一种脱粒低/趋堵负荷状态诊断系统及方法和收获机

1.本发明属于农业机械技术领域，尤其涉及一种脱粒低/趋堵负荷状态诊断系统及方法和收获机。


背景技术：

2.随着近年来联合收获机械的喂入量不断增大，各工作部件堵塞问题日趋严重，大大降低了作业效率，耽误农时。据相关调查表明，作为联合收获机的核心，脱粒分离装置出现堵塞故障的比重较大。已有研究表明，脱粒分离装置堵塞的根本原因在于脱粒负荷大幅突变超出正常范围，而由于机手经验各异，不能及时发现异常，最终导致堵塞。此外，也存在机手经验不足而导致联合收获机长时间在低负荷下工作的情况，无法充分发挥机器作业性能，影响作业效率的情况，因此亟需一种能对脱粒负荷状态进行实时有效监测的方法，使联合收获机脱粒负荷能尽量稳定在正常范围内，提高工作效率并降低故障率，改变以往依靠机手经验主观判断脱粒负荷状态的现状。
3.目前对联合收获机脱粒负荷状态的诊断往往采用直接测得脱粒滚筒扭矩和转速的方法，该方法能产生一定的预期效果。但扭矩传感器体积较大，在联合收获机上的应用存在一定的局限性，且通过扭矩或转速判断的脱粒负荷状态均具有一定的滞后性，往往不能达到早期预警的目的。
4.现有技术一种联合收获机脱粒滚筒监控装置，通过设置检测模块，可以实时检测喂入量、谷物含水率、脱粒滚筒转速、脱粒凹板压力和传动链张紧力，从而可以及时发现和预防故障的发生，提高工作效率与可靠性。同时还设置有滚筒变速模块，可以根据检测模块的数据信息及时有效地调节滚筒转速，减少脱粒损失。具有结构简单、性能可靠的优点。但多个传感器之间的通讯会使堵塞工况的检测存在一定的滞后性，不利于堵塞故障的早期预警。
5.现有技术一种联合收获机防堵系统，根据转速传感器和扭矩传感器所检测的联合收获机割台喂入绞龙、过桥主动传动轴和脱粒滚筒的转速和扭矩，通过转速和扭矩的大小判断是否发生堵塞，并且在判断发生堵塞的情况下，使联合收获机自动减速，直至消除堵塞状态为止。实现了联合收获机的自动防堵控制，提高了联合收获机的作业效率。但扭矩传感器的体积较大，能够应用的机型具有一定的局限性。而一旦将要发生堵塞，转速并不会立即大幅降低，因而通过转速传感器判断是否存在堵塞还具有一定的滞后性。
6.现有技术一种联合收获机脱粒滚筒故障模拟监控系统，通过在脱粒滚筒上预装故障副盘和制动加载装置，并利用数据监控组件采集脱粒相关参数，利用控制制动器对脱粒滚筒加载动态载荷，可在整机上实现脱粒滚筒动不平衡故障、轴端轴承故障以及滚筒堵塞故障的预置，在一定程度上解决了田间故障数据获取困难、可重复性差的问题。但收割机田间作业时工况复杂，造成故障的因素很多，仅仅依靠预装故障副盘及制动加载装置并不能完全模拟实际故障状况。


技术实现要素：

7.针对上述技术问题，本发明的一个方式的目的之一是提供一种脱粒低/趋堵负荷状态诊断系统，本发明的一个方式的目的之一是提供一种脱粒低/趋堵负荷状态诊断系统的控制方法，本发明的一个方式的目的之一是提供一种包括所述脱粒低/趋堵负荷状态诊断系统的收获机。本发明可以使收获机脱粒负荷能尽量稳定在正常范围内，提升了联合收获机脱粒分离装置负荷状态的诊断精度，提高工作效率并降低故障率，改变以往依靠机手经验主观判断脱粒负荷状态的现状。
8.注意，这些目的的记载并不妨碍其他目的的存在。本发明的一个方式并不需要实现所有上述目的。可以从说明书、附图、权利要求书的记载中抽取上述目的以外的目的。
9.本发明的技术方案是：
10.一种脱粒低/趋堵负荷状态诊断系统，包括信号采集模块、控制模块和执行模块；
11.所述信号采集模块包括阻尼隔振单元和信号采集转换单元，所述阻尼隔振单元用于将脱粒分离装置产生的原始振动信号进行初步滤波，信号采集转换单元用于采集初步滤波的振动信号放大转换成频率信号进行二次滤波；
12.所述控制模块包括信号存储单元和信号分析处理单元，信号存储单元用于将经过二次滤波后的振动信号进行片段划分并储存，形成短时特征集，信号分析处理单元用于对短时特征集分析处理，与预设工况进行对比，从而识别出实时的负荷状态；
13.所述执行模块包括显示单元和告警单元，所述显示单元用于显示当前负荷状态，所述告警单元用于根据控制模块的负荷状态发出告警信号，当负荷状态为低负荷状态或者为趋堵状态时，控制单元控制告警单元发出告警信号。
