本發(fā)明涉及智能監(jiān)測領(lǐng)域，具體是指一種智能化的農(nóng)機(jī)狀態(tài)監(jiān)測方法及系統(tǒng)。

背景技術(shù)：

1、隨著現(xiàn)代農(nóng)業(yè)機(jī)械化水平的不斷提高，農(nóng)機(jī)設(shè)備的廣泛應(yīng)用極大地提升了農(nóng)業(yè)生產(chǎn)效率然而農(nóng)機(jī)設(shè)備的運行狀態(tài)直接影響農(nóng)業(yè)作業(yè)的效率和經(jīng)濟(jì)效益，現(xiàn)有的農(nóng)機(jī)狀態(tài)監(jiān)測方法大多依賴于傳統(tǒng)信號處理方法，如傅里葉變換或小波變換，僅能提取有限的頻域或時頻特征，無法充分挖掘高頻振動信號與低頻運行信號中的深層次特征；傳統(tǒng)的狀態(tài)監(jiān)測方法基于簡單的機(jī)器學(xué)習(xí)算法，難以捕捉復(fù)雜的時間依賴性，無法有效建模農(nóng)機(jī)運行狀態(tài)的動態(tài)演變過程，并且監(jiān)測模型缺乏智能優(yōu)化機(jī)制，訓(xùn)練過程收斂速度慢，監(jiān)測精度受限。

技術(shù)實現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種智能化的農(nóng)機(jī)狀態(tài)監(jiān)測方法及系統(tǒng)，在特征提取時采用ghostnet輕量級卷積網(wǎng)絡(luò)提取高頻振動信號特征，低頻運行信號采用統(tǒng)計特征提取方法，結(jié)合高頻特征進(jìn)行融合，保證多源信號的有效利用，提升監(jiān)測模型的綜合性能；在狀態(tài)監(jiān)測時，采用動態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)+雙向lstm建模狀態(tài)監(jiān)測過程，捕捉農(nóng)機(jī)狀態(tài)的空間依賴性和時間動態(tài)演變，提高狀態(tài)監(jiān)測的準(zhǔn)確性，設(shè)計基于差分進(jìn)化優(yōu)化的超參數(shù)搜索機(jī)制，通過pcm記憶池存儲高適應(yīng)度個體，自適應(yīng)調(diào)整學(xué)習(xí)率、網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)等超參數(shù)，減少人工干預(yù)，提高泛化能力，引入存檔擾動機(jī)制，當(dāng)pcm記憶池在多個迭代周期內(nèi)無顯著優(yōu)化時，觸發(fā)全局搜索，提高超參數(shù)搜索的效率，使?fàn)顟B(tài)監(jiān)測模型更穩(wěn)定。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種智能化的農(nóng)機(jī)狀態(tài)監(jiān)測方法，該方法包括以下步驟：

3、步驟s1：農(nóng)機(jī)運行數(shù)據(jù)采集，在農(nóng)機(jī)的關(guān)鍵部位安裝高頻振動傳感器和低頻信號傳感器，分別采集農(nóng)機(jī)的高頻振動信號和低頻運行信號，所述關(guān)鍵部位包括軸承、齒輪和發(fā)動機(jī)；

4、步驟s2：信號預(yù)處理，對高頻振動信號采用小波變換進(jìn)行多尺度分解，對低頻運行信號使用平滑濾波和去噪，得到預(yù)處理后的高頻振動信號和低頻運行信號；

5、步驟s3：特征提取，對預(yù)處理后的高頻振動信號采用ghostnet輕量級卷積提取高頻特征，并結(jié)合集成學(xué)習(xí)和坐標(biāo)注意力機(jī)制增強(qiáng)特征，對預(yù)處理后的低頻運行信號采用統(tǒng)計特征提取方法提取低頻特征，融合得到農(nóng)機(jī)運行特征；

6、步驟s4：深度特征學(xué)習(xí)，使用深度學(xué)習(xí)和自監(jiān)督學(xué)習(xí)框架，結(jié)合自編碼器對農(nóng)機(jī)運行特征進(jìn)行深度學(xué)習(xí)，得到深度特征；

