CN111656951B - 一种收割机车速控制方法及系统 - Google Patents
一种收割机车速控制方法及系统 Download PDFInfo
- Publication number
- CN111656951B CN111656951B CN202010402832.1A CN202010402832A CN111656951B CN 111656951 B CN111656951 B CN 111656951B CN 202010402832 A CN202010402832 A CN 202010402832A CN 111656951 B CN111656951 B CN 111656951B
- Authority
- CN
- China
- Prior art keywords
- harvester
- driving shaft
- speed
- vehicle speed
- acquiring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
- A01D41/12—Details of combines
- A01D41/127—Control or measuring arrangements specially adapted for combines
- A01D41/1278—Control or measuring arrangements specially adapted for combines for automatic steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Environmental Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Transportation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供的收割机车速控制方法及系统,该包括:实时检测目标收割机在当前时刻的工作状态数据,包括收割机喂入量、谷物含水率、谷物流量和收割机车速;将工作状态数据输入至车速预测网络模型,获取由车速预测网络模型输出的下一时刻的收割机车速的预测值,车速预测网络模型为BP神经网络模型;在下一时刻则将收割机车速调整至收割机车速的预测值,完成目标收割机的车速控制。本发明实施例以当前时刻的工作状态数据作为输入量,下一时刻收割机车速作为输出量,建立BP神经网络模型,综合考虑了收获条件对收获工作的影响,为指导驾驶员工作、降低劳动强度,提高收割机寿命有重要意义,同时为实现农业机械智能化打下基础。
Description
技术领域
本发明实施例涉及农业智能装备技术领域,尤其涉及一种收割机车速控制方法及系统。
背景技术
谷物联合收割机是农业生产中的重要装备,能够极大地提高粮食收获效率,目前在我国已经大范围使用。随着农业机械化程度的提高,农业机械智能化也被提上日程。联合收割机的作业速度控制是农业机械智能化的重要内容之一,在传统收割机工作时,一般需要驾驶员自主的根据作物的密度、湿度以及收割机的喂入量状况对收割机作业速度进行控制,劳动强度较高。
目前,国内外对联合收割机工作时的速度控制研究的较少,还处于初步探索阶段。例如,申请号201210409526.6的联合收割机作业速度模型参考自适应控制装置及方法专利申请,公开了一种收割机工作速度的控制方法,通过在收割机各传动轴上安装转速传感器,检测各轴转速,以估计收割机运行状态,从而进行速度控制。但是该技术方案为充分考虑到收获条件对收割机收获工作的影响,导致调控误差大,适用性不强。
有鉴于此,亟需提供一种有效的收割机车速控制方法,提高收割机车速调控的精度,切实的在提高联合收割机的工作效率的基础上,降低驾驶人员的劳动强度。
发明内容
为了解决现有技术中在收割机车速控制中存在的诸多不足,本发明提出了一种收割机车速控制方法及系统。
第一方面,本发明实施例提供一种收割机车速控制方法,主要包括:实时检测目标收割机在当前时刻的工作状态数据,该工作状态数据包括收割机喂入量、谷物含水率、谷物流量和收割机车速;将工作状态数据输入至车速预测网络模型,获取由车速预测网络模型输出的下一时刻的收割机车速的预测值,车速预测网络模型为BP神经网络模型;在下一时刻则将收割机车速调整至收割机车速的预测值,完成目标收割机的车速控制。
作为可选地,上述实时检测目标收割机在当前时刻的工作状态数据,具体包括:利用喂入量检测系统获取所述收割机喂入量;利用GNSS装置获取收割机车速;利用设置于所述目标收割机的粮仓处的谷物湿度传感器,获取谷物含水率;利用设置于目标收割机的升运器出口处的谷物流量传感器,获取谷物流量。
作为可选地,喂入量检测系统可以包括:割台主动轴扭矩传感器、割台主动轴转速传感器、倾斜输送器主动轴扭矩传感器以及车载工控机;其中,割台主动轴扭矩传感器和割台主动轴转速传感器分别用于获取割台主动轴的扭矩和转速;倾斜输送器主动轴扭矩传感器用于获取倾斜输送器主动轴的扭矩;