14.上述方案中，所述阻尼隔振单元的隔振材料为橡胶、尼龙、电木中的一种或多种的组合。
15.上述方案中，所述信号采集模块中的信号采集转换单元包括加速度传感器、放大器电路、信号变换电路和滤波器电路；
16.所述加速度传感器用于采集阻尼隔振单元初步过滤后的振动信号，放大器电路用于将初步过滤后的振动信号放大，信号变换电路用于将放大后的振动信号转换成频率，滤波器电路设置截止频率，用于二次滤波。
17.上述方案中，每个时间片段长度不高于2s，片段间重叠率不高于50％。
18.一种根据所述一种脱粒低/趋堵负荷状态诊断系统的方法，包括以下步骤：
19.所述信号采集模块的阻尼隔振单元将脱粒分离装置产生的原始振动信号进行初步滤波，信号采集转换单元对采集的初步滤波振动信号进行放大并转换成频率后进行二次滤波；
20.所述控制模块的信号存储单元将经过二次滤波后的振动信号进行片段划分并储存，构建短时特征集，信号分析处理单元对短时特征集分析处理，与预设工况进行对比，从而识别出实时的负荷状态；所述执行模块的显示单元显示当前负荷状态，当负荷状态为低负荷状态或者为趋堵状态时，控制单元控制告警单元发出告警信号。
21.上述方案中，所述短时特征集的构建包括以下步骤：
22.步骤s1、设脱粒分离装置外表面采集的第一组时序原始振动信号为x
11
、x
12
…
x
1n
，第二组时序原始振动信号为x
21
、x
22
…
x
2n
，
…
第m组时序原始振动信号为x
m1
、x
m2
…
x
mn
，以此类
推，累计采集m组时序原始振动信号，信号中高频随机噪声部分被阻尼隔振单元滤除，初步滤波的振动信号为y
11
、y
12
…y1n
，y
21
、y
22
…y2n
，
…ym1
、y
m2
…ymn
以此类推，有m组初步滤波的振动信号；
23.步骤s2、信号采集转换单元对采集的初步滤波振动信号进行放大并转换成频率后进行二次滤波输出的振动信号为z
11
、z
12
…z1n
，z
21
、z
22
…z2n
，
…zm1
、z
m2
…zmn
，依次类推，有m组二次滤波的振动信号；
24.步骤s3、m组时序原始振动信号经滤波后的振动信号进入信号存储单元，被移动短时窗w1～wm划分为m个时序片段；步骤s4、信号分析处理单元对短时窗w1～wm进行时域特征指标提取，提取后的特征指标用s1～sn表示，则构成了m个短时特征集。
25.上述方案中，所述短时特征集中的样本包含5种不同工况的负荷状态：空载状态，低负荷状态，高负荷状态，趋堵状态，堵塞状态。
26.上述方案中，所述短时特征集的分析处理包括以下步骤：
27.步骤s1)、搭建卷积神经网络框架，针对信号存储单元形成的短时特征集中不同工况的原始负荷状态的信号特征，通过卷积神经网络，实现特征提取、特征处理和负荷状态识别；
28.步骤s2)、构建多核信息注意力的特征关注模块，对影响决策性能的时域特征进行自适应关注，对干扰决策性能的冗余特征进行自适应弱化；
29.步骤s3)、在卷积神经网络框架的基础上，结合多核信息注意力的特征关注模块进行脱粒负荷状态诊断。
30.进一步的，所述步骤s2)构建多核信息注意力的特征关注模块具体包括以下步骤：
31.步骤s21)、分组逐通道卷积：
32.根据不同的卷积核分支f，分别使用逐通道卷积计算特征矩阵x∈rh×w×c，逐通道卷积公式为：
33.f:x
→
u∈rh×w×c34.其中，r表示特征矩阵，h表示矩阵高，w表示矩阵宽，c表示通道数，u代表分支卷积核中的元素，在逐通道卷积之后，应用批量归一化维持卷积参数的相同分布和relu激活函数的非线性映射，通过元素求和融合逐通道卷积得到u
和
，u
和
＝u1+u2+u3.............+un；
35.步骤s22)、通道注意力
36.为了获得全局特征信息，同时引入全局平均池化s
ac
来获得通道注意力，全局平均池化s
ac
的计算方法为：
[0037][0038]
其中，s∈rc，uc为第c个通道的分支卷积核中的元素，(i，j)指的是行数、列数，
[0039]
经过平均池化后，结合eca实现通道间的信息交换，eca的注意力w
ac
的计算方法如下：
[0040]wac
＝δ(conv1d(s
ac
,k))
[0041]
δ为sigmoid函数，k为卷积核的核数；
[0042]
步骤s23)、选择特征核