7、步驟s5：狀態(tài)監(jiān)測，基于深度特征構(gòu)建狀態(tài)監(jiān)測模型，實時分析農(nóng)機(jī)運行狀態(tài)，得到狀態(tài)監(jiān)測結(jié)果；

8、步驟s6：故障診斷，構(gòu)建故障診斷模型，對狀態(tài)檢測結(jié)果進(jìn)行分析，得到分析結(jié)果和風(fēng)險預(yù)測。

9、進(jìn)一步的，步驟s4，具體包括以下步驟：

10、步驟s41：數(shù)據(jù)準(zhǔn)備，將農(nóng)機(jī)運行特征按照時間順序整理為特征矩陣，行代表時間步長，列代表不同的特征，將每個時間步長的農(nóng)機(jī)運行特征視為一個節(jié)點；

11、步驟s42：自監(jiān)督目標(biāo)構(gòu)造，通過數(shù)據(jù)增強(qiáng)生成兩組正樣本，采用對比損失函數(shù)學(xué)習(xí)節(jié)點的區(qū)分能力；

12、步驟s43：構(gòu)建時空依賴結(jié)構(gòu)，使用滑動窗口的方法對農(nóng)機(jī)運行特征進(jìn)行劃分，構(gòu)造時間序列數(shù)據(jù)集，計算時間步長之間的相似性矩陣，構(gòu)造動態(tài)鄰接矩陣；

13、步驟s44：自編碼器重構(gòu)，構(gòu)建一個自編碼器，包括編碼器和解碼器，編碼器降維，解碼器重構(gòu)，設(shè)置優(yōu)化目標(biāo)為最小化重構(gòu)損失；

14、步驟s45：深度特征提取，使用動態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)結(jié)合lstm，得到深度特征；

15、步驟s46：輸出深度特征。

16、進(jìn)一步的，步驟s45，具體包括以下內(nèi)容：

17、動態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)部分：輸入動態(tài)鄰接矩陣和特征矩陣，通過動態(tài)圖卷積運算更新節(jié)點特征，提取空間依賴關(guān)系，計算每個時間步長的農(nóng)機(jī)運行特征表示；

18、lstm模塊：采用雙層雙向lstm，輸入動態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)部分提取的時間序列數(shù)據(jù)集，建模時間依賴關(guān)系，計算長期和短期特征，并提取深度特征；

19、聯(lián)合訓(xùn)練：采用端到端訓(xùn)練策略，通過動態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)部分提取空間依賴關(guān)系，再通過lstm建模時間依賴關(guān)系。

20、進(jìn)一步的，步驟s5，基于深度特征構(gòu)建狀態(tài)監(jiān)測模型，具體包括以下步驟：

21、步驟s51：狀態(tài)特征構(gòu)造，結(jié)合步驟s4的深度特征構(gòu)造時間序列特征向量，采用歸一化進(jìn)行處理；

22、步驟s52：狀態(tài)監(jiān)測模型初始化，輸入步驟s51中處理過的時間序列特征向量，采用lstm構(gòu)建狀態(tài)監(jiān)測模型；

23、步驟s53：種群初始化，隨機(jī)初始化一個初始種群，其中每個個體表示一組超參數(shù)配置，每個個體表示如下：

24、；

25、其中，為第個個體，為學(xué)習(xí)率，為網(wǎng)絡(luò)層數(shù)，為每層的神經(jīng)元數(shù)，和為差分進(jìn)化的控制參數(shù)；

26、對于初始種群中的每個個體計算適應(yīng)度，得到適應(yīng)度值；

27、步驟s54：建立pcm記憶池，設(shè)定存儲容量為m，存入當(dāng)前適應(yīng)度值高的前m個個體存入pcm記憶池，設(shè)定最大迭代次數(shù)和全局迭代變量，表示如下：

