測

機器學習［13］是常用的狀態預測方法之一，所以對發動機的服役狀態下的一個狀態預測可以用機器學習的相關算法，以服役狀態下的發動機的歷史運行數據為基礎，結合算法進行數據訓練得出其在未來一段時間的運行狀態，并且為得到更精確的結果，還應對算法進行一定的優化。基于上面特征向量相關性分析，預測模型建設如圖1所示，訓練樣本選擇發動機轉速、系統電壓、農機車速和冷卻液溫度這4個參數作為輸入訓練數據樣本，機油壓力作為輸出。

2.1 基于BP神經網絡的機油壓力狀態預測

BP神經網絡［14］是一種多層前饋神經網絡，采用誤差反向傳播訓練學習，具有非線性映射的能力，是機器學習在常用的算法之一。其拓撲結構包括輸入層、隱含層和輸出層，圖2為結構示意圖，Xi（i=1，2，…，m）表示輸入值，Yj（j=1，2，…，n）表示輸出值，wik為輸入層與隱含層的連接權值，wjk為隱含層與輸出層的連接權值。

將發動機轉速、農機速度、冷卻液溫度、系統電壓4個參數作為輸入信號X=［x1，x2，x3，x4］，隱含層數設置為8，當輸入信號X通過輸入層到隱含層時，經過與隱含層權重矩陣W1的計算，再加上每個神經元的偏置值B1，得到U值，U值通過BP神經網絡里輸入層至隱含層的transig傳遞函數計算，可以獲得接收矢量Z1。

U=W1TX+B1

（4）

Z1=f（U）=f（W1TX+B1）

（5）

當矢量Z1通過隱含層到輸出層時，通過與輸出層權重矩陣W2的計算，再加上隱含層每個神經元的偏置值B2，計算結果Z2通過輸入層到隱含層的purelin傳遞函數，獲得最終的輸出值Y。

Z2=W2TZ1+B2=W2T［f（W1TX+B1）］+B2

（6）

Y=f2（Z2）=f2{W2T［f（W1TX+B1）］+B2｝

（7）

基于BP神經網絡的運行狀態預測模型包括2個階段，首先是輸入信號X作為工作信號由輸入層到輸出層正向傳播，然后輸出值的誤差信號則是反向傳播。這兩個階段不斷重復進行著，以此來不斷調整網絡的權值和偏置值，直到預測值與實際值的誤差達到最小為止，達到機油壓力的狀態預測效果。

2.2 基于遺傳算法優化BP神經網絡預測模型

BP神經網絡的學習速度較慢，且在進行計算的過程中容易使結果陷入局部極小值。所以為了得到最優結果，可以使用遺傳算法對其進行優化，通過遺傳算法的群種初始化、適應度函數、選擇操作、交叉操作和變異操作［15］對最開始創建網絡訓練得到的初始閾值和權值進行迭代優化，得到最優的結果，反饋回初始的BP神經網絡模型，可以得到最優的預測模型，優化過程如圖3所示。

1） 初始值編碼。初始值編碼主要確定BP神經網絡的輸入為發動機轉速、農機速度、冷卻液溫度、系統電壓4個輸入節點，輸出為機油壓力預測值，對BP神經網絡中的權值W1和W2及偏置值B1和B2進行編碼，然后組成染色體。

2） 適應度函數選擇。BP神經網絡的誤差平方和越小，預測模型的性能就越好，所以BP神經網絡是一個最小化優化問題，故適應度函數可用誤差平方和的倒數來表示，即

t=1e=1∑ni=1（yi－y^i）2

（8）

式中：

e——預測模型的輸出誤差；

yi——第i個實測值；

y^i——第i個預測值。

3） 選擇操作。選擇操作主要為選取適應度較高的染色個體，然后將適應度較低的染色體淘汰掉。

4）" 遺傳操作。通過交叉操作以及變異操作生成新的種群。

5）" 重復步驟（2）～步驟（4），反復修正網絡的權值和偏置值，直到滿足訓練要求為止，將最優的個體［W1，W2，B1，B2］反饋回BP神經網絡，達到最優的預測效果。