上述利用喂入量检测系统获取所述收割机喂入量,具体包括:根据割台主动轴的扭矩和转速,确定割台主动轴的消耗功率;根据割台主动轴的转速和传动比,获取倾斜输送器主动轴的转速;结合倾斜输送器主动轴的扭矩,获取倾斜输送器主动轴的输出功率;根据倾斜输送器主动轴的输出功率与割台主动轴的消耗功率之间的差值,确定倾斜输送器的功率;根据倾斜输送器的功率,确定收割机喂入量。
作为可选地,上述利用GNSS装置获取所述收割机车速,具体包括:利用GNSS装置获取目标收割机在包含当前时刻和前一时刻的经纬度信息;基于高斯投影将所述经纬度信息转换到平面直角坐标,并获取两个时刻的位置信息;根据位置信息确定收割机车速。
作为可选地,上述基于高斯投影将经纬度信息转换到平面直角坐标,包括:
l=L-L0
η=e′cos B
t=tgB
其中,平面直角坐标为(x,y),B为投影点的大地纬度,L为投影点的大地经度,L0为轴子午线的大地经度,e′为椭球的第二偏心率,X为子午线弧长,l、t、η、N均为中间变量,a为椭球长半轴、b为椭球短半轴。
作为可选地,在将工作状态数据输入至车速预测网络模型之前,还包括对车速预测网络模型进行预训练,具体包括:
采集目标收割机在历史各时刻的工作状态数据,构建训练集;获取训练集中每个工作状态数据的下一时刻的收割机理想车速,构建训练标签集,训练标签集中的训练标签与训练集中的工作状态数据一一对应;利用训练集作为输入,训练标签集作为输出,对车速预测网络模型的预训练,直至训练结果收敛。
第二方面,本发明实施例提供一种收割机车速控制系统,主要包括:数据收取单元、速度预测单元和速度调整单元;其中,数据收取单元主要用于实时检测目标收割机在当前时刻的工作状态数据,工作状态数据包括收割机喂入量、谷物含水率、谷物流量和收割机车速;速度预测单元主要用于将工作状态数据输入至车速预测网络模型,获取由车速预测网络模型输出的下一时刻的收割机车速的预测值,车速预测网络模型为BP神经网络模型;速度调整单元主要用于在下一时刻则将收割机车速调整至收割机车速的预测值,完成目标收割机的车速控制。
作为可选地,数据收取单元主要包括喂入量检测系统、GNSS装置、谷物湿度传感器和谷物流量传感器;喂入量检测系统主要包括割台主动轴扭矩传感器、割台主动轴转速传感器、倾斜输送器主动轴扭矩传感器以及车载工控机。
作为可选地,割台主动轴扭矩传感器包括:第一外壳、第一电源、采集电路稳压模块、输出电压稳压模块、第一惠更斯电桥、放大电路、采集电路和第一ZigBee传输模块;第一惠更斯电桥是由多个应变片沿轴向45°粘贴组成的等臂全电桥;第一电源用于通过输出电压稳压模块为粘贴在割台主动轴上的第一惠更斯电桥供电;第一惠更斯电桥用于在割台主动轴受到扭矩产生应变时,生成第一电压变化信号;第一电压变化信号经过放大电路、采集电路由第一ZigBee传输模块进行发送。
作为可选地,倾斜输送器主动轴扭矩传感器包括:第二惠更斯电桥、集成电路、第二外壳和第二电源;第二电源用于为第二惠更斯电桥和集成电路供电;第二惠更斯电桥设置于倾斜输送器主动轴上,用于在倾斜输送器主动轴受到扭矩产生应变时,生成第二电压变化信号;集成电路用于将所述第二电压变化信号进行放大、滤波、采集后,通过内置第二ZigBee传输模块将信号传输到工控机。
作为可选地,谷物流量传感器包括:第三惠更斯电桥、弹性梁、前感力板、后感力板和减震器;前感力板和后感力板与分别固定连接所述弹性梁;第三惠更斯电桥设置于弹性梁上,用于在弹性梁发生形变时,生成第三电压变化信号;减震器设置于弹性梁的底座与收割机机体之间,用于减小收割机机体的振动带来的高频干扰。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如第一方面任一所述的收割机车速控制方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面任一所述的收割机车速控制方法的步骤。
本发明实施例提供的收割机车速控制方法及系统,以当前时刻的工作状态数据作为输入量,下一时刻收割机车速作为输出量,建立BP神经网络模型,综合考虑了收获条件对收获工作的影响,为指导驾驶员工作、降低劳动强度,提高收割机寿命有重要意义,同时为实现农业机械智能化打下基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种收割机车速控制方法流程示意图;
图2为本发明实施例提供的一种工作状态数据的检测流程示意图;
图3为本发明实施例提供的一种车速预测网络模型预训练流程示意图;
图4为本发明实施例提供的一种收割机车速控制系统的结构示意图;
图5为本发明实施例提供的一种工作状态数据检测装置的安装位置示意图;
图6为本发明实施例提供的一种割台主动轴扭矩传感器的结构示意图;
图7为本发明实施例提供的一种倾斜输送器主动轴扭矩传感器的结构示意图;
