陈 进，龚丽霞，李耀明

（1.江苏大学机械工程学院，江苏 镇江 212013；2.江苏大学现代农业装备与技术教育部重点实验室，江苏 镇江 212013）

基于FNN的联合收割机故障诊断系统研究

陈 进1，龚丽霞1，李耀明2

（1.江苏大学机械工程学院，江苏 镇江 212013；2.江苏大学现代农业装备与技术教育部重点实验室，江苏 镇江 212013）

为解决切纵流联合收割机故障诊断过程中输入量的非线性问题，设计基于FNN算法的联合收割机故障诊断系统。传感器采集待测部件的转速值为系统输入值，对输入值进行模糊处理得到模糊输入值，将模糊输入输出作为神经网络的输入输出，在Matlab中对神经网络进行离线训练得到故障诊断规则表，实际使用中只需在PLC中查询规则表即可得到故障诊断结果。实验结果表明：基于FNN的故障诊断系统能很好地解决系统的非线性问题，可以实时反映联合收割机的故障情况，使其尽可能保持高效率的工作状态。

联合收割机；模糊算法；神经网络；故障诊断

0 引 言

切纵流联合收割机在田间作业时，速度过快会使得喂入量过大从而造成割台搅龙、输送槽、切流滚筒、纵轴流滚筒和输粮搅龙等转动部件的堵塞，影响收割机的作业质量[1-2]，基于此，国内外学者在联合收割机智能监测和故障诊断方面做了较多的研究[3-5]。Geert Craessaerts等[6]设计了基于SOM监督系统和BP网络技术的故障系统，并应用到了荷兰CX联合收割机的传感器故障检测和隔离中，使得检测到传感器故障成为可能。易立单[7]设计的故障诊断系统，选取了5个参数作为特征向量来对收割机的转轴转速连续变化过程等方面进行监测。上述研究虽然在故障的提前预警方面有很好的效果，但是由于没有考虑到联合收割机的非线性特性，所以效果不是很理想。本文提出基于模糊神经网络（fuzzy neural network，FNN）算法建立切纵流联合收割机的堵塞故障诊断模型，将模糊算法和神经网络算法[8-9]相结合，建立联合收割机堵塞故障诊断的各种故障征兆与故障类型之间的非线性映射关系，实现故障诊断和定位，解决联合收割机的堵塞故障诊断问题。

1 基于FNN的联合收割机故障诊断系统设计

基于FNN的切纵流联合收割机故障诊断系统硬件组成如图1所示，主要包括信号采集调理模块、液晶显示模块、声光报警模块和PLC故障诊断处理系统。

图1 故障诊断系统硬件组成

本系统以“太湖之星”TH988型切纵流联合收割机为试验样机，割台搅龙、输送槽、切流滚筒、纵轴流滚筒和输粮搅龙的转速测量均采用霍尔传感器；采用PLC作为数据处理单元；采用嵌入ARM系统的高性能HD064MV3彩色显示器作为故障诊断系统的显示装置，其带有蜂鸣器，在强光下仍然具有很好的视觉效果[10]。

2 FNN故障诊断系统的建立

2.1 FNN算法模型的建立

FNN算法结合了模糊逻辑和神经网络的优点，具有神经网络的学习能力、优化能力和连接式结构，同时拥有模糊系统类似于人类思维方式的If-then规则并易于嵌入专家知识。具体计算过程如下：

通常一组多输入多输出（MIMO）模糊规则可描述为

对于给定的输入向量X=（x1，x2，…，xn），可求得每条规则的适用度为

通过模糊推理，对于每条规则，输出量的隶属度函数为

采用加权平均的清晰化方法，可求得输出量的精确值为

根据给出的模糊系统的模糊模型，可设计出如图2所示的FNN模糊神经网络结构。

2.2 建立FNN故障诊断模型

2.2.1 FNN模型的建立

图2 FNN网络的拓扑结构

本系统确定割台搅龙、输送槽、切流滚筒、纵轴轴流滚筒和输粮搅龙的转速5个量作为此系统的输入量，并将系统输入记为x1，x2，x3，x4和x5；系统的故障诊断结果作为输出量，并将系统输出记为y。

以联合收割机的切流滚筒为例，说明系统输入量隶属度函数的划分。“太湖之星”TH988切纵流联合收割机的切流滚筒转速范围是0～800r/min，正常工作转速范围是700～800r/min，额定转速是750r/min。为了精细描述变量，将基本论域划分为13个等级，得到切流滚筒转速x3的模糊子集论域为 {-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。每个等级对应的偏差变化范围如表1所示。

表1 x3的量化表

对应的模糊语言变量集为{负大，负中，负小，零，正小，正中，正大}7个词汇，英文字头缩写为{NB，NM，NS，ZO，PS，PM，PB}。x3对应的语言变量若为正，说明切流滚筒工作正常；若为负，则说明切流滚筒工作出现异常。

