关键词:
CEEMD
特征向量
RNN-LSTM
能量衰减
堵塞识别
堵塞定位
摘要:
随着近年来国外先进自动化养殖技术的快速引入,稀料饲喂系统越来越广泛的被应用在国内生猪养殖中。由于稀料的配比都进行了严格的限定,一旦调整饲料的原料,系统将很容易出现堵塞问题,不仅极大限制了养殖过程中对本地作物的利用还会影响饲喂系统的正常运行,情况严重时可能使饲喂管道发生爆裂,造成重大的经济损失,所以方便及时的检测和定位饲喂管道堵塞具有重要的意义。目前,国内对于管道故障的研究主要集中在管道自身的缺陷,比如管道泄露、管道凹陷变形等方面,关于管道堵塞方面的研究相对薄弱。本文采用一种声学主动检测方法,对采集的饲喂管道内的声反馈信号进行完全经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD),使用循环神经网络(Recurrent Neural Network,RNN)-长短期记忆(Long Short-Term Memory,LSTM)算法模型和能量衰减定位法解决饲喂管道堵塞故障识别和定位的问题。论文具体研究内容如下:(1)利用COMSOL软件设计建立饲喂管道内部堵塞声场仿真模型,对饲喂管道内部的三通件、无堵塞、轻度堵塞、中度堵塞和重度堵塞5种工况进行仿真试验,并对不同类型的饲料引起的堵塞进行仿真,验证不同堵塞物对堵塞检测的影响,再通过试验对仿真结果进行验证。结果证明5种不同工况均能产生特定规律的声反馈信号,且不同类型的堵塞物在相同工况下的声反馈信号存在一定规律性,验证了根据声反馈信号检测饲喂管道堵塞状态的理论可行性。(2)设计基于声反馈信号的堵塞状态检测系统,利用CEEMD分解声反馈信号,从分解后得到的本征模态函数(Intrinsic Mode Function,IMF)分量中提取特征向量并进行特征选择,分别使用BP神经网络(Back-Propagation Network)和RNN-LSTM算法模型进行识别。结果表明,经特征筛选后,可得到特征向量之间区分度较大的IMF分量,降低了特征集合维数,提高了识别效率,并且RNN-LSTM算法模型能有效识别饲喂管道中的不同堵塞状况,具有较高的识别准确率,在实际生产中的应用价值较高。(3)采用能量衰减定位法对相同堵塞位置不同堵塞程度、相同管道长度不同堵塞位置和相同堵塞位置不同管道长度三种类型的堵塞进行定位计算,并利用COMSOL软件对试验方法的极限检测距离进行仿真研究。结果表明,该检测方法受堵塞状态的影响较小,且得到的计算结果与堵塞物在饲喂管道中的实际位置基本相同,相对误差小于2%,能有效实现饲喂管道内堵塞的定位。极限检测距离仿真结果证明随着饲喂管道中输送稀料密度的增加,极限检测距离随之减小,可进一步为设计饲喂管道堵塞检测装置提供理论依据。