IBOA-SDAE：一种用于棉花秸秆压榨过程中的工具磨损状况监测模型

《Computers and Electronics in Agriculture》：IBOA-SDAE: A tool wear condition monitoring model for cotton stalk crushing

Tool wear monitoring system based on STM32 and IBOA-SDAE for cotton stalk crushing machine.摘要：

　　本文提出了一种针对棉花秸秆粉碎还田过程中工具磨损严重以及缺乏监测设备导致作业失败问题的智能监测系统。该系统以STM32微控制器为核心控制器，结合传感器技术和深度学习算法，实现了对工具磨损状态的实时监测。为了提升工具磨损状态分类的准确性，研究者引入了一种改进的蝴蝶优化算法（IBOA）与堆叠去噪自编码器（SDAE）相结合的模型（IBOA-SDAE），以优化SDAE模型的超参数选择，从而确定最终的模型结构。通过在相同参数设置环境下对多个模型进行重复对比测试，研究结果表明，相较于其他七种SDAE模型（包括PSO-SDAE、SSA-SDAE、BOA-SDAE、HHO-SDAE、CWBOA-SDAE、SIBOA-SDAE），IBOA-SDAE模型在磨损状态识别的准确性方面表现更优，且单次试验的识别准确率始终保持在较高水平。此外，将IBOA-SDAE模型嵌入到监测系统中，并在田间环境下进行实际测试，验证了该系统在识别准确性和系统鲁棒性方面的良好性能。

农业机械故障监测技术的发展是推动农业机械和设备升级换代的重要方向。随着农业生产的全过程机械化，实现其数字化、信息化和智能化对于提升农业发展质量和效率，建设现代农业具有重要意义。棉花秸秆粉碎还田作为一种有效减少农业固体废弃物、改善土壤肥力的方法，已被广泛应用于农业生产中（Zhang et al., 2017; Sun and Wang, 2022; Xie et al., 2020）。棉花秸秆粉碎还田机作为农业收获机械的重要设备，其运行状态直接影响收获效率和质量（Qiu et al., 2022）。在棉花秸秆粉碎还田过程中，由于秸秆杂质的影响，粉碎工具容易发生磨损甚至断裂，这不仅影响了机器的运行效果，还降低了整体的作业效率（Liu et al., 2020a; Liu et al., 2020b）。因此，工具磨损监测技术可以用于实时监测工具的运行状态，及时发现工具磨损、断裂或丢失等异常情况，从而提高机器的可靠性与运行质量。

目前，学者们在工具磨损监测方面的研究方法主要包括直接监测和间接监测。直接监测方法主要利用机器视觉技术对工具磨损图像进行处理，以获取工具磨损信息（Deng et al., 2021; Cheng and Yu, 2021; Ye et al., 2022）。虽然机器视觉技术在工具监测方面具有显著优势，但在棉花秸秆粉碎还田机运行过程中，会产生大量粉尘，且难以对旋转的工具进行精准拍摄，因此直接监测方法并不适用于棉花秸秆粉碎工具的磨损状态监测。间接监测方法主要通过采集与工具磨损相关的传感器信号，并建立磨损状态与信号之间的数学模型，以实现对工具磨损状态的监测（Liu et al., 2020a; Liu et al., 2020b; Leng et al., 2020; Ma et al., 2022）。例如，He et al. (2021) 提出了一种基于原始温度信号的堆叠稀疏自编码器回归神经网络模型，用于预测工具磨损，并将其与传统机器学习方法进行了比较，结果显示所提出的模型具有更高的预测精度和更好的预测稳定性。He et al. (2022) 提出了一种结合堆叠稀疏自编码器与多传感器特征融合的深度学习方法，相较于传统机器学习方法，该方法在工具磨损预测方面表现出更高的准确性。Zhang et al. (2023) 提出了一种基于多通道混合信息和深度迁移学习的工具磨损监测方法，实验结果表明，该模型在多种和变化的工作条件下，利用混合信息进行工具磨损预测的误差显著低于仅使用切削力数据的模型。Huang et al. (2024) 提出了一种基于深度对抗域混淆网络模型特征迁移的智能跨域数据驱动工具磨损监测方法，使数据驱动方法在实际工业领域中的应用更加成功。

尽管上述研究在工具磨损特征信号的高效提取方面取得了一定成果，并进一步提升了工具磨损的识别精度，但忽略了分类模型自身相关参数的重要性。为了进一步提升模型的识别能力，一些学者也对分类模型相关参数的选取方法进行了深入研究。例如，Liao et al. (2019) 利用遗传算法（GA）筛选与工具磨损状态高度相关的切削力特征信号，并通过灰狼优化算法（GWO）优化支持向量机（SVM）模型参数，以建立切削信号特征与工具磨损状态之间的非线性映射关系，从而提升工具磨损监测系统的预测精度。Chen et al. (2020) 提出了一种结合自适应粒子群优化算法（APSO）和最小二乘支持向量机（LS-SVM）的预测模型，用于钻头磨损识别，提高了工具磨损识别的准确性。Huang et al. (2021) 提出了一种基于多信息融合和改进POS-SVM的工具磨损状态预测方法，解决了单一传感器采集信息有限和SVM模型参数选择困难的问题，实验结果表明，改进后的POS-SVM模型在预测工具磨损状态方面表现出显著提升的准确性，能够有效识别工具磨损状态。Nie et al. (2022) 提出了一种基于改进粒子群优化算法优化最小二乘支持向量机的工具磨损状态识别方法，利用铣削加工过程中的力信号识别工具磨损状态，识别准确率达到95.24%。上述研究通过优化算法搜索模型参数，取得了较好的成果，但仍然存在收敛速度慢和容易陷入局部最优解的问题。

综上所述，现有研究主要集中在如何高效提取工具磨损特征信号，以提升工具磨损的识别精度，但忽略了分类模型自身相关参数的重要性。因此，本文研究重点在于通过改进的蝴蝶优化算法（IBOA）对SDAE模型的参数进行优化，从而提升棉花秸秆粉碎工具磨损状态分类的准确性。此外，本文还设计了一种适用于棉花秸秆粉碎还田作业的工具磨损监测系统，并在田间环境下进行了实际测试，验证了该系统在识别准确性和系统鲁棒性方面的良好性能。

在棉花秸秆粉碎还田过程中，由于秸秆的不均匀喂入，粉碎工具会承受较大的冲击载荷，而非连续的切削力。这导致振动信号呈现出高度的不连续性和非平稳性，使得难以有效捕捉棉花秸秆粉碎工具的连续全生命周期信号。同时，有价值的磨损信息往往被大量噪声和空闲段所掩盖，因此，基于此类信号的全生命周期回归模型无法直接应用于棉花秸秆粉碎工具的磨损监测。基于这一背景，本文突破传统的回归框架，将棉花秸秆粉碎工具的磨损监测问题重新定义为一个离散分类任务。研究的目标是开发一种适用于间歇性操作信号的新型方法，以准确捕捉工具磨损特征。通过改进的蝴蝶优化算法（IBOA）对SDAE模型的参数进行优化，提升了棉花秸秆粉碎工具磨损状态分类的准确性。本文的主要贡献包括以下几个方面：

首先，为了提升蝴蝶优化算法（BOA）的全局搜索能力，并避免陷入局部最优解的风险，本文引入了ICMIC混沌映射方法，用于初始化种群并增强初始解的多样性。同时，设计了一种自适应转换概率机制，以动态平衡全局探索与局部开发。此外，引入了正弦余弦优化算法，用于优化局部搜索策略，从而提升模型的收敛精度。

其次，为了解决SDAE模型参数难以确定的问题，包括隐藏层节点数、隐藏层稀疏系数以及输入数据Dropout比率等参数的选择，本文提出了一种基于改进蝴蝶优化算法（IBOA）的自适应参数选择方法，以提高棉花秸秆粉碎工具磨损状态分类的准确性。同时，本文还基于自行构建的数据集进行了对比实验和消融实验，以进一步验证IBOA-SDAE模型的有效性。