[0043]
为了自适应地选择不同的特征核，应用跨通道的软注意力，u
nc
的软注意力的向量
为：
[0044][0045]
其中，tr为矩阵，tr
nc
是第n个代表卷积核分支的第c行，tr
nc
∈rc×d，最后，该多核信息注意力的特征关注模块计算的特征矩阵x
(n)
表示为：
[0046][0047]
其中，x
(n)
表示特征矩阵中的第n个元素，u
nc
∈un。
[0048]
一种收获机，包括所述脱粒低/趋堵负荷状态诊断系统。
[0049]
一种收获机，包括所述脱粒低/趋堵负荷状态诊断系统，所述脱粒低/趋堵负荷状态诊断系统根据所述脱粒低/趋堵负荷状态诊断系统的方法控制。
[0050]
与现有技术相比，本发明的有益效果在于：
[0051]
根据本发明的一个方式提供一种脱粒低/趋堵负荷状态诊断系统，根据本发明的一个方式提供一种脱粒低/趋堵负荷状态诊断系统的控制方法，根据本发明的一个方式提供一种包括所述脱粒低/趋堵负荷状态诊断系统的收获机。根据本发明的一个方式提供一种根据所述脱粒低/趋堵负荷状态诊断系统的方法控制的收获机。本发明可以使收获机脱粒负荷能尽量稳定在正常范围内，提升了联合收获机脱粒分离装置负荷状态的诊断精度，提高工作效率并降低故障率，改变以往依靠机手经验主观判断脱粒负荷状态的现状。
[0052]
注意，这些效果的记载不妨碍其他效果的存在。本发明的一个方式并不一定必须具有所有上述效果。可以从说明书、附图、权利要求书等的记载显而易见地看出并抽出上述以外的效果。
附图说明
[0053]
图1为本发明一实施方式的脱粒低/趋堵负荷状态诊断系统信号各模块连接示意图。
[0054]
图2为本发明一实施方式的脱粒低/趋堵负荷状态诊断系统加速度传感器安装位置示意图。
[0055]
图3为本发明一实施方式的脱粒低/趋堵负荷状态诊断系统信号采集模块工作原理示意图。
[0056]
图4为本发明一实施方式的脱粒低/趋堵负荷状态诊断系统滤波器设置。
[0057]
图5为本发明一实施方式的脱粒低/趋堵负荷状态诊断系统短时特征集构建原理图。
[0058]
图6为本发明一实施方式的脱粒负荷状态诊断方法流程图。
[0059]
图7本发明所一实施方式的脱粒负荷状态诊断方法自适应结合多核信息注意力的特征关注模块与cnn决策框架图。
[0060]
图8为本发明一实施方式的脱粒负荷状态诊断方法多核信息注意力的特征关注模块示意图。
[0061]
图9为本发明一实施方式的4号传感器在5种负荷状态下的时域特征可视化输出
图，其中图9a为空载状态，9b为低负荷状态，9c为高负荷状态，9d为趋堵状态，9e为堵塞状态。
[0062]
图10为本发明一实施方式的脱粒负荷状态诊断方法的精度变化曲线图。
[0063]
图11为本发明一实施方式的脱粒低/趋堵负荷状态诊断系统执行采集模块工作原理示意图。
具体实施方式
[0064]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0065]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“前”、“后”、“左”、“右”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0066]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0067]
实施例1
[0068]
图1所示为所述脱粒低/趋堵负荷状态诊断系统的一种较佳实施方式，所述脱粒低/趋堵负荷状态诊断系统，包括信号采集模块、控制模块和执行模块；
[0069]
所述信号采集模块包括阻尼隔振单元和信号采集转换单元，所述阻尼隔振单元用于将脱粒分离装置产生的原始振动信号进行初步滤波，信号采集转换单元用于采集初步滤波的振动信号放大转换成频率信号进行二次滤波；
[0070]
所述控制模块包括信号存储单元和信号分析处理单元，信号存储单元用于将经过二次滤波后的振动信号进行片段划分并储存，形成短时特征集，信号分析处理单元用于对短时特征集分析处理，与预设工况进行对比，从而识别出实时的负荷状态；
[0071]
