基于SDAE-DATN的联合收割机跨设备故障检测_姜伟.pdf

南方论坛62023 年 4 月下South Forum基于 SDAE-DATN 的联合收割机跨设备故障检测*姜伟1，许颜贺2，李思樊2，卢俊泽1（1.淮阴工学院机械与材料工程学院，江苏 淮安 223003；2.华中科技大学土木与水利工程学院，湖北 武汉 430074）摘要：【目的】解决联合收割机单机故障样本收集困难，满足设备故障状态精确检测需求。【方法】课题组提出了一种基于栈式去噪自编码器（stacked denoising auto-encoder,SDAE）与深度对抗迁移网络（deep adversarial transfer network,DATN）的联合收割机跨设备故障检测方法。该方法利用随机噪声分量优化栈式自编码器网络，进而设计融合SDAE的DATN模型，自动捕获不同设备间的域不变特征，实现联合收割机跨设备故障精确检测。【结果】该方法可跨设备实现联合收割机正常运行工况下发动机转子故障、轴承故障与机匣故障的检测，且识别准确率为93.65%，显著高于已有同类模型。课题组所建的SDAE-DATN模型能够准确、稳定实现联合收割机跨设备故障检测，对提升农业机械智能化水平具有重要意义。【结论】1）基于随机噪声优化的SDAE模型，可提升编码器鲁棒性，学习更具代表性的状态特征信息。2）融合SDAE的DATN模型，可完成源域和目标域间故障检测模型的自适应优化，有效完成联合收割机跨设备迁移检测任务。关键词：联合收割机；跨设备；故障检测；自编码器；对抗迁移学习中图分类号：S22 文献标志码：A DOI：10.3969/j.issn.1672-3872.2023.08.002Cross-Device Fault Detection of Combine Harvester Based on SDAE-DATN*Jiang Wei1,Xu Yanhe2,Li Sifan2,Lu Junze1(1.Faculty of Mechanical and Material Engineering,Huaiyin Institute of Technology,Jiangsu Huaian 223003;2.School of Civil and Hydraulic Engineering,Huazhong University of Science and Technology,Hubei Wuhan 430074)Abstract:Objective To solve the problem of collecting failure samples of single harvester and meet the need for accurate detection of equipment failure status.Method The research group proposed a combined harvester cross-equipment fault detection method based on stacked denoising auto-encoder(SDAE)and deep adversarial transfer network(DATN).This method uses random noise components to optimize the stack self-coder network,and then designs a DATN model integrated with SDAE to automatically capture the domain invariant features between different equipment,so as to achieve accurate fault detection of combine across equipment.Result This method can realize the detection of engine rotor fault,bearing fault and gearbox fault of the combine under normal operating conditions across equipment,and the recognition accuracy is 93.65%,which is significantly higher than the existing similar models.The SDAE-DATN model built by the research group can accurately and stably realize the cross-equipment fault detection of combine harvesters,which is of great significance for improving the intelligent level of agricultural machinery.Conclusion 1)SDAE model based on random noise optimization can improve the robustness of encoder and learn more representative state feature information.2)Integrating SDAEs DATN model can complete the adaptive optimization of the fault detection model between the source domain and the target domain,and effectively complete the cross-equipment migration detection task of the combine.Keywords:combine harvester;cross-device;fault detection;auto-encoder;adversarial transfer learning联合收割机是农业生产中必不可少的机械装备，其工作状态对收获作业效率和质量有至关重要的影响1。