CN111258317B - 一种履带式微耕机的运行控制方法 - Google Patents

Abstract

本发明公开了一种履带式微耕机的运行控制方法，包括：步骤一、获取土壤含水率W、土壤容重ρ、微耕机耕深h和微耕机的作业方式；并且根据所述土壤含水率W、土壤容重ρ、微耕机耕深h和微耕机的作业方式确定微耕机的运行阻力指数η；步骤二、获取微耕机自重m、履带轮转速n_L、旋耕刀轴转速n_D、耕地坡角α和微耕机的运行阻力指数η，并且确定微耕机的旋耕刀轴转速等级；步骤三、根据所述微耕机的旋耕刀轴转速等级对所述微耕机的旋耕刀轴转速进行调整。

Description

一种履带式微耕机的运行控制方法

技术领域

本发明属于微耕机控制技术领域，特别涉及一种履带式微耕机的运行控制方法。

背景技术

自走式微耕机又称园艺管理机、田园管理机。根据微耕机的技术条件定义：微耕机功率不大于7.5kW，直接驱动旋转耕耘部件(如旋耕刀等)进行旋耕作业，主要用于水旱田耕整、田园管理、设施农业等耕耘作业项目。因此，微耕机在形态上属于直连式水平横轴微耕机的一种，其配套作业机具多大二十余种，可从事近四十项农田作业，兼具手扶拖拉机轻巧灵便与微耕机结构简单、配件丰富、作业效果良好的多重优点。

最近几年，微耕机得到了进一步的创新与发展，双履带式动力底盘在微耕机上得到了初步的试验应用。该机型牵引力大，爬坡能力强，通过性能优越，整机高度更低，结构更加紧凑，操作更加平稳，尤其适用于果园、坡地、温室大棚等的中耕管理作业。

在现有技术中，旋耕刀轴转速一般为固定转速，而耕地类型的变化会导致微耕机的碎土质量无法得到保证，或者保证微耕机的碎土质量却使微耕机的能耗过大。

发明内容

本发明针对现有技术的缺陷，提供了一种履带式微耕机的运行控制方法，本发的目的是根据微耕机的当前运行情况和微耕机的作业环境判断的旋耕刀轴的转速等级，并根据旋耕刀轴的转速等级对旋耕刀轴的转速进行调整，从而在保证微耕机碎土质量的同时减小微耕机的能耗。

本发明提供的技术方案为：

一种履带式微耕机的运行控制方法，包括：

步骤一、获取土壤含水率W、土壤容重ρ、微耕机耕深h和微耕机的作业方式；并且根据所述土壤含水率W、土壤容重ρ、微耕机耕深h和微耕机的作业方式确定微耕机的运行阻力指数η；

步骤二、获取微耕机自重m、履带轮转速n_L、旋耕刀轴转速n_D、耕地坡角α和微耕机的运行阻力指数η，并且确定微耕机的旋耕刀轴转速等级；

步骤三、根据所述微耕机的旋耕刀轴转速等级对所述微耕机的旋耕刀轴转速进行调整。

优选的是，在所述步骤一中，微耕机的运行阻力指数η为：

其中，η₀表示基准阻力指数，k表示微耕机不同作业方式的修正系数；W表示土壤含水率，表示土壤含水率的基准值；ρ表示土壤容重，ρ₀表示土壤单位容重；h表示微耕机耕深，h₀表示微耕机基准耕深。

优选的是，当微耕机的作业方式为旱地旋耕时k＝0.86～0.92，当微耕机的作业方式为水田旋耕时k＝0.77～0.85。

优选的是，在所述步骤二中，通过BP神经网络确定微耕机的旋耕刀轴转速等级，包括如下步骤：

步骤1、将获取的参数进行规格化，确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅}，其中，x₁为微耕机自重系数，x₂为履带轮转速系数，x₃为旋耕刀轴转速系数、x₄为耕地坡角系数、x₅为微耕机的运行阻力指数系数；

步骤2、所述输入层向量映射到隐藏层，所述隐藏层向量y＝{y₁,y₂,…,y_m}，m为隐藏层节点个数；

步骤3、得到输出层神经元向量o＝{o₁,o₂,o₃}；其中，o₁为设定的第1转速等级，o₂为设定的第2转速等级，o₃为设定的第3转速等级；所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3}，i为设定的第i个转速等级，i＝{1,2,3}，当o_k为1时，微耕机的旋耕刀轴转速处于o_k对应的速度等级。