所述执行模块包括显示单元和告警单元，所述显示单元用于显示当前负荷状态，所述告警单元用于根据控制模块的负荷状态发出告警信号，当负荷状态为低负荷状态或者为趋堵状态时，控制单元控制告警单元发出告警信号。
[0072]
根据本实施，例优选的，所述阻尼隔振单元的隔振材料为橡胶、尼龙、电木中的一种或多种的组合。
[0073]
结合图3所示，根据本实施，例优选的，所述信号采集模块中的信号采集转换单元包括加速度传感器、放大器电路、信号变换电路和滤波器电路；所述加速度传感器用于采集
阻尼隔振单元初步过滤后的振动信号，放大器电路用于将初步过滤后的振动信号放大，信号变换电路用于将放大后的振动信号转换成频率，滤波器电路设置截止频率，用于二次滤波。本发明通过信号采集转换单元的实现了对初步过滤信号中无关成分的抑制和衰减，两次滤波后形成的滤波后信号可提高后续分析处理的准确性。
[0074]
本发明通过阻尼隔振单元与加速度传感器的组合，实现了对收获机田间作业时加速度传感器在脱粒分离装置外表面测得原始振动信号中高频随机噪声的初步过滤。因为根据现已出现的利用脱粒装置外表面振动信号对谷物脱粒负荷状态进行诊断的相关研究，由于联合收获机田间作业时振动来源既包括发动机、割台、脱粒机构、清选机构、输运机构等振源的叠加也包括行走时来自地面的冲击信号，所以仅仅采用传统的加速度传感器直接接收的信号比较复杂，不利于后续的处理和对负荷状态的诊断。本发明通过阻尼隔振单元实现初步滤波，加速度传感器用于采集阻尼隔振单元初步过滤后的振动信号，且加速度传感器体积小易于在联合收获机有限的空间内布置，且灵敏度高的优点。
[0075]
根据本实施，例优选的，每个时间片段长度不高于2s，片段间重叠率不高于50％。采用时间不高于2s的短时特征集进行负荷状态的分类识别，特征信号与当前工况密切相关，响应速度快，避免了以往技术中心采用转速传感器等响应不及时的缺点。
[0076]
实施例2
[0077]
一种根据实施例1所述脱粒低/趋堵负荷状态诊断系统的方法，包括以下步骤：
[0078]
所述信号采集模块的阻尼隔振单元将脱粒分离装置产生的原始振动信号进行初步滤波，信号采集转换单元对采集的初步滤波振动信号进行放大并转换成频率后进行二次滤波；
[0079]
所述控制模块的信号存储单元将经过二次滤波后的振动信号进行片段划分并储存，构建短时特征集，信号分析处理单元对短时特征集分析处理，与预设工况进行对比，从而识别出实时的负荷状态；所述执行模块的显示单元显示当前负荷状态，当负荷状态为低负荷状态或者为趋堵状态时，控制单元控制告警单元发出告警信号。
[0080]
根据本实施例，优选的，所述短时特征集的构建包括以下步骤：
[0081]
步骤s1、设脱粒分离装置外表面采集的第一组时序原始振动信号为x
11
、x
12
…
x
1n
，第二组时序原始振动信号为x
21
、x
22
…
x
2n
，
…
第m组时序原始振动信号为x
m1
、x
m2
…
x
mn
，以此类推，累计采集m组时序原始振动信号，信号中高频随机噪声部分被阻尼隔振单元滤除，初步滤波的振动信号为y
11
、y
12
…y1n
，y
21
、y
22
…y2n
，
…ym1
、y
m2
…ymn
以此类推，有m组初步滤波的振动信号；
[0082]
步骤s2、信号采集转换单元对采集的初步滤波振动信号进行放大并转换成频率后进行二次滤波输出的振动信号为z
11
、z
12
…z1n
，z
21
、z
22
…z2n
，
…zm1
、z
m2
…zmn
，依次类推，有m组二次滤波的振动信号；
[0083]
步骤s3、m组时序原始振动信号经滤波后的振动信号进入信号存储单元，被移动短时窗w1～wm划分为m个时序片段；步骤s4、信号分析处理单元对短时窗w1～wm进行时域特征指标提取，提取后的特征指标用s1～sn表示，则构成了m个短时特征集。
[0084]
根据本实施例，优选的，所述短时特征集中的样本包含5种不同工况的负荷状态：空载状态，低负荷状态，高负荷状态，趋堵状态，堵塞状态；所述信号存储单元根据工况预设值对样本进行初步归类，空载状态为标签1，低负荷状态为标签2，高负荷状态为标签3，趋堵
状态为标签4，堵塞状态为标签5。
[0085]
根据本实施例，优选的，所述短时特征集的分析处理包括以下步骤：
[0086]
步骤s1)、搭建卷积神经网络框架，针对信号存储单元形成的短时特征集中不同工况的原始负荷状态的信号特征，通过卷积神经网络，实现特征提取、特征处理和负荷状态识别；
