气动红枣采收机风机系统吸管堵塞多任务学习与数字孪生智能检测方法研究

《Smart Agricultural Technology》:Research on a Blockage Detection Method for the Suction Pipeline of the Fan System in a Pneumatic Jujube Picker

【字体: 大 中 小 】 时间:2025年12月26日 来源:Smart Agricultural Technology 5.7

编辑推荐:

  为解决气动红枣采收机风机系统吸管堵塞检测精度不足、实时性差及缺乏长期适应性的问题,本研究提出了一种融合多任务学习与数字孪生技术的智能检测与运维方法。研究人员构建了JujubePipe-BlockMTL-LightGBM多任务学习模型,可在统一框架内同步识别堵塞位置(前、中、后)并判定堵塞面积比(6个等级),克服了传统单任务模型忽略任务间物理关联的局限。该模型被嵌入基于数字孪生的实时监控系统,通过信息物理映射与闭环控制实现在线故障诊断,并引入模型自进化机制应对数据分布漂移,确保系统长期稳定与准确。实验结果表明,所提模型在测试集上对前、中段堵塞识别准确率达100%,后段达98.18%,显著优于传统机器学习与深度学习基线模型;在72小时连续测试中,数字孪生系统整体诊断准确率达98.67%,且对严重堵塞无误报,验证了该方法在高精度、强鲁棒性和持续自适应方面的综合优势,为气力输送农业装备智能运维提供了有效技术路径。

