论文部分内容阅读
随着居民生活质量的逐步改善，奶、蛋、肉制品等需求量大幅提升，畜牧业的发展以及饲料作物的种植与生产变得尤为重要。青贮玉米是牛、羊等家畜饲料的主要来源，需求量较大。青贮饲料收获机是青贮作物的收获与制备机械，其高效智能化作业是提高生产率的前提。青贮饲料收获机结构复杂，其作业重复频繁，易受到作物密度和地形的影响，堵塞故障率高居不下。传统的故障诊断主要依赖操作者经验以及单一参数阈值判断，诊断准确率与效率较低，不能准确判断青贮饲料收获机运行状态，及时给出操作建议。因此，快速、准确地诊断青贮饲料收获机工作状态是亟待解决的问题。
目前，青贮饲料收获机的研究主要集中在机具优化上，较少对其故障诊断进行研究。项目以青贮饲料收获机为研究对象，针对堵塞故障，构建故障诊断模型并予以优化，为堵塞故障预测预警，从而提高青贮饲料收获机工作效率。
(1)针对青贮饲料收获机堵塞故障的特点，确定故障诊断模型的输入特征。通过数据采集设备获取与堵塞故障相关联的参数;运用FisherScore算法分析参数相关性，选择与堵塞故障相关性最大的参数作为模型的输入变量。确定模型的输入特征为前进速度、切碎滚筒速度、籽粒破碎器转速和风机转速。
(2)构建故障诊断模型。针对随机森林中传统决策树分类精度不高的问题，提出了一种基于改进随机森林算法(RFNB算法)的多参数故障诊断方法。其思路:构建决策树时，随机森林为决策树的每个节点构造一个朴素贝叶斯分类器，采用朴素贝叶斯树代替随机森林中的传统决策树建立故障诊断模型。通过网格搜索法对诊断模型参数寻优，确定诊断模型的最佳参数。
(3)模型性能评估。比较分析改进随机森林(RFNB)算法与TCRF算法、随机森林(RF)算法、支持向量机(SVM)算法及logistic回归(LR)算法的诊断结果。采用混淆矩阵、ROC曲线及泛化误差等指标评估RFNB算法的性能。结果表明:改进随机森林算法提高了故障分类的准确率，泛化能力强，诊断方法更加可靠。实验所建立的模型能够准确地识别青贮饲料收获机的故障状态，具有良好的鲁棒性，为大型农业机具的故障监测与预警提供理论参考。
目前，青贮饲料收获机的研究主要集中在机具优化上，较少对其故障诊断进行研究。项目以青贮饲料收获机为研究对象，针对堵塞故障，构建故障诊断模型并予以优化，为堵塞故障预测预警，从而提高青贮饲料收获机工作效率。
(1)针对青贮饲料收获机堵塞故障的特点，确定故障诊断模型的输入特征。通过数据采集设备获取与堵塞故障相关联的参数;运用FisherScore算法分析参数相关性，选择与堵塞故障相关性最大的参数作为模型的输入变量。确定模型的输入特征为前进速度、切碎滚筒速度、籽粒破碎器转速和风机转速。
(2)构建故障诊断模型。针对随机森林中传统决策树分类精度不高的问题，提出了一种基于改进随机森林算法(RFNB算法)的多参数故障诊断方法。其思路:构建决策树时，随机森林为决策树的每个节点构造一个朴素贝叶斯分类器，采用朴素贝叶斯树代替随机森林中的传统决策树建立故障诊断模型。通过网格搜索法对诊断模型参数寻优，确定诊断模型的最佳参数。
(3)模型性能评估。比较分析改进随机森林(RFNB)算法与TCRF算法、随机森林(RF)算法、支持向量机(SVM)算法及logistic回归(LR)算法的诊断结果。采用混淆矩阵、ROC曲线及泛化误差等指标评估RFNB算法的性能。结果表明:改进随机森林算法提高了故障分类的准确率，泛化能力强，诊断方法更加可靠。实验所建立的模型能够准确地识别青贮饲料收获机的故障状态，具有良好的鲁棒性，为大型农业机具的故障监测与预警提供理论参考。