[0087]
步骤s2)、构建多核信息注意力的特征关注模块，对影响决策性能的重点时域特征进行自适应关注，对干扰决策性能的冗余特征进行自适应弱化；
[0088]
步骤s3)、在卷积神经网络框架的基础上，结合多核信息注意力的特征关注模块进行脱粒负荷状态诊断。
[0089]
根据本实施例，优选的，所述步骤s2)构建多核信息注意力的特征关注模块具体包括以下步骤：
[0090]
步骤s21)、分组逐通道卷积：
[0091]
根据不同的卷积核分支f，分别使用逐通道卷积计算特征矩阵x∈rh×w×c，逐通道卷积公式为：
[0092]
f:x
→
u∈rh×w×c[0093]
其中，r表示特征矩阵，h表示矩阵高，w表示矩阵宽，c表示通道数，u代表分支卷积核中的元素，在逐通道卷积之后，应用批量归一化维持卷积参数的相同分布和relu激活函数的非线性映射，通过元素求和融合逐通道卷积得到u
和
，u
和
＝u1+u2+u3.............+un；
[0094]
步骤s22)、通道注意力
[0095]
为了获得全局特征信息，同时引入全局平均池化s
ac
来获得通道注意力，全局平均池化s
ac
的计算方法为：
[0096][0097]
其中，s∈rc，uc为第c个通道的分支卷积核中的元素，(i，j)指的是行数、列数，
[0098]
经过平均池化后，结合eca实现通道间的信息交换，eca的注意力w
ac
的计算方法如下：
[0099]wac
＝δ(conv1d(s
ac
,k))
[0100]
δ为sigmoid函数，k为卷积核的核数；
[0101]
步骤s23)、选择特征核
[0102]
为了自适应地选择不同的特征核，应用跨通道的软注意力，u
nc
的软注意力的向量为：
[0103][0104]
其中，tr为矩阵，tr
nc
是第n个代表卷积核分支的第c行，tr
nc
∈rc×d，最后，该多核信息注意力的特征关注模块计算的特征矩阵x
(n)
表示为：
[0105]
[0106]
其中，x
(n)
表示特征矩阵中的第n个元素，u
nc
∈un。
[0107]
本发明关联集成收获机脱粒分离装置负荷状态信号的特征提取、特征降维和状态诊断的系统流程，提出深度学习的智能化集成诊断技术，为加快农业智能化进程提供新的理论方法。
[0108]
实施例3
[0109]
一种收获机，包括实施例1所述一种脱粒低/趋堵负荷状态诊断系统，因此具有实施例1的有益效果，此处不再赘述。
[0110]
实施例4
[0111]
一种收获机，包括实施例1所述脱粒低/趋堵负荷状态诊断系统，以及通过实施例2所述脱粒低/趋堵负荷状态诊断系统的方法控制的，因此具有实施例1和2的有益效果，此处不再赘述。
[0112]
实施例5
[0113]
本实施例为结合实施例1、2、3和4的一个具体实施例：
[0114]
结合图1和图2，一种脱粒低/趋堵负荷状态诊断系统，包括信号采集模块、控制模块和执行模块。优选的，本实施例信号采集转换单元设有四个加速度传感器和放大器电路、信号变换电路和滤波器电路形成的放大-转换-滤波的整合电路。加速度传感器与放大-转换-滤波整合电路以数据传输线相连。控制模块与放大-转换-滤波整合电路通过数据传输线相连，布置于收获机机身内部。执行模块包括显示及告警单元，与控制模块通过数据传输线相连，安装于收获机驾驶室内，方便操作人员观察。
[0115]
结合图2，四个加速度传感器分别安装在四个测点上，每个加速度传感器与测点之间分别设有阻尼隔振单元，其中，测点1为滚筒前端机架底部，测点2为机架底部到侧面圆弧处，测点3为脱离分离装置顶盖中央，测点4为顶盖侧面，四个测点在同一个截面上。
[0116]
所述阻尼隔振单元的隔振材料为橡胶、尼龙、电木中的一种或多种的组合。
[0117]
根据本实施例，优选的，所述橡胶的弹性模量为0.0078gpa，泊松比为0.47；所述尼龙的弹性模量为2.83gpa，泊松比为0.4；所述电木的弹性模量为1.96-2.94gpa，泊松比为0.35-0.38。
[0118]