图8为本发明实施例提供的一种谷物流量传感器的结构示意图;
图9为本发明实施例提供的一种电子设备的实体结构图;
其中,1-割台主动轴扭矩传感器,2-倾斜输送器主动轴扭矩传感器,3-工控机,4-GNSS装置,5.谷物流量传感器,6-谷物湿度传感器,7-割台主动轴转速传感器,11-第一外壳,12-第一电源,13-采集电路稳压模块,14-输出电路稳压模块,15-第一惠更斯电桥,16-第一ZigBee传输模块,17-采集电路,18-放大电路,21-第二惠更斯电桥,22-集成电路,23-第二电源,24--第二外壳,51-第三惠更斯电桥,52-弹性梁,53-前感力板,54-后感力板,55-减震器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例针对联合收割机工作在作物含水率、疏密程度等生长状况不同的条件下,为满足其额定工作状态,对收割机的作业行驶速度进行调控,提出了一种基于喂入量、谷物含水率和谷物流量的收割机车速控制方法。如图1所示,本方法包括但不限于以下步骤:
S1,实时检测目标收割机在当前时刻的工作状态数据,工作状态数据包括收割机喂入量、谷物含水率、谷物流量和收割机车速;
S2,将工作状态数据输入至车速预测网络模型,获取由车速预测网络模型输出的下一时刻的收割机车速的预测值,车速预测网络模型为BP神经网络模型;
S3,在下一时刻则将收割机车速调整至收割机车速的预测值,完成目标收割机的车速控制。
其中,BP神经网络模型是一种按照误差逆向传播算法训练的多层前馈神经网络。BP申请网络模型通过在输入层与输出层之间增加若干层(一层或多层)神经元,这些神经元称为隐单元,它们与外界没有直接的联系,但其状态的改变,则能影响输入与输出之间的关系,且每一层可以有若干个节点。
本发明实施例提供的BP神经网络模型中所使用的BP算法,主要包括信号的前向传播和误差的反向传播两个过程,即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号(工作状态数据)通过隐含层作用于输出节点,经过非线性变换,产生输出信号(下一时刻的收割机车速的预测值),若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传时,是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
本发明实施例提供的收割机车速控制方法是根据当前时刻所获取的工作状态数据包括收割机喂入量、谷物含水率、谷物流量和收割机车速vt等作为BP神经网络模型的输入,以下一时刻的收割机车速的预测值vt+1作为该模型的对应输出。在获取到下一时刻的收割机车速的预测值后,对当前车速进行调整。并按时间段依次迭代调整,实现整个作业时间段的车速控制。
需要说明的是,每个时间段的长短选择可以根据实际作业需要进行设置,在每一次设置后,需对车速预测网络模型在此进行预训练,以提高模型的预测精度。
本发明实施例提供的收割机车速控制方法,以当前时刻的工作状态数据作为输入量,下一时刻收割机车速作为输出量,建立BP神经网络模型,综合考虑了收获条件对收获工作的影响,为指导驾驶员工作、降低劳动强度,提高收割机寿命有重要意义,同时为实现农业机械智能化打下基础。
基于上述实施例的内容,如图2所示,作为一种可选实施例,在步骤S1中所述的实时检测目标收割机在当前时刻的工作状态数据,具体包括但不限于:
利用喂入量检测系统获取所述收割机喂入量;利用GNSS装置获取收割机车速;利用设置于目标收割机的粮仓处的谷物湿度传感器,获取谷物含水率;利用设置于目标收割机的升运器出口处的谷物流量传感器,获取谷物流量。
在本发明实施例中提供选取适当的检测设备,实时获取对收割机车速由直接影响的收割机喂入量、谷物含水率、谷物流量和收割机车速等工作状态数据,作为车速预测网络模型,能够有效的提高预测的精度,提高了车速控制方法的适用性。
基于上述实施例的内容,作为一种可选实施例,上述喂入量检测系统主要包括:割台主动轴扭矩传感器、割台主动轴转速传感器、倾斜输送器主动轴扭矩传感器以及车载工控机,其中割台主动轴扭矩传感器和割台主动轴转速传感器分别用于获取割台主动轴的扭矩和转速;倾斜输送器主动轴扭矩传感器用于获取倾斜输送器主动轴的扭矩;利用喂入量检测系统获取收割机喂入量,具体包括:根据割台主动轴的扭矩和转速,确定割台主动轴的消耗功率;根据割台主动轴的转速和传动比,获取倾斜输送器主动轴的转速;结合倾斜输送器主动轴的扭矩,获取倾斜输送器主动轴的输出功率;根据倾斜输送器主动轴的输出功率与割台主动轴的消耗功率之间的差值,确定倾斜输送器的功率;根据倾斜输送器的功率,确定收割机喂入量。
为实时测量收割机喂入量,在本发明实施例中,提供的喂入量检测系统主要包括:割台主动轴扭矩传感器、割台主动轴转速传感器、倾斜输送器主动轴扭矩传感器以及车载工控机。