2.3 運行狀態仿真預測結果

根據GA-BP神經網絡算法，基于上文中對ECU采集到的30 000個數據進行訓練，然后對發動機的機油壓力狀態進行預測，預測的數據量為20 000條，遺傳算法的參數設置如表3所示。

圖4為訓練過程中的適應度變化，可以看到適應度迭代10次以后開始平緩增長，直到迭代到30次后，基本沒有變化，證明預測模型在迭代到30次后，預測效果達到最優，圖5為部分預測結果。

機油壓力預測模型具體的預測效果由以下3個評價指標進行評價［16］。

平均絕對誤差

MAE=1n∑nj=1y^j－yj

（9）

平均絕對百分比誤差

MAPE=1n∑nj=1y^j－yjyj×100%

（10）

決定系數

R2=1－SSESST

（11）

SSE=∑nj=1（yj－y^j）2

SST=∑ni=1（yj－y-j）2

式中：

SSE——誤差平方和；

SST——總平方和。

從表4可以看到，不管是BP神經網絡還是GA-BP神經網絡預測模型，其決定系數都達到了0.8以上，可以判斷模型的預測結果擬合度較高，而不管是平均絕對誤差或者平均絕對百分比誤差，GA-BP神經網絡都要比BP神經網絡要小，可以得到GA-BP神經網絡比BP神經網絡預測結果要更優。

3 發動機服役狀態趨勢判斷與預警

當發動機處于正常的服役狀態時，發動機的每個運行參數之間數據關系應符合一個正常的數學模型，根據這些正常運行狀態數據進行預測模型訓練，對機油壓力進行預測，發動機運行狀態的預測值正常情況下，與實際的運行值相比，預測偏差較小。所以可以結合預測偏差r=y^－y和真實值y，構建正常狀運行狀態的特征向量z=［r，y］。以發動機正常運行狀態下的z=［r，y］為基準，通過度量測試其他數據構建的特征向量到基準向量的距離來判斷發動機當前的狀態是否穩定。而度量測試主要采用了距離度量方法中的馬氏距離［17］，如果發動機處于穩定的狀態，其計算馬氏距離值應穩定地處于一定的范圍。馬氏距離主要表達數據的一個協方差距離，根據特征向量集合z∈R1×m的一個均值μ∈R1×m，及樣本集合的協方差矩陣S，如式（12）所示。

DM（z）=（z－μ）S－1（z－μ）T

（12）

基于式（12），以發動機的一個實時數據構建的特征向量z=［r，y］為觀測變量，定義穩定指標值為

DM（zk）=（zk－μn）Sn（zk－μn）T

（13）

式中：

zk——

發動機k時刻樣本特征向量，zk=［rk，yk］；

DM（zk）——

k時刻發動機的穩定性指標；

μn——

發動機正常運行狀態下構建的特征向量集合z的均值；

Sn——

特征向量集合z的一個協方差矩陣。

當選擇的特征向量zk均為發動機正常運行狀態下所采集的數據構建而成時，根據式（13）計算出來DM（zk）即可以代表發動機服役狀態下k時刻的一個穩定性指標。

通過上文的分析結果，選擇了GA-BP神經網絡模型作為運行狀態的預測模型，并且完成了20 000條機油壓力的狀態數據預測，以這20 000條預測數據集，結合數據的預測殘差構建特征向量z，再選擇大量的實時數據基于上述的預測訓練模型，進行機油壓力的狀態預測，并且構建驗證數據集，計算驗證數據集中的特征向量zi到基準z的馬氏距離，得到發動機穩定性運行的狀態指標。狀態指標值的散點圖如圖6所示。

對正常服役狀態下穩定性指標的分布特征進行研究。計算出來的穩定指標值，具有一定的聚集趨勢，所以采用核密度［18］方法對計算結果進行估計。從圖7可以看出，基于核密度估計的概率密度分布與穩定性指標基于直方圖分布非常貼合。

在核密度估計得到的概率密度分布的基礎上，積分得到其累積分布曲線，如圖8所示。根據其累積分布曲線，取置信值d=95%，得到DM（0.95）=5.289，根據DM（0.95）對發動機的狀態進行判斷，如果DM（0.95）≤5.289，發動機處于穩定狀態，如果DM（0.95）≥5.289，發動機處于異常狀態。