所述隔振材料的选择依据为收获机典型工况下振动来源，具体的：1)怠速工况，发动机启动后怠速，未行走，振动来源为发动机；2)高速待机工况，发动机运转到最大速度，其余部件不工作，振动来源为发动机；3)脱粒空转工况，合上离合器，工作部件运转但未行走，振动来源为发动机、脱粒分离装置、清选机构和输运系统的叠加；4)行走工况，发动机高速，所有工作部件运转且行走在无作物空地上，割台无喂入，振动来源为发动机、脱粒分离装置、清选机构、输运系统和地面冲击信号的叠加；5)作业工况，发动机高速，正常速度收割作业，割台有喂入，振动来源为振动来源为发动机、脱粒分离装置、清选机构、输运系统地面冲击信号的叠加，其中不同喂入量使脱粒系统负荷改变，进而影响振动信号。
[0119]
如图3和图4，脱粒滚筒的横向振动，振动筛产生的前后往复运动，输送槽与脱粒机架连接处的上下摆动和发动机产生的上下振动是收获机的主要振源，此外也存在路面对整机的振动激励，但联合收获机在正常作业时，各个工作部件的频率是稳定的。其中发动机(低速、高速)振动信号的频率范围是50-90hz，脱粒分离装置的频率范围是10-30hz，清选机构的频率范围是25-30hz，输运系统和地面冲击的频率范围在10hz以内。故通过相关阻尼隔
振材料可将50hz以上的高频成分滤除，实现初步滤波，同时设置带通滤波器截止频率f1为10hz，f2为30hz，进行二次滤波。
[0120]
本实施例优选的，加速度传感器为压电式加速度传感器，压电式加速度传感器将经过阻尼隔振单元的初步滤波信号输入放大-变换-滤波整合电路，经过变压器耦合隔离放大器，电压/频率互换电路(v/f转换)，带通滤波器的共同作用，与脱粒负荷状态密切相关的成分已经凸显，而无关成分被大幅衰减和滤除，形成了二次滤波后振动信号。
[0121]
结合图5所示，滤波后时序数据1～m进入控制模块中的信号存储单元，被移动短时窗w1～wm划分为m个时序片段，且考虑到收割机作业时的特殊性，堵塞发生仅与当前1～2s的工况密切相关。因此时序片段长度不高于2s，片段间重叠率不高于50％。信号分析处理单元对短时窗w1～wm提取后的特征指标用s1～sn表示，由此构成m个短时特征集。。
[0122]
本发明所述的脱粒分离装置负荷状态诊断方法，包括如下步骤：
[0123]
所述信号采集模块的阻尼隔振单元将脱粒分离装置产生的原始振动信号进行初步滤波，信号采集转换单元对采集的初步滤波振动信号进行放大并转换成频率后进行二次滤波；
[0124]
所述控制模块的信号存储单元将经过二次滤波后的振动信号进行片段划分并储存，构建短时特征集，信号分析处理单元对短时特征集分析处理，与预设工况进行对比，从而识别出实时的负荷状态；所述执行模块的显示单元显示当前负荷状态，执行模块的告警单元根据控制模块的负荷状态发出告警信号。
[0125]
所述短时特征集中包含五种不同负荷状态：空载状态，低负荷状态，高负荷状态，趋堵状态，堵塞状态。每种状态抽取100组数据，则五种状态共500组数据。所述信号存储单元根据预设值对样本进行初步归类，空载状态为标签1，低负荷状态为标签2，高负荷状态为标签3，趋堵状态为标签4，堵塞状态为标签5。
[0126]
所述控制模块中设有提出卷积神经网络cnn的深度学习框架，并结合多核信息注意力的特征关注模块对影响决策性能的重要特征进行关注，对影响决策性能的干扰信息进行。
[0127]
卷积神经网络cnn对五种不同工况的状态数据进行特征提取，特征处理和模式识别，高度集成了三个过程，减少人为干预，使得决策方法更智能化。
[0128]
优选的，所述卷积神经网络的框架搭建的步骤为：
[0129]
在卷积神经网络cnn训练过程中，其超参数需要预先设定，经过超参数选择后，确定以学习率为0.01的adam优化器来更新权重、偏差和卷积参数。批训练大小设置为100，迭代次数为100，应用批次归一化方法(bn)保持卷积核具有相同的参数分布，在卷积计算之后选择relu激活函数进行非线性映射，将softmax函数应用于全连接的层以进行最终的分类识别，为了减少计算参数量，选择包含5个神经元的单全连接层的计算形式。网络涉及过程中的池化方式选择池化核为2
×
2，步长为2的卷积计算方式。
[0130]
在训练过程中利用l2正则化损失函数，正则化系数λ为0.01，损失值计算如公式(1)所示：
[0131]
[0132]
其中，yi为的实际状况类别，是模型预测状况类别，ωj是全连接层的权重，bj是全连接层的阈值。