  
新疆作为中国最重要的红枣产区,其红枣产业的健康可持续发展不仅关系到特色农产品的供应安全,更是数百万当地农民生计的关键支柱。随着种植面积的持续扩大和产量的快速增加,实现红枣生产全程机械化——特别是高效、低损的采收——已成为提质增效的必由之路。在相关机械中,气动落地红枣采收机因其高作业效率在现代枣园中扮演着关键角色。该机器依靠风机系统产生的强负压气流,完成落地果实的拾取、输送和初步清理。风机系统的运行状态直接决定了整机的采收效率和工作质量。
然而,在实际田间作业中,红枣采收机面临着严峻挑战。果园环境复杂,地面除了成熟的果实,通常还有大量枝条、落叶、沙土甚至碎石。这些杂质在气流作用下易被吸入管道,导致风机系统吸管发生不同程度的堵塞。此类堵塞会瞬间改变系统内部的气动特性,引起负压异常和流速骤降,不仅显著降低拾果率,还会在长期运行中急剧增加风机负载,可能诱发电机过载、能耗激增,甚至关键部件早期疲劳损坏,导致非计划停机,每次停机都直接造成经济损失。据新疆和田相关部门调查,采收机管道堵塞造成的经济损失高达每台每天1200元人民币。因此,及时、准确地检测吸管堵塞,是保障采收机高效稳定运行的关键技术瓶颈。
为系统解决上述问题,石河子大学机电工程学院的科研团队在《Smart Agricultural Technology》上发表了一项研究,旨在开发一套从智能诊断算法到在线监测系统的完整技术方案。该研究的核心创新在于提出了一种基于多任务学习框架的JujubePipe-BlockMTL-LightGBM模型。该模型创新性地将堵塞位置识别(前、中、后)和堵塞面积估计(六个等级)集成到一个统一架构中。通过共享特征表示层学习两个任务的共同模式,同时利用任务特定的输出层捕捉其各自特点,从而实现对堵塞状况的全面协同感知。针对田间数据中常见的类别不平衡问题,设计了加权的多任务损失函数,并引入了方向性代价矩阵,强调对轻微堵塞的识别,并对严重堵塞的误分类施加更强惩罚,从而提升了模型的实用性和可靠性。
为进一步推动技术从实验室走向田间应用,该研究构建了基于数字孪生技术的实时监测与故障诊断系统。将上述智能模型嵌入作为系统的核心“大脑”,利用物联网技术,在物理实体与虚拟模型之间建立实时双向映射与数据交互机制。该系统不仅自动化地完成了在线数据采集、特征提取、故障分类与诊断的全流程;更重要的是,集成了模型自进化与参数自适应更新机制。一旦检测到因环境变化或设备老化引起的数据分布漂移,便自动触发在线学习过程,微调模型参数,使虚拟模型始终与真实物理系统保持高度一致,解决了静态模型在长期部署中的性能退化问题。
关键技术方法
为构建可靠的检测系统,研究人员首先对用于监测管道内风速和风压的多传感器进行了严格的个体校准和一致性校准,建立了传感器输出信号与物理量真实值之间的精确函数关系(如三次多项式模型),确保了测量数据的准确性和可比性。核心的JujubePipe-BlockMTL-LightGBM模型采用多任务学习架构,在LightGBM加法模型的基础上,设计了共享特征表示和任务特定偏置相结合的结构,能够同时输出堵塞位置和堵塞面积比的联合概率分布。模型训练采用了集成了类别平衡因子、严重性加权因子和难例加权的多任务损失函数,并引入方向性代价矩阵来优化模型对不同程度堵塞的识别敏感性。最终,该模型被嵌入一个基于数字孪生技术的实时监控系统。该系统通过信息物理系统(CPS)实现物理实体与虚拟模型的双向映射和闭环控制,并创新性地引入了基于KL(Kullback-Leibler)散度检测和在线参数校准的自进化机制,使系统能够适应长期运行中的数据分布漂移。
研究结果
2.1. 多传感器校准
研究人员通过个体校准和一致性校准两个步骤,确保了所有风速和风压传感器的测量准确性。个体校准在标准风洞中进行,通过最小二乘回归为每个传感器建立了独特的校准方程(如风速传感器的三次多项式方程 U = a0+ a1·Vw+ a2·Vw2+ a3·Vw3)。一致性校准则消除了传感器间的系统偏差,确保了不同测量端口数据的绝对可比性。这套校准程序将整体测量不确定度控制在±2.0% FS(满量程)以内,为准确提取和分析堵塞特征奠定了坚实基础。
2.2. 基于多任务LightGBM的采收机吸管堵塞检测 (JujubePipe-BlockMTL-LightGBM)
该模型将堵塞检测表述为一个多任务分类问题,包括堵塞位置识别(任务1)和堵塞面积估计(任务2)两个子任务。输入特征包括不同位置(前、中、后)的风速(v1, v2, v3)和风压(负压,p1, p2, p3)、堵塞上下游静压差、阻力系数(c = 2Δp / ρvi2)以及时频域特征(如能量带宽、谱质心)。模型通过共享特征表示层学习任务间的共性,并通过任务特定的输出层进行优化。设计的加权多任务损失函数考虑了类别不平衡、堵塞严重性和难例挖掘,从而增强了模型对轻微故障的敏感性和对严重故障误分类的抑制能力。
2.3. 基于数字孪生技术的采收机管道堵塞实时监测与故障诊断
构建了一个集成上述多任务学习模型的数字孪生系统。系统通过物联网模块实时采集风机系统关键运行参数(吸管内的风速、风压),经预处理后输入作为核心诊断子模块的JujubePipe-BlockMTL-LightGBM模型,实现堵塞位置和面积的实时预测与报警。更重要的是,系统集成了自进化机制。当基于KL散度检测到数据分布漂移(DKL> 0.02)时,系统自动触发在线参数校正和任务偏置调整过程,使模型能够自适应长期运行中的变化,保持虚拟模型与物理实体的一致性。
3. 实验与讨论
3.1. 采收机吸管堵塞模拟试验台构建
研究团队设计并搭建了用于堵塞模拟实验的管道装置,包括离心风机、电机、变频器和气流管道。测试管道采用内径180毫米、长1.8米的PVC钢丝软管。管道均分为三段(前段①、中段②、后段③),每段入口下游10厘米处设有一个测量端口(Port 1, 2, 3),安装YM1389风速传感器和QDF708-JX风压传感器。使用混合了枣枝、落叶、果实和砂石的堵塞材料来模拟真实堵塞情景,设定了六种堵塞面积比(12.5% 至 75%)。
3.2. 数据分析
通过系统分析不同堵塞条件下三个测量端点的风速和风压数据,揭示了堵塞位置和面积对管道内流场的影响规律。前段堵塞表现为强烈的局部扰动和快速的下游衰减;中段堵塞呈现相对均匀的阻力分布;后段堵塞则表现出系统级耦合效应,阻力增长与风机性能曲线强耦合,系统更易失稳。这些气流特征为故障诊断模型提供了关键的物理依据和特征工程基础。
3.3. 模型比较与优化
将JujubePipe-BlockMTL-LightGBM模型与逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、XGBoost、卷积神经网络(CNN)和多任务学习神经网络(MTL-NN)等模型进行了比较。在包含18种堵塞情况(3位置×6面积比)的数据集上,所提模型在测试集上对前、中段堵塞的识别准确率达到100%,后段达到98.18%,整体性能优于对比模型,显示了多任务学习框架在处理复杂、相关故障任务方面的优势。
3.4. 基于数字孪生系统的实验验证
构建了完整的实验验证平台,并进行了72小时不间断的系统稳定性测试。在随机引入的150次堵塞事件中,数字孪生系统成功触发并正确诊断了148次,整体准确率达到98.67%,对严重堵塞(面积比>50%)的检测准确率为100%。测试期间系统触发了两次数据分布漂移报警,并通过自进化机制保持了98.0%以上的预测精度,验证了系统在长期运行中的稳定性和自适应性。
结论与意义
该研究成功针对气动红枣采收机风机系统吸管堵塞检测的工程难题,发展了一套融合多任务学习智能算法与数字孪生技术的集成解决方案。研究表明,所提出的JujubePipe-BlockMTL-LightGBM模型能够在统一框架内高效、协同地完成堵塞位置和堵塞面积的识别,其性能显著优于一系列传统的单任务和深度学习模型,充分展现了多任务学习处理复杂相关故障任务的巨大潜力。通过将该核心诊断引擎嵌入基于数字孪生的在线监测系统,实现了物理实体与虚拟模型间的实时交互与闭环控制,并借助创新的自进化机制赋予系统对数据分布漂移的长期适应能力,保证了长期运行中的诊断准确性。在模拟和近实际工况下的实验结果表明,整体诊断准确率超过98%,这为气流输送类农业装备的智能故障诊断与预测性运维提供了坚实的技术支撑和可行的实践路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号