由于倾斜输送器主动轴时用于同时为倾斜输送器和割台主动轴提供动力,可以通过检测割台主动轴的扭矩T1和转速r1,计算出割台主动轴消耗的功率P1。进一步地,根据割台主动轴与倾斜输送器主动轴之间的传动比K,结合割台主动轴的转速r1,计算出倾斜输送器主动轴转速r2。将倾斜输送器主动轴转速r2与倾斜输送器主动轴扭矩传感器检测得到的动力轴扭矩T2相结合,可计算出倾斜输送器主动轴功率P2。然后,可以计算倾斜输送器功率P=P2-P1。最后,可以根据倾斜输送器的功率,确定所述收割机喂入量。
本发明实施例提供的收割机车速控制方法,通过在收割机的相关部位设置喂入量检测系统,实时的获取割台主动轴的扭矩和转速和倾斜输送器主动轴的扭矩,通过计算的方法来确定收割机喂入量,有效的提高了检测的精度。
基于上述实施例的内容,作为一种可选实施例,上述利用GNSS装置获取所述收割机车速,主要包括:
利用GNSS装置获取目标收割机在包含当前时刻和前一时刻的经纬度信息;基于高斯投影将所述经纬度信息转换到平面直角坐标,并获取两个时刻的位置信息;根据位置信息确定所述收割机车速。
具体地,本发明实施例,通过在目标收割机上安装GNSS装置,以检测不同时刻收割机的位置变化,在数据处理的过程中,将GNSS装置检测得到的经纬度信息通过高斯投影转换到平面直角坐标,以实现两个连续时刻车辆的移动位置的计算,结合两个连续时刻之间的时间间隔,可以计到算收割机速度v。
其中,两个连续时刻的选取可以根据实际检测精度的需要进行设置,对此本发明实施例不作具体的限定,一般来说所选取的两个连续时刻之间额间隔越小,速度调整的精度越高,但对数据的获取以及运算能力的要求也会越高。
基于上述实施例的内容,作为一种可选实施例,上述基于高斯投影将所述经纬度信息转换到平面直角坐标,可以采用以下计算方法:
l=L-L0
η=e′cos B
t=tgB
其中,平面直角坐标为(x,y),B为投影点的大地纬度,L为投影点的大地经度,L0为轴子午线的大地经度,e′为椭球的第二偏心率,X为子午线弧长,l、t、η、N均为中间变量,a为椭球长半轴、b为椭球短半轴。
本发明实施例提供的收割机车速控制方法,利用GNSS装置实时获取目标收割机的实时位置信息,通过将包含实时位置信息的经纬度信息转换到平面直角坐标,以便于准确的计算出两个相邻时刻的位置变化信息,从而就散出收割机车速,有效的提高了车速检测的精度,从而间接的提高了车速控制的精度。
基于上述实施例的内容,作为一种可选实施例,在将工作状态数据输入至车速预测网络模型之前,还需要对车速预测网络模型进行预训练,具体可以包括以下步骤:
采集目标收割机在历史各时刻的工作状态数据,构建训练集;获取训练集中每个工作状态数据的下一时刻的收割机理想车速,构建训练标签集,训练标签集中的训练标签与所述训练集中的工作状态数据一一对应;利用训练集作为输入,训练标签集作为输出,对车速预测网络模型的预训练,直至训练结果收敛。
具体地,如图3所示,本发明实施例提供的收割机车速控制方法在对车速预测网络模型的训练以及利用车速预测网络模型进行实际车速预测时,均采用利用t时刻的工作状态数据(主要包括收割机喂入量qt、谷物含水率mt、谷物流量Qt和当前时刻收割机车速vt等)作为网络模型的输入,以t+1时刻的割机车速vt+1作为期望输出值来实现的。
可以通过相关检测装置获取的某一时刻t的工作状态数据作为输入量,t+1时刻收割机的理想车速vt+1作为期望输出值,构建训练样本。
进一步地,将样本分为两部分,70%用于模型训练,30%用于验证模型的有效性。将所述训练集输入所待训练的车速预测网络模型,经过反复迭代训练得到输出量,即下一时刻收割机车速预测值v′t+1。当|vt+1-v′t+1∣<ξ时,训练完成得到最终模型,其中ξ为速度误差阈值。在完成预训练工作后,还可以再使用验证集对训练好的车速预测网络模型的有效性进行验证。
本发明实施例提供一种收割机车速控制系统,如图4所示,主要包括:数据收取单元X1、速度预测单元X2和速度调整单元X3,其中:
数据收取单元X1主要用于实时检测目标收割机在当前时刻的工作状态数据,工作状态数据包括收割机喂入量、谷物含水率、谷物流量和收割机车速;速度预测单元X2主要用于将工作状态数据输入至车速预测网络模型,获取由车速预测网络模型输出的下一时刻的收割机车速的预测值,车速预测网络模型为BP神经网络模型;速度调整单元X3用于在下一时刻则将收割机车速调整至收割机车速的预测值,完成目标收割机的车速控制。
需要说明的是,本发明实施例提供的收割机车速控制系统在具体运用时,可以执行上述任一实施例所述的收割机车速控制方法,对此,本实施例不作赘述。
基于上述实施例的内容,如图5所示,作为一种可选实施例,数据收取单元X1主要包括:喂入量检测系统、GNSS装置4、谷物湿度传感器6和谷物流量传感器5。喂入量检测系统主要包括:割台主动轴扭矩传感器1、割台主动轴转速传感器7、倾斜输送器主动轴扭矩传感器2以及车载工控机3。