[0133]
图6所示为卷积神经网络cnn中的卷积计算过程，为了实现运行负荷状态诊断，具体的网络设计思想如下：
[0134]
(1)将五种不同工况数据进行采样点的统一，每个加速度传感器取25000个采样点，4个传感器共100000个采样点，将其转换为1000
×
10的形式进行卷积计算。利用卷积的计算方式进行信息通道扩展，进而实现特征提取，由于负荷状态工况具有样本量少的特征，因此，经过参数预调节，将单通道扩展成20通道来进行卷积计算；
[0135]
(2)设计表1所示的多个cnn框架来确定最优的诊断组合形式，c代表卷积计算，p代表池化计算，fc代表全连接层；
[0136]
(3)所有的cnn框架中，第一个卷积计算是利用1
×
1的卷积计算形式实现通道扩展，而其余的计算是利用3
×
3和5
×
5的就算形式进行多核特征提取，同时5
×
5的卷积核是3
×
3加空洞卷积的计算形式实现了，经过加入padding项，保持卷积前后矩阵大小不变；
[0137]
(4)将卷积后的输出结果利用平均池化形式进行信息压缩，最后输入到全连接层进行分类。
[0138]
随机选择400个样本作为训练集去建立深度学习模型，剩余100个样本作为测试集去检验模型的分类性能。表1探讨了不同的卷积层个数对负荷工况诊断的的辨识结果。可以看出，随着卷积层个数的增加，深度学习网络的准确率逐渐提升，当卷积层个数达到3个时获得了最佳的诊断精度和最低的损失值，分类准确率为97％，损失值为0.0111。进一步增加卷积层的个数，准确率均没有呈现上升的状况。最终确定了c
1-c
3，5
×
3-p-fc的网络结果。图7为该网络框架下的cnn数据处理过程图。
[0139]
表1不同的卷积层个数对负荷工况诊断的的辨识结果
[0140][0141]
所述多核信息注意力的特征关注模块的构建：
[0142]
在卷积过程中，卷积核的大小直接影响局部特征提取的有效性。过小的卷积核不能提取更大的感受野空间信息，过大的卷积核容易丢失局部的细节特征。因此，针对不同的待卷积数据特征，固定大小的卷积核在一定程度上容易造成模型的欠拟合和过拟合现象，因此，提出一定自适应选择卷积核大小的卷积方式，同时，对卷积区域的特征进行自适应关注来提升cnn决策性能。
[0143]
selective kernel networks(sk)通过添加卷积分支并结合通道注意力机制来实
现卷积核的自适应选择。在sk中，注意力机制类似于squeeze-and-excitation(se)，在分组卷积后对融合矩阵执行全局平均池化以获得通道注意力。se首先对每个通道分别使用全局平均池化，然后使用fc来捕获非线性跨通道交互，包括降维以控制模型的复杂性。fc降维对于所有通道之间的交互是低效的，并且通道的权重需要直接对应于se。因此，本实施例利用高效注意力机制eca使用一维(1d)卷积的形式在不降低通道维数的情况下进行跨通道信息交换。
[0144]
为了增加卷积分支以实现多核特征提取，并在注意力计算过程中实现跨通道信息交互，本实施例以2个卷积核的分支为例，图8展示了注意力的计算过程。具体过程如下：
[0145]
①
分组逐通道卷积
[0146]
根据不同的卷积核分支，分别使用逐通道卷积计算特征矩阵x∈rh×w×c，可以有效减少卷积过程中的参数数量。
[0147][0148][0149]
其中，为3
×
3卷积核分支，为5
×
5卷积核分支，r表示特征矩阵，h表示矩阵高，w表示矩阵宽，c表示通道数，u1代表3
×
3分支卷积核中的元素，u2表示5
×
5分支卷积核中的元素。为了更高效，将5
×
5卷积核替换为扩张大小为2的3
×
3核。在逐通道卷积之后，应用批量归一化维持卷积参数的相同分布和relu激活函数的非线性映射。为了自适应地调整卷积核并控制多尺度信息的流动，通过元素求和u
和
融合了逐通道卷积的结果：
[0150]u和
＝u1+u2ꢀꢀ
(4)
[0151]
②
通道注意力
[0152]
为了获得全局特征信息，同时引入全局平均池化s
ac
来获得通道注意力。全局平均池化s
ac
的计算方法为：
[0153][0154]
其中，s∈rc，uc为第c个通道的分支卷积核中的元素，(i，j)指的是行数、列数，经过平均池化后，结合eca实现通道间的信息交换。eca可以有效减少注意力机制的计算量。是一种没有降维的局部跨渠道交互策略，通过一维卷积有效实现。eca的注意力w