对于系统输出偏隶属度函数的划分，分析实验数据可知，当输入部件工作正常时输出y=1；当输入部件有堵塞趋势时，为了防止堵塞故障系统输出y=2；已经出现故障时系统输出y=3。则y的基本论域为（1～3），模糊子集论域为{0，1，2}。对应的模糊语言变量集为{零，小，大}3个词汇，用英文字头缩写为{NB，NS，ZO}。y对应的语言变量若为正，说明工作正常；y对应的语言变量若为负，则表明收割机工作异常。

根据联合收割机故障诊断系统的输入输出量化表和隶属度函数图，得到相应输入量的模糊值，利用Matlab进行离线训练结果，通过分析、归纳共制定了以下20条控制规则，建立的FNN诊断规则如表2所示。

在表2中，当割台搅龙转速为PM、输送槽转速为PM、切流滚筒转速为PS和输粮搅龙转速为ZO，而纵轴流滚筒转速为NS时，说明纵轴流滚筒转速远低于额定值，所以输出y应为预警，即ZS;若割台搅龙转速为PM、输送槽转速为PS、纵轴流滚筒转速为PM、输粮搅龙转速为PM，但是切流滚筒转速为NS时，说明切流滚筒转速远远低于额定转速值，已出现堵塞情况，所以输出y报警，即NB；若割台搅龙转速为PB、输送槽转速为PB、切流滚筒转速为PB、纵轴流滚筒转速为PM并且输粮搅龙转速为PM时，表明联合收割机工作状态正常，因此输出量y正常，即ZO。

表2 FNN诊断规则表

2.2.2 模糊神经网络故障诊断算法设计

在利用PLC实现基于FNN的故障诊断算法时，必须首先在PLC中建立输入输出量的量化表和FNN诊断规则查询表。对于特定的输入，通过输入量的量化表查得其对应的量化等级得到对应的模糊量，之后根据FNN规则查询表得到系统输出量的量化等级，最后由输出量的量化表得到系统故障诊断的结果。

3 田间试验与结果分析

为了验证本算法的正确性和有效性，于2012年11月7日在江苏省无锡市锡山区进行了水稻田间收割试验。其中一组试验情况如表3所示。

表3 联合收割机工作部件的转速值和诊断结果

在收割前，驾驶员控制联合收割机以1.2m/s的前进速度行驶收割水稻。各工作部件的转速信号实时变化情况如表3所示，在第7s时由于前方收割的水稻种植密度突然变大，切流滚筒与纵轴流滚筒转速有所下降，系统在第7s时显示了纵轴流滚筒转速异常，驾驶员马上降低了前进速度，经过2s的调整后，在第9s时纵轴流滚筒转速开始回升，其波动范围在1070～1080r/min之间，系统恢复了正常状态。基于FNN的故障诊断系统实现了预期的预报警功能，满足使用要求。

4 结束语

联合收割机在田间发生故障会影响其效率，使得收割机不能发挥最大的工作潜能[11]。本文提出了基于FNN的联合收割机故障诊断系统，其主要思想是：采集割台搅龙、输送槽、切流滚筒、纵轴流滚筒和输粮搅龙的转速值，在基于FNN算法的PLC中对数据进行分析处理后得到故障诊断结果，实现对联合收割机实时的故障诊断。田间试验表明基于FNN的切纵流联合收割机故障诊断系统可以及时对故障情况进行预警报警，提高了机器的可靠性和作业效率。

[1]沈兰.联合收割机收割小麦时常见故障的排除方法[J].农技服务，2011，28（5）：733-734.

[2]杜茂军，赵连春.联合收割机作业时易堵塞故障及排除[J].农机使用与维修，2007（2）：39.

[3]侯瑞.人工神经网络BP算法简介及应用[J].科技信息，2011（3）：75，418.

[4]赵建波.联合收割机负荷反馈智能控制系统的研究[D].镇江：江苏大学，2009.

[5]介站.联合收割机喂入量智能实量测试仪研究[D].郑州：河南科技大学，2010.

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

[7]易立单.联合收割机堵塞故障监测系统研究[D].镇江：江苏大学，2010.

[8]郝志勇，刘伟，夏玮，等.基于BP神经网络的吸运风机故障诊断[J].工程设计学报，2012，19（1）：57-60.

[9]于金广.基于模糊神经网络的成品油管网泄漏检测方法[J].油气储运，2012（10）：733-736.

[10]陈进，吕世杰，李耀明，等.基于PLC的联合收获机作业流程故障诊断方法研究[J].农业机械学报，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计划项目（2012AA10A502）国家科技支撑项目（2010BAD01B06）江苏省科技支撑计划（BE2012312）镇江市科技支撑计划（NY2012001）无锡市科技成果产业化资金项目（CYE22C1216）

陈 进（1959-），女，江苏盐城市人，教授，博士生导师，主要从事现代农业装备监测与控制技术研究。