28、；

29、當(dāng)時，執(zhí)行步驟s55至步驟s57；

30、其中，為全局迭代變量，為最大迭代次數(shù)，設(shè)定為200；

31、步驟s55：自適應(yīng)搜索，實行全局搜索和局部搜索，具體包括以下內(nèi)容：

32、全局搜索：對初始種群中的每個個體進(jìn)行標(biāo)準(zhǔn)差分進(jìn)化變異，所用公式如下：

33、；

34、其中，、和是從初始種群中隨機(jī)選擇的個體，為全局搜索產(chǎn)生的新個體；

35、局部搜索：以50%的概率對pcm記憶池中的個體引導(dǎo)變異，所用公式如下：

36、；

37、其中，是從pcm記憶池中隨機(jī)選取的個體，為局部搜索產(chǎn)生的新個體；

38、步驟s56：種群更新，計算和的適應(yīng)度值，如果適應(yīng)度值高于，則替換進(jìn)入初始種群，如果的適應(yīng)度高于pcm記憶池中任意一個個體，則進(jìn)行替換，得到替換后的初始種群和替換后的pcm記憶池；

39、步驟s57：存檔擾動機(jī)制，監(jiān)測pcm記憶池的變化情況，當(dāng)?shù)?0次均無優(yōu)化時，觸發(fā)存檔擾動機(jī)制；

40、步驟s58：結(jié)果輸出，當(dāng)時，結(jié)束迭代，輸出最終pcm池中適應(yīng)度最高的個體，為最優(yōu)超參數(shù)組合。

41、本發(fā)明提供的一種智能化的農(nóng)機(jī)狀態(tài)監(jiān)測系統(tǒng)，包括數(shù)據(jù)采集模塊、信號預(yù)處理模塊、特征提取模塊、深度特征學(xué)習(xí)模塊、狀態(tài)監(jiān)測模塊和故障診斷模塊，具體包括以下內(nèi)容：

42、所述數(shù)據(jù)采集模塊采集農(nóng)機(jī)的高頻振動信號和低頻運行信號；

43、所述信號預(yù)處理模塊對高頻振動信號和低頻運行信號進(jìn)行預(yù)處理；

44、所述特征提取模塊對預(yù)處理后的高頻振動信號采用ghostnet輕量級卷積提取高頻特征，并結(jié)合集成學(xué)習(xí)和坐標(biāo)注意力機(jī)制增強(qiáng)特征，對預(yù)處理后的低頻運行信號采用統(tǒng)計特征提取方法提取低頻特征，融合得到農(nóng)機(jī)運行特征；

45、所述深度特征學(xué)習(xí)模塊使用深度學(xué)習(xí)和自監(jiān)督學(xué)習(xí)框架，結(jié)合自編碼器對農(nóng)機(jī)運行特征進(jìn)行深度學(xué)習(xí)，得到深度特征；

46、所述狀態(tài)監(jiān)測模塊基于深度特征構(gòu)建狀態(tài)監(jiān)測模型，實時分析農(nóng)機(jī)運行狀態(tài)，得到狀態(tài)監(jiān)測結(jié)果；

47、所述故障診斷模塊構(gòu)建故障診斷模型，對狀態(tài)檢測結(jié)果進(jìn)行分析，得到分析結(jié)果和風(fēng)險預(yù)測。

48、采用上述方案本發(fā)明取得的有益效果如下：

49、（1）在特征提取時采用ghostnet輕量級卷積網(wǎng)絡(luò)提取高頻振動信號特征，低頻運行信號采用統(tǒng)計特征提取方法，結(jié)合高頻特征進(jìn)行融合，保證多源信號的有效利用，提升監(jiān)測模型的綜合性能；

50、（2）在狀態(tài)監(jiān)測時，采用動態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)+雙向lstm建模狀態(tài)監(jiān)測過程，捕捉農(nóng)機(jī)狀態(tài)的空間依賴性和時間動態(tài)演變，提高狀態(tài)監(jiān)測的準(zhǔn)確性，設(shè)計基于差分進(jìn)化優(yōu)化的超參數(shù)搜索機(jī)制，通過pcm記憶池存儲高適應(yīng)度個體，自適應(yīng)調(diào)整學(xué)習(xí)率、網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)等超參數(shù)，減少人工干預(yù)，提高泛化能力，引入存檔擾動機(jī)制，當(dāng)pcm記憶池在多個迭代周期內(nèi)無顯著優(yōu)化時，觸發(fā)全局搜索，提高超參數(shù)搜索的效率，使?fàn)顟B(tài)監(jiān)測模型更穩(wěn)定。