需要说明的是,在本发明实施例提供的收割机车速控制系统中,上述数据收取单元X1的组成部件可以如图5所示,安装于测量对象的对应位置,例如:谷物湿度传感器4被固设于目标收割机的粮仓内,能够更直接、准确的获取到粮仓内的谷物含水率,对此本实施例均不作具体的限定。
基于上述实施例的内容,如图6所示,作为一种可选实施例,割台主动轴扭矩传感器1主要包括:第一外壳11、第一电源12、采集电路稳压模块13、输出电压稳压模块14、第一惠更斯电桥15、放大电路16、采集电路17和第一ZigBee传输模块18;其中,第一惠更斯电桥15是由多个应变片沿轴向45°粘贴组成的等臂全电桥;第一电源12主要用于通过输出电压稳压模块为粘贴在割台主动轴上的第一惠更斯电桥15供电;第一惠更斯电桥15用于在割台主动轴受到扭矩产生应变时,生成第一电压变化信号;第一电压变化信号经过放大电路15、采集电路17由第一ZigBee传输模块18进行发送。
其中,扭矩传感器可以使用应变片组成第一惠更斯电桥15,例如:4个应变片沿轴向45°粘贴组成等臂全桥;当传动轴受到扭矩产生应变时,应变片随着主动轴表面伸长或缩短,电阻值产生变化,输出电压信号;通过对输出电压信号的处理得到割台主动轴和倾斜输送器动力轴的扭矩。
本发明实施例提供的收割机车速控制系统,利用设置于割台主动轴上的割台主动轴扭矩传感器进行扭矩的测量,其中,通过第一惠更斯电桥进行将扭矩转换成相应的电压信号,最后通过自带的第一ZigBee传输模块进行信号的传输,有效的提高了数据的测量精度以及数据处理效率。
基于上述实施例的内容,如图7所示,作为一种可选实施例,倾斜输送器主动轴扭矩传感器2包括:第二惠更斯电桥21、集成电路22、第二外壳23和第二电源24。其中,第二电源24主要用于为第二惠更斯电桥21和集成电路22供电;第二惠更斯电桥21设置于倾斜输送器主动轴上,用于在倾斜输送器主动轴受到扭矩产生应变时,生成第二电压变化信号;集成电路22主要用于将第二电压变化信号进行放大、滤波、采集后,通过内置第二ZigBee传输模块将信号传输到工控机3。
具体地,电池组24可以是由两块9V电池,或其它能够提供稳定电压的直流源组成。
进一步地,本发明实施例的集成电路22,利用双阈值滤波滤除扭矩信号中的奇异点,再使用巴特沃斯带通滤波,通过选择合适频率,可以滤除干扰信号,提高扭矩检测精度。
进一步地,本发明实施例提供的割台主动轴转速传感器7,可以采用霍尔效应进行检测。通过在割台主动轮的侧面粘贴磁钢,当磁钢经过霍尔元件时会产生霍尔效应形成脉冲信号,通过记录单位时间内收集的脉冲信号个数和主动轮表面的磁钢数目计算割台主动轴的转速r1。
基于上述实施例的内容,如图8所示,作为一种可选实施例,谷物流量传感器主要包括:第三惠更斯电桥51、弹性梁52、前感力板53、后感力板54和减震器55。其中,前感力板53和后感力板54与分别固定连接弹性梁52;第三惠更斯电桥51设置于弹性梁52上,用于在弹性梁发生形变时,生成第三电压变化信号;减震器55设置于弹性梁52的底座与收割机机体之间,用于减小收割机机体的振动带来的高频干扰。
进一步地,可以通过设置合适的减震器55阻尼,减弱机器细小振动带来的高频干扰,但对于较大的振动则通过双板(前感力板53和后感力板54)之间的差分方式消除。最后,通过将获取的第三电压变化信号传输到工控机3进行综合处理,获取到谷物流量。
本发明实施例提供的谷物流量传感器,通过设置前感力板和后感力板的双板结构,可以基于差分方式消除较大的振动干扰,结合减震器对于细小振动带来的高频干扰的滤除,有效的提高了检测的精度。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:实时检测目标收割机在当前时刻的工作状态数据,该工作状态数据包括收割机喂入量、谷物含水率、谷物流量和收割机车速;将工作状态数据输入至车速预测网络模型,获取由车速预测网络模型输出的下一时刻的收割机车速的预测值,车速预测网络模型为BP神经网络模型;在下一时刻则将收割机车速调整至收割机车速的预测值,完成目标收割机的车速控制。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:实时检测目标收割机在当前时刻的工作状态数据,该工作状态数据包括收割机喂入量、谷物含水率、谷物流量和收割机车速;将工作状态数据输入至车速预测网络模型,获取由车速预测网络模型输出的下一时刻的收割机车速的预测值,车速预测网络模型为BP神经网络模型;在下一时刻则将收割机车速调整至收割机车速的预测值,完成目标收割机的车速控制。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种收割机车速控制方法,其特征在于,包括:
实时检测目标收割机在当前时刻的工作状态数据,所述工作状态数据包括收割机喂入量、谷物含水率、谷物流量和收割机车速;
利用设置于所述目标收割机的升运器出口处的谷物流量传感器,获取所述谷物流量;
