BP神经网络对甘蔗宿根切割质量的预测——基于PSO算法

李尚平，陈曾雄，周敬辉,3，莫瀚宁，钟家勤，王梦萍，张 可

(1.广西大学 机械工程学院，南宁 530004；2.广西民族大学 计算机与信息工程学院，南宁 530006；3.桂林理工大学 南宁分校，南宁 530004；4.钦州学院 机械与船舶海洋工程学院，广西 钦州 535000)

0 引言

在甘蔗收获机砍蔗过程中，甘蔗宿根切割质量的变化非常复杂，影响因素较多。甘蔗宿根切割质量不仅与甘蔗收获机的工作参数有关，还受到甘蔗种植区路面因素的影响。甘蔗宿根切割质量是反应甘蔗破头率的重要参数，甘蔗宿根切割质量好，意味着破头率低，甘蔗宿根来年发芽率较高[1]。甘蔗宿根切割质量的变化影响因素是长期困扰研究人员的一个难题。

自20世纪80年代以来，为研究甘蔗切割质量的变化，国内外研究人员进行了一系列研究，并取得了许多成果。R Wang[2]通过建立数学模型对甘蔗切割器性能进行了研究，探讨了甘蔗收获机前进速度及刀盘转速、刀盘倾角等对甘蔗切割质量的影响。RDC Mello[3]研究了不同锯齿类型刀盘、刀盘转速和刀盘倾角对甘蔗切割质量的影响。赖晓、李尚平[4]等通过模拟路面激励对甘蔗切割质量进行研究，得到了对甘蔗宿根切割质量随着路面激励增大而减小的规律。范志达、李尚平[5]等进行了路面激励和刀盘转速双因素虚拟试验，进一步揭示了路面激励和刀盘转速对甘蔗切割质量的影响。杨望、王二鹏[6]等利用凯斯A8000进行田间试验，得出了随着刀盘转速增大甘蔗切割质量先提升后降低的结论。麻芳兰、杨坚[7-8]等利用自制的甘蔗收获机台架进行了大量不同条件下的砍蔗实验，得到了甘蔗切割质量与刀盘转速、刀盘倾角的关系。刘庆庭、区颖刚[9]在自制的试验台架上采用光刃刀片，对影响甘蔗宿根破坏的因素进行了研究，得出了刀盘转速对宿根破坏影响最大的结论。上述研究对推进该问题的研究起到重要作用，尽管如此，由于甘蔗收获机切割时对甘蔗宿根切割质量的影响具有非线性性、复杂性、模糊性等特点，对其准确预测方法仍有待探讨。

BP神经网络算法具有高度非线性函数逼近能力和强自适应学习能力，无需知道输入变量与输出变量间的关系，便可高精度逼近它们的非线性映射关系，为甘蔗宿根切割质量的预测提供了新的途径。由于到粒子群(PSO)算法能克服BP神经网络收敛速度慢、易陷入局部最优解等缺点，本文综合考虑了路面激励和甘蔗收获机工作参数，采用基于PSO算法的BP神经网络对甘蔗宿根切割质量预测，为甘蔗收获机实际工作中不同路况条件下工作参数的智能调控、提高甘蔗宿根切割质量提供理论依据，也为进一步开展甘蔗宿根切割质量的预测分析提供参考。

1 试验设备及方法

1.1 试验设备和材料

原料为成熟期的台糖22，采集于广西大学农场，甘蔗直径范围为20～30mm。课题组自制的双刀盘砍蔗试验平台由切割器、甘蔗夹持输送装置及路面激振装置组成，如图1所示。

图1 试验平台

电机转动时，皮带轮带动偏心轮转动，甘蔗夹持输送装置同时产生一个正弦信号。通过更换路面激振装置中不同旋转中心的偏心轮，来改变甘蔗夹持输送装置的振幅，使用变频器调节激振装置的转速，来获得不同振动频率，以模拟砍蔗时路面不平引起的振动。试验器材包括：三相异步电机3个，功率1.5kW；数字变频器3个，型号欧瑞F1000-G0055T3B，输出频率0.50～400Hz；游标卡尺，用于测量甘蔗切断部位裂纹的长度和深度。

1.2 试验方法

采用二次回归正交旋转组合试验，试验因素为路面振幅、路面振动频率、甘蔗收获机前进速度、刀盘转速及刀盘倾角。对采集于广西甘蔗生产区不同干湿情况的平地和坡地路谱数据进行频谱分析[4]，结果表明：路谱激励的振幅为0～40mm，所包含的频率成分在0～10Hz之间，试验水平在其范围内选取；甘蔗收获机工作参数的试验水平在小型整杆式甘蔗收获机常用工况范围内选取。因素水平编码表如表1所示。

表1 因素水平编码表

1.3 甘蔗宿根切割质量综合评定方式

研究发现：甘蔗切割过程中，甘蔗宿根的破损形式主要是蔗皮与蔗芯的径向撕裂，破损程度以裂纹数量、裂纹宽度和裂纹长度为指标。宿根产生裂纹后，破损程度越大，越易被病菌感染，宿根死亡率越高。在对甘蔗宿根切割质量综合评分值时采用模糊综合评分法[10]，将3个指标(即宿根截面裂纹数、裂纹宽度和裂纹长度)综合评分转化为单一指标，各评价指标值用xij表示。该评定方式结果表明综合评价值越高，甘蔗切割质量越低。综合评定方式为[11]