如何准确检测收割机运行状态，进而指导维护方案的制定，是有效提升收割机作业水平的重要研究课题2。考虑到单机故障样本收集困难、不同设备监测数据分布间存在显著差异等问题，利用现有方法难以获得满意的检测精度。为此，本文提出了一种基于SDAE-DATN的跨设备故障检测方法，以期获取准确可靠的收割机故障检测结果，为提升农业机械智能化水平提供助力。1 基于SDAE-DATN的联合收割机跨设备故障检测方法1.1 SDAE作为一种非监督对称神经网络模型，自编码器（auto-encoder,AE）旨在构建由模型输入至输出的非线性映射关系，以期获取原始输入向量的压缩化特征，其目标函数可定义为3：L=(X,Y)=-Mi=1xilog(yi)+(1-xi)log(1-yi)（1）式中，X=x1,x2,xMT为输入向量，Y=y1,y2,yMT为重构向量，M表示向量维度。基金项目：江苏省农业科技自主创新资金项目“基于物联感知信息深度融合的大型联合收割机健康诊断与预警关键技术研究”（CX（21）3155）；江苏省自然科学基金青年基金项目“融合状态维护理论的水电机组智能健康管理策略研究”（BK20201065）作者简介：姜伟（1990），男，宁夏青铜峡人，博士研究生，讲师，研究方向为旋转机械故障诊断。2023 年 4 月下南方论坛7South Forum在此基础上，为提升AE的鲁棒性与特征提取性能，提出一种SDAE模型，有助于捕获表征联合收割机真实运行工况的状态特征信息。SDAE 模型结构如图1所示。针对输入可能出现的数据丢失及污染问题，随机噪声项Tn被添加于AE中；进一步将若干个Tn经优化后的AE有序堆叠，构建具有强鲁棒性、高自适应性的SDAE模型。基于原始输入，通过逐层训练模式，获取SDAE最后一层隐含层表征，即为故障状态特征。基于SDAE的特定结构，其损失函数可推导如下：LSDAE(X,Y)=Ni=1(L(Xi+Tn(0,2I),Yi)（2）式中，为噪声水平系数，I为单位矩阵，N为模型层数。1.2 DATN针对联合收割机单机故障样本收集困难问题以及不同设备故障样本间存在的数据分布差异问题，提出一种DATN模型，自适应学习跨设备情景下收割机故障域不变特征信息，实现收割机跨设备故障准确检测。具体来说，取现有收割机设备历史监测数据为源域，待分析设备监测数据为目标域，构建DATN模型，获取最小故障分类损失Lc与最小特征分布差异损失Ld。考虑采用边缘分布损失Lmd与条件分布损失Lcd共同度量Ld。基于DATN的数据处理流程图如图2所示，计算原理详述如下。1）故障分类损失Lc。如图2所示，采用Softmax识别源域样本标签，则Lc可计算如下：Lc=-1n xiR Kk=1Pxi|k logGc(Gf(xi)（3）式中，R=xi,yi(i=1,2,n)表示给定的源域，xi为原始样本，yi为与之对应的标签，n为样本个数，K为故障类别个数，Pxi|k 表示判定为类别k的概率，Gc和Gf分别表示Softmax函数和SDAE。2）边缘分布损失Lmd。当源域与目标域间差异较为显著时，考虑采用边缘分布对此种差异进行度量。对DATN而言，Lmd可通过下式计算：Lmd=1n+m xiR Z Le(Ge(Gf(xi),ei)（4）式中，Z=xj(j=1,2,m)表示目标域，m为样本个数，Le表示域评估损失，Ge表示边缘分布评估算子，ei表示输入xi的域标签。3）条件分布损失Lcd。当源域与目标域数据分布较为相似时，考虑采用条件分布对域间差异进行度量。对DATN而言，Lcd可通过下式计算：Lcd=1n+m Kk=1 xiR Z Lke(Gke(?yki Gf(xi),ei)（5）式中，Gke和Lke分别表示条件分布评估算子和其对应的交叉熵损失，?yki表示xi判定为类别k的期望概率。4）DATN目标函数。综合式（1）（3）中的损失函数，可推导DATN的目标函数如下：LDATN=Ly-2(Lmd+Lcd)（6）式中，为权衡系数。基于梯度下降算法，DATN参数可通过梯度反转层（gradient reversal layer,GRL）进行优化，梯度表示如下：=LDATN-(Lmd+Lcd)2 （7）式中，表示DATN的参数集合。1.3 跨设备故障检测步骤本文提出了一种基于SDAE-DATN的联合收割图1SDAE模型结构.第一层.第二层.第N层第三层至第N层原始输入X随机噪声项()20,nTISDAE模模型型故障状态特征1X1Y()()()21110,nLLT=+XIY2X2Y()()()22220,nLLT=+XIY()()()20,NNnNLLT=+XIYNXNY南方论坛82023 年 4 月下South Forum机跨设备故障检测方法，详细步骤如下。步骤1：从一台联合收割机装备采集充足监测数据作为源域，从另一台待分析收割机装备采集监测数据作为目标域。步骤2：用源域中的数据训练SDAE。步骤3：将训练所得SDAE嵌入DATN中，利用源域数据对DATN进行训练（含Softmax）。步骤4：用目标域中少量样本对DATN进行微调，使式（6）的损失函数最小。步骤5：利用目标域中剩余样本验证所提方法的故障检测性能。2 实验结果与分析2.1 数据描述以约翰迪尔C230谷物联合收割机为实验样机，源域源自一台或多台联合收割机历史监测振动数据及其对应状态标签，目标域源自待分析收割机振动数据。源域和目标域数据描述如表1所示。其中，收割机设备共有4种运行状态，分别为正常运行工况、发动机转子故障、发动机轴承故障及发动机机匣故障，每种运行状态包含的样本总数及