将所述工作状态数据输入至车速预测网络模型,获取由所述车速预测网络模型输出的下一时刻的收割机车速的预测值,所述车速预测网络模型为BP神经网络模型;
在下一时刻则将所述收割机车速调整至所述收割机车速的预测值,完成所述目标收割机的车速控制;
在所述将所述工作状态数据输入至车速预测网络模型之前,还包括对所述车速预测网络模型进行预训练,包括:
采集目标收割机在历史各时刻的工作状态数据,构建训练集;
获取所述训练集中每个工作状态数据的下一时刻的收割机理想车速,构建训练标签集,所述训练标签集中的训练标签与所述训练集中的工作状态数据一一对应;
利用所述训练集作为输入,所述训练标签集作为输出,对所述车速预测网络模型的预训练,直至训练结果收敛;
所述实时检测目标收割机在当前时刻的工作状态数据,具体包括:
利用喂入量检测系统获取所述收割机喂入量;
利用GNSS装置获取所述收割机车速;
利用设置于所述目标收割机的粮仓处的谷物湿度传感器,获取所述谷物含水率;
所述喂入量检测系统包括:割台主动轴扭矩传感器、割台主动轴转速传感器、倾斜输送器主动轴扭矩传感器以及车载工控机;
所述割台主动轴扭矩传感器和所述割台主动轴转速传感器分别用于获取所述割台主动轴的扭矩和转速;所述倾斜输送器主动轴扭矩传感器用于获取所述倾斜输送器主动轴的扭矩;
所述利用喂入量检测系统获取所述收割机喂入量,具体包括:
根据所述割台主动轴的扭矩和转速,确定所述割台主动轴的消耗功率;
根据所述割台主动轴的转速和传动比,获取倾斜输送器主动轴的转速;
结合所述倾斜输送器主动轴的扭矩,获取倾斜输送器主动轴的输出功率;
根据所述倾斜输送器主动轴的输出功率与所述割台主动轴的消耗功率之间的差值,确定倾斜输送器的功率;
根据所述倾斜输送器的功率,确定所述收割机喂入量。
2.根据权利要求1所述的收割机车速控制方法,其特征在于,所述利用GNSS装置获取所述收割机车速,包括:
利用所述GNSS装置获取所述目标收割机在包含当前时刻和前一时刻的经纬度信息;
基于高斯投影将所述经纬度信息转换到平面直角坐标,并获取两个时刻的位置信息;
根据所述位置信息确定所述收割机车速。
4.一种收割机车速控制系统,其特征在于,包括:数据收取单元、速度预测单元和速度调整单元;
所述数据收取单元用于实时检测目标收割机在当前时刻的工作状态数据,所述工作状态数据包括收割机喂入量、谷物含水率、谷物流量和收割机车速;
利用设置于所述目标收割机的升运器出口处的谷物流量传感器,获取所述谷物流量;
所述速度预测单元用于将所述工作状态数据输入至车速预测网络模型,获取由所述车速预测网络模型输出的下一时刻的收割机车速的预测值,所述车速预测网络模型为BP神经网络模型;
所述速度调整单元用于在下一时刻则将所述收割机车速调整至所述收割机车速的预测值,完成所述目标收割机的车速控制;
其中,在所述将所述工作状态数据输入至车速预测网络模型之前,对所述车速预测网络模型进行预训练,具体包括:
采集目标收割机在历史各时刻的工作状态数据,构建训练集;
获取所述训练集中每个工作状态数据的下一时刻的收割机理想车速,构建训练标签集,所述训练标签集中的训练标签与所述训练集中的工作状态数据一一对应;
利用所述训练集作为输入,所述训练标签集作为输出,对所述车速预测网络模型的预训练,直至训练结果收敛;
所述实时检测目标收割机在当前时刻的工作状态数据,具体包括:
利用喂入量检测系统获取所述收割机喂入量;
利用GNSS装置获取所述收割机车速;
利用设置于所述目标收割机的粮仓处的谷物湿度传感器,获取所述谷物含水率;
所述喂入量检测系统包括:割台主动轴扭矩传感器、割台主动轴转速传感器、倾斜输送器主动轴扭矩传感器以及车载工控机;
所述割台主动轴扭矩传感器和所述割台主动轴转速传感器分别用于获取所述割台主动轴的扭矩和转速;所述倾斜输送器主动轴扭矩传感器用于获取所述倾斜输送器主动轴的扭矩;
所述利用喂入量检测系统获取所述收割机喂入量,具体包括:
根据所述割台主动轴的扭矩和转速,确定所述割台主动轴的消耗功率;
根据所述割台主动轴的转速和传动比,获取倾斜输送器主动轴的转速;
结合所述倾斜输送器主动轴的扭矩,获取倾斜输送器主动轴的输出功率;
根据所述倾斜输送器主动轴的输出功率与所述割台主动轴的消耗功率之间的差值,确定倾斜输送器的功率;
根据所述倾斜输送器的功率,确定所述收割机喂入量。
5.根据权利要求4所述的收割机车速控制系统,其特征在于,所述数据收取单元包括:喂入量检测系统、GNSS装置、谷物湿度传感器和谷物流量传感器;所述喂入量检测系统包括割台主动轴扭矩传感器、割台主动轴转速传感器、倾斜输送器主动轴扭矩传感器以及车载工控机。
6.根据权利要求5所述的收割机车速控制系统,其特征在于,所述割台主动轴扭矩传感器包括:第一外壳、第一电源、采集电路稳压模块、输出电压稳压模块、第一惠更斯电桥、放大电路、采集电路和第一ZigBee传输模块;
所述第一惠更斯电桥是由多个应变片沿轴向45°粘贴组成的等臂全电桥;
所述第一电源用于通过所述输出电压稳压模块为粘贴在割台主动轴上的所述第一惠更斯电桥供电;