該指標性指標隨時間順序排列，可以作為服役發動機穩定情況的一個趨勢曲線圖，由于發動機的穩定性指標計算是基于發動機的預測偏差值再結合設備實際的運行數據構建而成，所以預測的誤差及實際數據的異常都會導致該曲線圖出現異常的波動，如圖9所示。

基于預測誤差或其他不穩定因素的原因，指標值的計算會出現超過上文計算的DM值，但是這類異常值同時存在一個規律，就是具有起伏性，并不連續，所以為了避免這類型的超標閾值導致誤判的情況，對設備是否進入異常狀態設置兩個輔助條件。

條件1為檢測到第一個異常閾值后，穩定性指標持續異常，處于異常狀態，且出現次數達到20次后，判定發動機處于異常狀態。

條件2為檢測到第一個異常閾值后，穩定指標值處于異常但不持續，連續累積次數不能達到20次。不能判斷發動機為異常狀態；因此，輔助條件考慮到了實際情況存在預測誤差導致穩定指標出現異常，有效地減少這種非設備異常的誤判。

4 結論

1） 根據機器學習對服役狀態下的發動機的趨勢進行預測，預測模型的決定系數達到0.88，模型的擬合度較高，并對比GA-BP神經網絡和BP神經網絡的平均絕對誤差和平均絕對百分比誤差，基于指標值越低，預測效果更好的原則，GA-BP的這兩個指標分別為29.94和0.075 6，均低于BP神經網絡的30.41和0.076 7，證明遺傳算法可以有效優化BP神經網絡的預測模型，使預測的效果更好。

2）" 基于預測殘差和真實值構建評估向量，根據馬氏距離法可以有效地計算出發動機的穩定性指標，進一步研究穩定性指標的分布情況，得到指標的分布主要在0～10之間，根據其累積分布曲線，選擇置信度，計算出判斷其穩定性的閾值DM為5.289。

3）" 基于時間順序對穩定性指標進行分析，發現基于預測誤差的原因，指標容易出現超出穩定性的閾值，為了更好地對發動機的穩定或者異常情況進行區分，基于發動機穩定性指標的變化情況設計異常情況判斷的輔助條件，可有效減少誤報警的發生。

參 考 文 獻

［1］翟長遠， 楊碩， 王秀， 等. 農機裝備智能測控技術研究現狀與展望［J］. 農業機械學報， 2022， 53（4）： 1-20.

Zhai Changyuan， Yang Shuo， Wang Xiu， et al. Status and prospect of intelligent measurement and control technology for agricultural equipment ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（4）： 1-20.

［2］張真， 遲瑞娟， 杜岳峰， 等. 基于CAN總線的玉米收獲智能控制系統研究［J］. 農業機械學報， 2018， 49（S1）： 275-281.

Zhang Zhen， Chi Ruijuan， Du Yuefeng， et al. Investigation on CAN-bus-based corn harvester intelligent control system ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（S1）： 275-281.

［3］崔濤， 樊晨龍， 張東興， 等. 玉米機械化收獲技術研究進展分析［J］. 農業機械學報， 2019， 50（12）： 1-13.

Cui Tao， Fan Chenlong， Zhang Dongxing， et al. Research progress of maize mechanized harvesting technology ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（12）： 1-13.

［4］杜志偉， 郝鳳琦， 程廣河， 等. 基于物聯網的農機狀態監控系統研究［J］. 中國農機化學報， 2019， 40（11）： 189-194.

Du Zhiwei， Hao Fengqi， Cheng Guanghe， et al. Research on agricultural machinery state monitoring terminal based on Internet of Things ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（11）： 189-194.

［5］孔德剛， 趙永超， 劉立意， 等. 大功率農機作業效率與機組合理運用模式的研究［J］. 農業工程學報， 2008（8）： 143-146.

Kong Degang， Zhao Yongchao， Liu Liyi， et al. Investigation of work efficiency of high-power agricultural machinery and reasonable application pattern of tractor-implement units ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2008（8）： 143-146.

［6］康康， 陳忠國， 王林鳳， 等. 基于物聯網的移動式農機設備監控系統［J］. 江蘇農業科學， 2018， 46（1）： 169-173.