ac
计算方法如下：
[0155]wac
＝δ(conv1d(s
ac
,k))
ꢀꢀ
(6)
[0156]
δ为sigmoid函数，k为卷积核的核数；在本实施例中k＝3。
[0157]
③
选择特征核
[0158]
为了自适应地选择不同的特征核，应用了跨通道的软注意力，软注意力可以通过softmax操作来实现：
[0159]
[0160][0161]
其中a,b∈rc×d，a和b分别是u1和u2的软注意力向量，ac是矩阵a的第c行，ac是a的第c个元素，bc是矩阵b的第c行，bc是b的第c个元素，最后，该多核信息注意力的特征关注模块计算的特征矩阵x
(n)
可以表示为：
[0162]
x
(n)
＝ac·
u1+bc·u2 ac+bc＝1,x
(n)
∈rh×w×cꢀꢀ
(9)
[0163]
其中，x
(n)
表示特征矩阵中的第n个元素。本实施例只提供了2个分支的情况，更多的卷积核分支情况可以通过公式(2)、(3)、(4)、(7)、(8)和(9)进行扩展。
[0164]
用x(n)表示特征矩阵中的第n个元素，多核信息注意力的特征关注模块可以插在多核卷积计算之后，实现自适应识别并关注上述特征中与5种负荷状态密切相关特征指标的功能。如图9，以其中4号传感器的时域特征为例，特征编号1-11，分别代表表2的指标，可以看出加入多核信息注意力的特征关注模块以后，各状态下特征输出值存在明显差异，由此可以提高后续模式识别的精度。
[0165]
从图9a中可以看出，特征5,7,8,9,10,11输出值明显大于0，为多核信息注意力的特征关注模块自适应关注的重点时域特征，特征重要程度为9＞11＞8＞7＞10＞5；特征1没有输出值，特征6输出值为负，为自适应忽略的冗余特征；特征2,3,4略大于0为自适应关注的非重点特征。从图9b和图9c中可以看出，特征5,7,8,9,10,11输出值均明显大于0，为多核信息注意力的特征关注模块自适应关注的重点特征，特征重要程度为9＞11＞7＞8＞5＞10；此从外图9b中可以看出特征1,6没有输出值，从图9c中可以看出特征1没有输出值，为自适应忽略的冗余特征；图9b中的特征2,3,4以及图9c中的特征2,3,4,6略大于0，为自适应关注的非重点特征。从图9d中可以看出特征5,7,8,9,10,11输出值明显大于0，为多核信息注意力的特征关注模块自适应关注的重点特征，特征重要程度为9＞11＞8＞7＞5＞10；特征1没有输出值为自适应忽略的冗余特征；特征2,3,4,6略大于0为自适应关注的非重点特征。从图9e中可以看出特征5,6,7,8,9,10,11输出值明显大于0，为多核信息注意力的特征关注模块自适应关注的重点特征，特征重要程度为7＞9＞11＞8＞5＞10＞6；特征1,2,3,4没有输出值为自适应忽略的冗余特征。
[0166]
表2时域特征指标计算
[0167][0168]
结合多核信息注意力的特征关注模块与cnn决策的负荷状态诊断：
[0169]
在已经确定最优的cnn决策结构基础上，本发明加入了多核信息注意力的特征关注模块实现特征关注，结合图10准确率变化曲线所示，决策准确率达到99％，损失值为0.0095，准确率比原来提升了2％，损失值下降了0.0016，说明该注意力机制的引入有效提升了联合收获机脱粒分离装置负荷状态的诊断精度。
[0170]
如图11，经过上述步骤，优选的，当识别到当前负荷状态为低负荷时，告警单元闪烁黄灯，同时利用蜂鸣器发出提示音，提醒机手提高前进速度，增大喂入量，提高作业效率；当识别到当前负荷状态为趋堵时，告警装置闪烁红灯同时利用蜂鸣器发出警报声提示机手减速，或调整脱粒间隙，减小脱粒负荷，避免堵塞。本发明可以使收获机脱粒负荷能尽量稳定在正常范围内，提升了联合收获机脱粒分离装置负荷状态的诊断精度，提高工作效率并降低故障率，改变以往依靠机手经验主观判断脱粒负荷状态的现状。
[0171]
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
[0172]
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。