所述第一惠更斯电桥用于在所述割台主动轴受到扭矩产生应变时,生成第一电压变化信号;
所述第一电压变化信号经过所述放大电路、所述采集电路由所述第一ZigBee传输模块进行发送。
7.根据权利要求5所述的收割机车速控制系统,其特征在于,所述倾斜输送器主动轴扭矩传感器包括:第二惠更斯电桥、集成电路、第二外壳和第二电源;
所述第二电源用于为所述第二惠更斯电桥和所述集成电路供电;
所述第二惠更斯电桥设置于倾斜输送器主动轴上,用于在所述倾斜输送器主动轴受到扭矩产生应变时,生成第二电压变化信号;
所述集成电路用于将所述第二电压变化信号进行放大、滤波、采集后,通过内置第二ZigBee传输模块将信号传输到工控机。
8.根据权利要求5所述的收割机车速控制系统,其特征在于,所述谷物流量传感器包括:第三惠更斯电桥、弹性梁、前感力板、后感力板和减震器;
所述前感力板和所述后感力板与分别固定连接所述弹性梁;
所述第三惠更斯电桥设置于所述弹性梁上,用于在所述弹性梁发生形变时,生成第三电压变化信号;
所述减震器设置于所述弹性梁的底座与收割机机体之间,用于减小收割机机体的振动带来的高频干扰。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述收割机车速控制方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述收割机车速控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402832.1A CN111656951B (zh) | 2020-05-13 | 2020-05-13 | 一种收割机车速控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402832.1A CN111656951B (zh) | 2020-05-13 | 2020-05-13 | 一种收割机车速控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111656951A CN111656951A (zh) | 2020-09-15 |
CN111656951B true CN111656951B (zh) | 2021-11-12 |
Family
ID=72383496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010402832.1A Active CN111656951B (zh) | 2020-05-13 | 2020-05-13 | 一种收割机车速控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111656951B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113924860B (zh) * | 2021-09-28 | 2022-10-04 | 北京市农林科学院智能装备技术研究中心 | 联合收获机作业车速调整方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1748451A (zh) * | 2005-10-14 | 2006-03-22 | 河南科技大学 | 联合收割机随机损失率实时监测方法 |
CN203523335U (zh) * | 2013-06-05 | 2014-04-09 | 西北农林科技大学 | 一种电驱动智能联合收割机控制系统 |
EP3092886A1 (en) * | 2015-05-14 | 2016-11-16 | Deere & Company | Combine harvester combining row crop guidance and plant attribute measurement |
CN108966852A (zh) * | 2018-07-09 | 2018-12-11 | 海南大学 | 一种小区玉米收获机用差速式智能无损多辊式脱粒机 |
CN110942146A (zh) * | 2019-06-05 | 2020-03-31 | 中国农业机械化科学研究院 | 自走式青贮饲料收获机喂入量测量方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102379189B (zh) * | 2010-08-31 | 2013-06-26 | 中国农业机械化科学研究院 | 一种粮食产量分布信息测量方法及装置 |
CN102090207A (zh) * | 2010-12-24 | 2011-06-15 | 江苏大学 | 谷物联合收割机清选损失检测方法与装置 |