Kang Kang， Chen Zhongguo， Wang Linfeng， et al. Monitoring system of mobile agricultural machinery equipment based on Internet of Things ［J］. Jiangsu Agricultural Sciences， 2018， 46（1）： 169-173.

［7］林毅， 吉鴻江， 韓佳佳， 等. 一種基于馬氏距離的系統故障診斷方法［J］. 計算機科學， 2020， 47（S2）： 57-63.

Lin Yi， Ji Hongjiang， Han Jiajia， et al. System fault diagnosis method based on mahalanobis distance metric ［J］. Computer Science， 2020， 47（S2）： 57-63.

［8］紀玉清， 歐冬秀， 李永燕， 等. 基于數據驅動的軌道電路故障預測及預警方法研究［J］. 城市軌道交通研究， 2022， 25（7）： 30-33.

Ji Yuqing， Ou Dongxiu， Li Yongyan， et al. Research ondata-driven methods of fault prediction and early warning for track circuits ［J］. Urban Mass Transit， 2022， 25（7）： 30-33.

［9］徐勇. 基于大數據的船舶故障趨勢預測［J］. 艦船科學技術， 2021， 43（18）： 178-180.

Xu Yong. Ship fault trend prediction based on big data ［J］. Ship Science and Technology， 2021， 43（18）： 178-180.

［10］Benesty J， Chen Jingdong， Huang Yiteng， et al. Pearson correlation coefficient ［J］. Noise Reduction in Speech Processing. Springer， 2009： 1-4.

［11］邵凡， 陳辰， 葛淼佳， 等. 基于電網線損的皮爾遜算法分析［J］. 科技創新與應用， 2017（14）： 54-55.

［12］湯榮志， 段會川， 孫海濤， 等. SVM訓練數據歸一化研究［J］. 山東師范大學學報（自然科學版）， 2016， 31（4）： 60-65.

Tang Rongzhi， Duan Huichuan， Sun Haitao， et al. Research on data normalization for SVM training ［J］. Journal of Shandong Normal University （Natural Science）， 2016， 31（4）： 60-65.

［13］肖乾浩. 基于機器學習理論的機械故障診斷方法綜述［J］. 現代制造工程， 2021（7）： 148-161.

Xiao Qianhao. Review on mechanical fault diagnosis methods based on machine learning theories ［J］. Modern Manufacturing Engineering， 2021（7）： 148-161.

［14］牛華. 基于改進BP神經網絡的汽車發動機故障診斷［J］. 組合機床與自動化加工技術， 2021（5）： 57-61.

Niu Hua. Fault diagnosis of automobile engine basedon improved BP netural network ［J］. Modular Machine Tool amp; Automatic Manufacturing Technique， 2021（5）： 57-61.

［15］俞美鑫， 施衛， 蔣龍， 等. 基于GA-BP神經網絡的動力鋰電池SOC估算［J］. 電子技術應用， 2020， 46（1）： 104-107， 112.

Yu Meixin， Shi Wei， Jiang Long， et al. SOC estimation of power lithium battery based on GA-BP neural network ［J］. Application of Electronic Technique， 2020， 46（1）： 104-107， 112.

［16］鹿宇， 李銳， 高巖， 等. 熱力站日供熱量影響因素篩選與神經網絡預測［J］. 煤氣與熱力， 2022， 42（5）： 6-9， 36.

Lu Yu， Li Rui， Gao Yan， et al. Screening of influencing factors of daily heating capacity of heating stations and neural network prediction ［J］. Gas amp; Heat， 2022， 42（5）： 6-9， 36.

［17］Maesschalck R D， Jouan-Rimbaud D， Massart D L. The Mahalanobis distance ［J］. Chemometrics and Intelligent Laboratory Systems， 2000， 50（1）： 1-18.

［18］安宗文， 張永明， 馬強， 等. 基于核密度估計的性能退化數據建模分析方法［J］. 蘭州理工大學學報， 2019， 45（3）： 34-38.

An Zongwen， Zhang Yongming， Ma Qiang， et al. Analysis method of product performance degradation with data modeling based on kernel density estimation ［J］. Journal of Lanzhou University of Technology， 2019， 45（3）： 34-38.