优选的是，当微耕机的旋耕刀轴转速处于第1转速等级时，将微耕机的旋耕刀轴转速调整为：

其中，λ₁为经验参数；n_D-0表示旋耕刀轴基准转速，n_L表示履带轮转速，n_L-0表示履带轮初始转速；α为耕地坡角；m表示微耕机自重，m₀表示微耕机自重的基准值；η为微耕机的运行阻力指数，e为自然对数的底数。

优选的是，当微耕机的旋耕刀轴转速处于第3转速等级时，将微耕机的旋耕刀轴转速调整为：

其中，λ₃为经验参数；n_D-0表示旋耕刀轴基准转速，n_L表示履带轮转速，n_L-0表示履带轮初始转速；α为耕地坡角；m表示微耕机自重，m₀表示微耕机自重的基准值；η为微耕机的运行阻力指数，e为自然对数的底数。

优选的是，当微耕机的旋耕刀轴转速处于第2转速等级时，保持当前旋耕刀轴转速。

优选的是，在所述步骤2中，进行规格化的公式为：

其中，X_j分别为参数m、n_L、n_D、α、η，j＝1,2,3,4,5；X_jmax和X_jmin分别为相应参数中的最大值和最小值。

本发明的有益效果是：

本发明提供的履带式微耕机的运行控制方法，能够根据微耕机的当前运行情况和微耕机的作业环境判断的旋耕刀轴的转速等级，并根据旋耕刀轴的转速等级对旋耕刀轴的转速进行调整，从而在保证微耕机碎土质量的同时减小微耕机的能耗。

具体实施方式

下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供了一种履带式微耕机的运行控制方法，主要适用于自走履带式微耕机的控制，包括如下步骤：

步骤一、在履带式微耕机运行的过程中，获取土壤含水率W、土壤容重ρ、微耕机耕深h和微耕机的作业方式；并且根据所述土壤含水率W、土壤容重ρ、微耕机耕深h和微耕机的作业方式确定微耕机的运行阻力指数η；

其中，所述的微耕机的运行阻力指数η为：

其中，η₀表示基准阻力指数，k表示微耕机不同作业方式的修正系数；W表示土壤含水率，表示土壤含水率的基准值；ρ表示土壤容重，ρ₀表示土壤单位容重，即ρ₀＝1.0g/cm³；h表示微耕机耕深，h₀表示微耕机基准耕深。

在本实施例中，微耕机仅涉及旱田旋耕和水田旋耕两种作业方式，当微耕机的作业方式为旱地旋耕时k＝0.86～0.92，当微耕机的作业方式为水田旋耕时k＝0.77～0.85。并且根据经验设定η₀＝1.36～1.52，h₀＝100～120mm。

步骤二、获取微耕机自重m、履带轮转速n_L、旋耕刀轴转速n_D、耕地坡角α和微耕机的运行阻力指数η，并且确定微耕机的旋耕刀轴转速等级；

步骤三、根据所述微耕机的旋耕刀轴转速等级对所述微耕机的旋耕刀轴转速进行调整。

在另一个实施例中，所述的履带式微耕机的运行控制方法是通过微耕机运行控制系统实现的。所述的微耕机运行控制系统包括：土壤含水率传感器，其安装在微耕机的底盘处，用于土壤含水率W；土壤容重传感器，其安装在微耕机的底盘处，用于检测土壤容重ρ；红外传感器，其安装在微耕机底盘处，用于检测微耕机耕深h；履带轮转速传感器，其安装在履带轮上，用于检测履带轮转速n_L；旋耕刀轴转速传感器，其安装在旋耕刀轴上，用于检测旋耕刀轴的转速n_D；以及倾角传感器，其安装在微耕机底盘上，用于检测耕地坡角α(相当于微耕机的爬坡角度)。所述的微耕机运行控制系统还包括：人机交互模块，其用于输入微耕机的基本信息，包括微耕机自重及当前微耕机作业方式等参数；数据采集模块，其与所述人机交互模块、土壤含水率传感器、土壤容重传感器、红外传感器、履带轮转速传感器和旋耕刀轴转速传感器分别电联，用于采集上述传感器监测的信息和人机交互模块中输入的信息；数据接收与存储模块，其接收所述数据采集模块发送的信息；以及信息运算与处理模块，其接收所述数据接收与存储模块发送的信息，根据接收到的数据进行计算得到旋耕刀轴的转速等级，并且进一步根据旋耕刀轴的转速等级计算得到调整的转速值。

在另一个实施例中，在所述步骤二中，通过BP神经网络确定微耕机的旋耕刀轴转速等级，包括如下步骤：

步骤1、建立BP神经网络模型。

BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即o_i＝x_i。中间隐含层和输出层的神经元的操作特性为：

o_pj＝f_j(net_pj)

其中，p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值，o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，取为S型函数，即f_j(x)＝1/(1+e^-x)。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐藏层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：o＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝5，输出层节点数为p＝3，隐藏层节点数m由下式估算得出：

输入层5个参数分别表示为：x₁为微耕机自重系数，x₂为履带轮转速系数，x₃为旋耕刀轴转速系数、x₄为耕地坡角系数、x₅为微耕机的运行阻力指数系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

归一化的公式为其中，x_j为输入层向量中的参数，X_j分别为参数m、n_L、n_D、α、η，j＝1,2,3,4,5；X_jmax和X_jmin分别为相应参数中的最大值和最小值。

具体而言，对于微耕机自重m，通过下式进行规格化后，得到微耕机自重系数x₁：

其中，m_min和m_max分别为同类型微耕机自重的最小值和最大值。

同样的，对于履带轮转速n_L，通过下式进行规格化，得到履带轮转速系数x₂：

其中，n_L-min和n_L-max分别为设定的最小履带轮转速和最大履带轮转速。

对于旋耕刀轴转速n_D，通过下式进行规格化后，得到旋耕刀轴转速系数x₃：

其中，n_D-min和n_D-max分别为设定的最小旋耕刀轴转速和最大旋耕刀轴转速。

对于耕地坡角α，通过下式进行规格化后，得到耕地坡角系数x₄：

其中，α_min和α_max分别为设定的最小耕地坡角和最大耕地坡角。

对于微耕机的运行阻力指数η，通过下式进行规格化后，得到微耕机的运行阻力指数系数x₅：

其中，η_min和η_max分别为微耕机的最小运行阻力指数和微耕机的最大运行阻力指数。

输出层3个参数分别表示为：其中，o₁为设定的第1转速等级，o₂为设定的第2转速等级，o₃为设定的第3转速等级；所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3}，i为设定的第i个转速等级，i＝{1,2,3}，当o_k为1时，微耕机的旋耕刀轴转速处于o_k对应的速度等级。

步骤2、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。

(1)训练方法

BP神经网络的子网采用单独训练的方法；训练时，首先提供一组训练样本，每一个样本由输入样本和理想输出值组成，当网络的所有实际输出值与其理想输出值一致时，训练结束；否则，通过修正权值，使网络的理想输出值与实际输出值一致；各子网训练时的输出样本如表1所示。

表1BP神经网络子网训练输出样本

(2)训练算法

BP网络采用误差反向传播(Backward Propagation)算法进行训练。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

BP算法采用Levenberg-Marquardt优化算法求非线性函数极值，Levenberg-Marquardt优化算法能够使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为：

Δω＝(J^TJ+μI)^-1J^Te

其中，J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。

步骤3、信息运算与处理模块得到微耕机旋耕刀轴的转速等级，所述第1转速等级表示当前微耕机的旋耕刀轴转速较慢，在当前运行状态下达不到预期的碎土效果；所述第2转速等级表示微耕机旋耕刀轴的转速处于正常转速阈值内，转速合适，保持当前转速即可；所述第3转速等级表示旋耕刀轴的转速过快，如果继续保持当前转速，可能导致微耕机能耗过高或旋耕刀损坏。

在另一个实施例中，在所述步骤三中，根据微耕机旋耕刀轴的转速等级对所述微耕机旋耕刀轴的转速进行调整，具体包括：

当微耕机的旋耕刀轴转速处于第1转速等级时，将微耕机的旋耕刀轴转速调整为：

其中，λ₁为经验参数；n_D-0表示旋耕刀轴基准转速，可根据旋耕刀的性能进行设定，n_L表示履带轮转速，n_L-0表示履带轮初始转速，可根据履带轮的性能进行设定；α为耕地坡角；m表示微耕机自重，m₀表示微耕机自重的基准值；η为微耕机的运行阻力指数，e为自然对数的底数。在旋耕刀轴转速较慢的情况下，通过该公式对旋耕刀轴的转速进行调整，能够提高微耕机的碎土效果。

当微耕机的旋耕刀轴转速处于第2转速等级时，保持当前旋耕刀轴转速。

当微耕机的旋耕刀轴转速处于第3转速等级时，将微耕机的旋耕刀轴转速调整为：

其中，λ₃为经验参数；n_D-0表示旋耕刀轴基准转速，n_L表示履带轮转速，n_L-0表示履带轮初始转速；α为耕地坡角；m表示微耕机自重，m₀表示微耕机自重的基准值；η为微耕机的运行阻力指数，e为自然对数的底数。在旋耕刀轴转速较快的情况下，通过该公式对旋耕刀轴的转速进行调整，能够在保证微耕机碎土效果的前提下，减小微耕机的能耗并且防止旋耕刀损坏。

在另一个实施例中，根据经验设定n_D-0＝120r/min，n_L-0＝60r/min，m₀＝120kg。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求和等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (6)

1.一种履带式微耕机的运行控制方法，其特征在于，包括如下步骤：

步骤一、获取土壤含水率W、土壤容重ρ、微耕机耕深h和微耕机的作业方式；并且根据所述土壤含水率W、土壤容重ρ、微耕机耕深h和微耕机的作业方式确定微耕机的运行阻力指数η；

微耕机的运行阻力指数η为：

其中，η₀表示基准阻力指数，k表示微耕机不同作业方式的修正系数；W表示土壤含水率，表示土壤含水率的基准值；ρ表示土壤容重，ρ₀表示土壤单位容重；h表示微耕机耕深，h₀表示微耕机基准耕深；

步骤二、获取微耕机自重m、履带轮转速n_L、旋耕刀轴转速n_D、耕地坡角α和微耕机的运行阻力指数η，并且确定微耕机的旋耕刀轴转速等级；

通过BP神经网络确定微耕机的旋耕刀轴转速等级，包括如下步骤：

步骤1、将获取的参数进行规格化，确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅}，其中，x₁为微耕机自重系数，x₂为履带轮转速系数，x₃为旋耕刀轴转速系数、x₄为耕地坡角系数、x₅为微耕机的运行阻力指数系数；

步骤2、所述输入层神经元向量映射到隐藏层，所述隐藏层向量y＝{y₁,y₂,…,y_m}，m为隐藏层节点个数；

步骤3、得到输出层神经元向量o＝{o₁,o₂,o₃}；其中，o₁为设定的第1转速等级，o₂为设定的第2转速等级，o₃为设定的第3转速等级；所述输出层神经元值为K为输出层神经元序列号，K＝{1,2,3}，i为设定的第i个转速等级，i＝{1,2,3}，当o_K为1时，微耕机的旋耕刀轴转速处于o_K对应的速度等级；

步骤三、根据所述微耕机的旋耕刀轴转速等级对所述微耕机的旋耕刀轴转速进行调整。

2.根据权利要求1所述的履带式微耕机的运行控制方法，其特征在于，当微耕机的作业方式为旱地旋耕时k＝0.86～0.92，当微耕机的作业方式为水田旋耕时k＝0.77～0.85。

3.根据权利要求2所述的履带式微耕机的运行控制方法，其特征在于，当微耕机的旋耕刀轴转速处于第1转速等级时，将微耕机的旋耕刀轴转速调整为：

其中，λ₁为经验参数；n_D-0表示旋耕刀轴基准转速，n_L表示履带轮转速，n_L-0表示履带轮初始转速；α为耕地坡角；m表示微耕机自重，m₀表示微耕机自重的基准值；η为微耕机的运行阻力指数，e为自然对数的底数。

4.根据权利要求3所述的履带式微耕机的运行控制方法，其特征在于，当微耕机的旋耕刀轴转速处于第3转速等级时，将微耕机的旋耕刀轴转速调整为：

其中，λ₃为经验参数；n_D-0表示旋耕刀轴基准转速，n_L表示履带轮转速，n_L-0表示履带轮初始转速；α为耕地坡角；m表示微耕机自重，m₀表示微耕机自重的基准值；η为微耕机的运行阻力指数，e为自然对数的底数。

5.根据权利要求4所述的履带式微耕机的运行控制方法，其特征在于，当微耕机的旋耕刀轴转速处于第2转速等级时，保持当前旋耕刀轴转速。

6.根据权利要求5所述的履带式微耕机的运行控制方法，其特征在于，在所述步骤2中，进行规格化的公式为：

其中，X_j分别为参数m、n_L、n_D、α、η，j＝1,2,3,4,5；X_jmax和X_jmin分别为相应参数中的最大值和最小值。