CN104322203B (zh) * | 2013-07-22 | 2016-05-25 | 中国农业机械化科学研究院 | 一种联合收割机喂入量在线监测系统及其监测方法 |
US9485914B2 (en) * | 2014-05-20 | 2016-11-08 | Deere & Company | Method and system for sensing a position of a vehicle or guiding a vehicle with respect to one or more plant rows |
-
2020
- 2020-05-13 CN CN202010402832.1A patent/CN111656951B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1748451A (zh) * | 2005-10-14 | 2006-03-22 | 河南科技大学 | 联合收割机随机损失率实时监测方法 |
CN203523335U (zh) * | 2013-06-05 | 2014-04-09 | 西北农林科技大学 | 一种电驱动智能联合收割机控制系统 |
EP3092886A1 (en) * | 2015-05-14 | 2016-11-16 | Deere & Company | Combine harvester combining row crop guidance and plant attribute measurement |
CN108966852A (zh) * | 2018-07-09 | 2018-12-11 | 海南大学 | 一种小区玉米收获机用差速式智能无损多辊式脱粒机 |
CN110942146A (zh) * | 2019-06-05 | 2020-03-31 | 中国农业机械化科学研究院 | 自走式青贮饲料收获机喂入量测量方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111656951A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343505A (zh) | 基于长短期记忆网络的齿轮剩余寿命预测方法 | |
CN102825504B (zh) | 数控机床主轴状态检测方法 | |
CN108336427A (zh) | 电池管理方法和装置 | |
US10539546B2 (en) | Measuring phosphorus in wastewater using a self-organizing RBF neural network | |
CN107169610A (zh) | 水产养殖溶解氧预测方法及装置 | |
CN111656951B (zh) | 一种收割机车速控制方法及系统 | |
CN107168292B (zh) | 基于elm算法的水下航行器电路故障诊断方法 | |
CN105000033B (zh) | 一种轨道几何不平顺的检测评估系统 | |
CN113570057B (zh) | 一种基于模型训练的车辆轮心垂向位移测量方法和装置 | |
CN110386191B (zh) | 一种电液智能转向系统性能监测器及性能优化方法 | |
CN110276139B (zh) | 一种基于深度确信策略梯度算法的感应电机关键参数获取方法 | |
CN102567782A (zh) | 一种基于神经网络的汽车发动机转矩的估算方法 | |
CN107454925A (zh) | 用于确定风能设备的剩余使用寿命的方法 | |
CN110146108B (zh) | 一种用于无人机蜂群协同导航的故障在线评估方法 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN114897028A (zh) | 数控加工表面粗糙度预测方法及装置 | |
CN107741269A (zh) | 一种基于模糊识别的称重传感器测试补偿方法 | |
CN109191788B (zh) | 驾驶员疲劳驾驶判断方法、存储介质及电子设备 | |
CN108407797B (zh) | 一种基于深度学习的实现农机自动换挡的方法 | |
CN103994859B (zh) | 一种高精度在线动平衡检测控制系统和方法 | |
CN111008549B (zh) | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 | |
CN111380649A (zh) | 基于pso优化lssvm的车用多维力传感器解耦方法 | |
CN109916483B (zh) | 称重设备联合监控方法及装置 | |
CN116538286A (zh) | 一种计及nvh特性的商用车换挡系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |