《农业工程学报》2026年第42卷第7期刊载了南京农业大学等单位邓晓亭、宋思雨、鲁植雄、朱烨均的论文——“基于HHO-BP神经网络的混合动力重型拖拉机机电耦合系统故障诊断”。该研究由江苏省农业科技自主创新资金项目 ZX2401030、国家重点研发计划项目 2022YFD2001202等资助。

引文信息：邓晓亭，宋思雨，鲁植雄，等. 基于HHO-BP神经网络的混合动力重型拖拉机机电耦合系统故障诊断[J]. 农业工程学报， 2026，42(7)：37-47.

DOI: 10.11975/j.issn.1002-6819.202506115

阅读全文链接：http://www.tcsae.org/cn/article/doi/10.11975/j.issn.1002-6819.202506115

研究目的与方法：

混合动力拖拉机的故障诊断对保障设备安全运行具有重要工程意义。混联式混合动力重型拖拉机中混合动力耦合箱对整个传动系统的安全稳定性起到重要作用，该研究提出一种耦合箱的机械故障诊断方法。针对混合动力耦合箱的5种常见故障类型进行分析，并基于这些故障类型开展算法研究。传统故障诊断方法在提取振动信号特征时常因敏感度不够而难以区分微弱故障信号，同时，基于BP（back propagation）神经网络的模型易陷入局部最优，影响诊断精度与效率。

针对上述问题，本文首次将哈里斯鹰优化（harris hawks optimization，HHO）算法引入BP网络参数寻优，并结合时频域特征设计了一种HHO-BP神经网络故障诊断方法。通过加速度振动传感器采集箱体的振动信号，对420组原始信号数据进行处理，提取时频域故障特征。分别构建BP神经网络、PSO-BP（particle swarm optimization-back propagation）神经网络和HHO-BP神经网络故障诊断模型，并进行对比分析。

结果与结论：

精确率、召回率和F1分数等评价指标的对比结果表明，HHO-BP模型的整体性能优于其他两种模型。在分类平均准确率方面，HHO-BP模型达到98.26%，分别比BP和PSO-BP模型提高了6.36和5.54个百分点。综合对比结果表明，HHO-BP优化算法在混合动力耦合箱机械故障诊断中表现出良好的稳定性和判断能力，可为解决混合动力重型拖拉机的机电耦合系统机械故障问题提供有效途径。

支持单位：