最后，针对棉花秸秆粉碎还田过程中缺乏工具磨损监测系统的问题，本文设计了一种适用于棉花秸秆粉碎还田机的工具磨损监测系统。将IBOA-SDAE模型嵌入到该监测系统中，并将其安装在棉花秸秆粉碎还田机上进行田间测试，以验证工具磨损状态监测系统的监测准确性。

棉花秸秆粉碎装置及工作原理方面，本文所设计的监测系统配备了一种由新疆农业科学院农业机械化研究所开发的4JSMD-2.1棉花秸秆粉碎还田与残膜回收联合机（残膜回收机）。如图1所示，该装置主要由牵引架、棉花秸秆粉碎装置、二次投掷装置、残膜包装装置等组成。本文主要关注对粉碎装置健康状态的监测。

在监测系统的整体设计方面，本文提出的工具磨损状态监测系统的结构如图3所示，主要包括信号采集模块、信号处理模块、微控制器模块和报警模块。信号采集模块通过每个传感器在固定时间间隔内采集与工具磨损相关的信号；信号处理模块通过对采集到的信号进行放大、滤波和模数转换，获得数字信号。微控制器模块作为监测系统的核心模块，负责信号的处理和分析，并通过报警模块发出预警信号，提醒操作人员注意工具的磨损状态。

在工具磨损状态分类模型的构建方面，本文基于上述设计的监测系统，进一步探讨了如何将采集到的数据映射到工具磨损状态。信号采集模块获取的秸秆粉碎刀辊转速、左侧振动值和右侧振动值作为输入，送入IBOA-SDAE模型，以实现对不同工况下秸秆粉碎刀具磨损状态的识别。该模型作为智能分类工具，能够有效识别工具的磨损状态，为后续的维护和管理提供依据。

在测试环境方面，本文选择了八种基准测试函数进行仿真测试。将IBOA与粒子群优化算法（PSO）、蝴蝶优化算法（BOA）、麻雀搜索算法（SSA）、 Harris Hawk Optimization（HHO）、 CWBOA（Gao et al., 2020）和SIBOA（Wang et al., 2020）进行比较，以验证IBOA算法的收敛速度和优化精度。八种基准测试函数的基本信息见附录A。其中，函数f1~f4为高维单峰测试函数，而函数f5~f8则为多峰测试函数，具有更高的复杂性和非线性特征。通过这些测试函数，可以全面评估IBOA算法在不同任务下的性能表现。

本文的研究成果表明，通过改进的蝴蝶优化算法（IBOA）对SDAE模型的参数进行优化，能够有效提升棉花秸秆粉碎工具磨损状态分类的准确性。同时，通过构建数据集并进行对比实验和消融实验，进一步验证了IBOA-SDAE模型的有效性。此外，将IBOA-SDAE模型嵌入到监测系统中，并在田间环境下进行实际测试，证明了该系统在识别准确性和系统鲁棒性方面的良好性能。

综上所述，本文提出的工具磨损监测系统能够有效解决棉花秸秆粉碎还田过程中工具磨损严重的问题，并为农业机械的智能化运维提供了新的思路。通过引入改进的蝴蝶优化算法（IBOA）对SDAE模型的参数进行优化，提升了工具磨损状态分类的准确性。同时，通过构建数据集并进行对比实验和消融实验，进一步验证了IBOA-SDAE模型的有效性。此外，将IBOA-SDAE模型嵌入到监测系统中，并在田间环境下进行实际测试，证明了该系统在识别准确性和系统鲁棒性方面的良好性能。

在实际应用中，该监测系统能够实时监测工具的运行状态，及时发现工具磨损、断裂或丢失等异常情况，从而提高农业机械的运行效率和可靠性。同时，该系统具备较强的适应性，能够应对棉花秸秆粉碎过程中信号的不连续性和非平稳性，提升工具磨损识别的准确性。此外，该系统还能够有效过滤噪声和空闲段，确保有价值的信息不被遗漏，为工具磨损的识别和管理提供可靠的数据支持。

