基于PCA-GA-SVM的甘蔗收获机运行状态识别

由于甘蔗收获机在收获过程中智能化水平较低,依靠人工操作很容易对甘蔗收获机的运行状态产生误判,从而造成物流通道堵塞、能源浪费、收割效率低。针对这些问题,提出一种基于主成分分析(PCA)、遗传算法(GA)和支持向量机(SVM)状态识别模型。首先,通过实地采集甘蔗收获机刀盘轴、行走轴、切段轴和风机轴扭矩和行驶速度特征信息,然后通过PCA进行数据降维,最后利用GA优化参数C、γ,使用每个特性信息来训练SVM,对甘蔗收获机运行状态进行分类。结果表明:PCA-GA-SVM状态识别模型对甘蔗收获机运行状态的识别准确率为93.75%,建模时间为3.688 s,与SVM(81.25%,9.487 s)、PCA-SVM(87.5%,5.817 s)和GA-SVM(90%,8.969 s)进行对比,该模型具有最高准确识别率和最快建模速度,具有较大的应用价值。     

基于PSO-LSSVM的甘蔗破头率预测

甘蔗收割机收割后的甘蔗宿根破头率是评价甘蔗收割质量的重要指标,破头率过高会严重影响下一年甘蔗产量及甘蔗收割机的广泛推广与应用,但甘蔗破头率的采集方式复杂、费时费力,是研究降低甘蔗破头率的控制策略中的一项难题。为此,提出了一种基于PSO-LSSVM的甘蔗破头率预测方法,通过在田间采集甘蔗收割机刀盘与行走子系统的工作压力、速度等信号,以此为输入数据,以甘蔗破头率为输出,建立了基于PSO-LSSVM的甘蔗破头率预测模型。结果表明:基于PSO-LSSVM的甘蔗破头率预测平均绝对误差为0.145,均方误差为0.0214,与LSSVM预测模型相比分别降低了60.7%、80.9%,与真实破头率的拟合程度高。预测模型为探究降低甘蔗破头率的控制策略提供理论基础。