2 甘蔗切割质量预测的神经网络模型

2.1 BP神经网络

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，特点是信号前向传递。BP神经网络的拓扑结构包括输入层、输出层和隐含层，在前向传递过程中，输入信号从输入层进入经隐含层逐层处理，从输出层输出，各神经元只影响下一层神经元。如果输出层未得到期望输出，则将信号逆向传播，采用梯度下调法调整网络阈值与权值，使得预测输出不断逼近期望输出[12]。

本文采用3层神经网络来构建甘蔗切割质量预测模型。输入层神经元为路面振幅、路面振动频率、甘蔗收获机前进速度、刀盘转速、刀盘倾角，输出层神经元为甘蔗综合切割质量。根据Kolmogrov定理[13]，隐含层节点数取12。切割质量预测神经网络拓扑结构如图2所示。

2.2 粒子群算法优化的BP神经网络算法模型

粒子群(PSO)优化算法是由Kennedy和Eberhart于1995从鸟群觅食等种群行为特征的研究中得到启发，提出的一种群体智能的优化算法。粒子群算法在预设搜索空间初始化一群代表优化问题潜在最优解的粒子，每个粒子都有适应度函数决定的适应度值来表示粒子的优劣，粒子在可解空间中运动，粒子的速度决定它们搜索的方向和距离，粒子会随自身和其他粒子的搜索经验改变位置，从而不断更新适应度值，实现在搜索空间内寻优。在实际应用中，BP神经网络收敛速度慢且易陷入局部最优，因此本文用PSO算法来优化BP神经网络，提高BP神经网络的收敛速度，减小陷入局部最优的可能性，提高预测精度。

采用PSO训练BP神经网络算法设计[14](见图3)：①根据输入输出序列(X,Y)确定网络拓扑结构，构建合适的BP神经网络并初始其网络权值阈值长度ω；②确定训练数据与测试数据，将训练样本输入输出数据归一化；③根据已构建BP神经网络确定种群粒子数n和每个粒子的维数D，并将粒子映射为对应的权值与阈值；④初始化粒子X=(X1,X2···Xn)和速度Vi=[Vi1,Vi2,···,Vid]T，确定个体的位置范围[Xmin,Xmax]和速度范围[-Vmax,Vmax]；⑤根据适应度函数计算适应度值，包括个体极值Pbest和群体极值Gbest；⑥若Gbest误差值小于预设误差值ε，则终止运算，并输出Gbest和群体最优的粒子，反之则按⑦所示公式迭代；⑦每次迭代过程中，粒子通过个体极值和群体机制更新粒子位置和速度，更新公式为

其中，ω为惯性权重；k为当前迭代次数；c1、c2为加速度因子，一般设为1.5；r1、r2为[0,1]间的随机数。最后，把输出的最优初始权值阈值赋予BP神经网络预测。

图3 粒子群算法优化BP神经网络流程

3 结果与分析

3.1 试验数据

本文实验数据通过二次回归正交旋转组合试验方法获得，考虑的试验因素有路面振动频率、路面振幅、甘蔗收获机前进速度、刀盘转速、刀盘倾角，试验指标为甘蔗宿根切割质量综合评分值。为降低试验误差，各试验样本组采用相同指标下的砍蔗试验重复5次，并取试验指标的算术平均值为样本数据。原实验数据共36组，考虑到第27～36组为重复试验，合并为1组，并取27～36组试验指标的平均值为样本数据。本次研究采用27组试验数据来建立学习样本。为检验本模型精度，取后5组试验不参与训练数据而作为检验样本，如表2所示。

表2 甘蔗切割质量学习样本数据

续表2

3.2 模型验证

基于PSO算法的BP神经网络构建完后进行网络训练。将表2中1～22号样本数据作为输入目标进行学习，甘蔗宿根切割质量动的综合评分值作为输出目标进行学习。以绝对误差和相对误差为指标，将训练结果和实测值进行了比较，对比结果如表3所示。

表3 甘蔗切割质量训练结果对比

由表3可知：基于PSO算法的BP神经网络模型所得训练结果中的最大绝对误差为0.039%，最大相对误差为5.206%。这说明，针对甘蔗切割质量预测所建立的模型很好地表达了甘蔗切割质量和各影响因素之间的内在联系与规律。

3.3 对比分析

为了说明基于PSO算法的BP神经网络的有效性，采用BP神经网络和PSO BP神经网络分别建立了甘蔗切割质量的预测模型，并以第23～27组检验值的相对误差来定量评判模型性能，对比结果如表4所示。由表4可知：基于PSO算法的BP神经网络的检验值最大相对误差为3.301%，而BP神经网络的最大相对误差为14.659%。这说明，基于PSO算法的BP神经网络权值阈值位置合理，学习能力更强，经过训练后预测精度更高。

表4 检验值预测模型结果及误差分析

4 结论

1)本文采用处理后的二次回归正交旋转组合试验数据为学习样本，后5个数据作为检验样本不参与学习，来检验所建立模型。训练后模型所得预测结果的最大绝对误差为0.039%，最大相对误差为5.206%，说明针对甘蔗切割质量预测所建立的模型很好地表达了甘蔗切割质量和各影响因素之间的内在联系与规律。

2)将新模型对检验值进行预测，最大相对误差为3.301%，低于BP神经网络模型14.659%的误差，说明基于PSO算法的BP神经网络模型对甘蔗切割质量的预测比传统BP神经网络有更强的学习能力和更高的预测精度。

3)基于台糖22甘蔗宿根切割质量的PSO优化BP神经网络模型可作为台糖22收获过程中宿根切割质量预测的新方法，研究结果为甘蔗收获机实际工作中不同路况条件下工作参数的智能调控、提高甘蔗宿根切割质量提供理论依据，同时也为进一步开展甘蔗宿根切割质量的预测分析提供了参考。