在研究方法上，本文采用改进的蝴蝶优化算法（IBOA）对SDAE模型的参数进行优化，解决了传统方法中参数难以确定的问题。通过引入ICMIC混沌映射方法，提升了算法的全局搜索能力，并避免了陷入局部最优解的风险。同时，设计了自适应转换概率机制，以动态平衡全局探索与局部开发，确保算法在优化过程中既能广泛搜索潜在解，又能快速收敛到最优解。此外，引入正弦余弦优化算法，用于优化局部搜索策略，从而提升模型的收敛精度。

通过对比实验和消融实验，验证了IBOA-SDAE模型在不同工况下的性能表现。实验结果表明，相较于其他七种SDAE模型，IBOA-SDAE模型在磨损状态识别的准确性方面表现更优，且单次试验的识别准确率始终保持在较高水平。此外，该模型在不同测试函数下的收敛速度和优化精度也表现出良好的性能，验证了其在实际应用中的可行性。

本文的研究成果不仅为棉花秸秆粉碎还田过程中的工具磨损监测提供了新的解决方案，也为农业机械的智能化发展提供了理论支持。通过改进的蝴蝶优化算法（IBOA）对SDAE模型的参数进行优化，提升了工具磨损状态分类的准确性。同时，通过构建数据集并进行对比实验和消融实验，进一步验证了IBOA-SDAE模型的有效性。此外，将IBOA-SDAE模型嵌入到监测系统中，并在田间环境下进行实际测试，证明了该系统在识别准确性和系统鲁棒性方面的良好性能。

在农业机械智能化发展背景下，工具磨损监测技术的创新具有重要意义。传统的工具磨损监测方法多适用于工业场景中的铣削和钻孔等连续性加工过程，而棉花秸秆粉碎还田过程则具有独特的间歇性和高冲击性。因此，针对棉花秸秆粉碎工具的磨损监测，需要开发适用于间歇性操作信号的新型方法。本文提出的IBOA-SDAE模型正是基于这一需求，通过改进的蝴蝶优化算法对SDAE模型的参数进行优化，提升了工具磨损状态分类的准确性。同时，该模型具备较强的适应性，能够应对棉花秸秆粉碎过程中信号的不连续性和非平稳性，为工具磨损的识别和管理提供可靠的数据支持。

此外，本文还设计了一种适用于棉花秸秆粉碎还田机的工具磨损监测系统。该系统通过集成传感器技术和深度学习算法，实现了对工具磨损状态的实时监测。在田间环境下进行的实际测试表明，该系统能够有效识别工具的磨损状态，并具备良好的系统鲁棒性。因此，该系统在实际应用中具有较高的可行性，能够为农业机械的智能化运维提供有力支持。

在研究过程中，本文采用了多种优化算法，以提升工具磨损状态分类的准确性。通过引入改进的蝴蝶优化算法（IBOA），解决了传统方法中参数难以确定的问题，提升了模型的优化效果。同时，通过构建数据集并进行对比实验和消融实验，进一步验证了IBOA-SDAE模型的有效性。此外，通过田间环境下的实际测试，证明了该系统在识别准确性和系统鲁棒性方面的良好性能。

综上所述，本文的研究成果不仅为棉花秸秆粉碎还田过程中的工具磨损监测提供了新的解决方案，也为农业机械的智能化发展提供了理论支持。通过改进的蝴蝶优化算法（IBOA）对SDAE模型的参数进行优化，提升了工具磨损状态分类的准确性。同时，该模型具备较强的适应性，能够应对棉花秸秆粉碎过程中信号的不连续性和非平稳性，为工具磨损的识别和管理提供可靠的数据支持。此外，本文设计的监测系统能够有效提升农业机械的运行效率和可靠性，为农业生产的智能化发展提供了有力支撑。