CN113348850B - 一种光电反馈式谷物流量检测试验装置及谷物流量预测方法 - Google Patents

Abstract

本发明提供了一种光电反馈式谷物流量检测试验装置及谷物流量预测方法，试验装置包括刮板式谷物升运器和卸粮仓，刮板式谷物升运器内部设有升运链条，升运链条两侧与若干平行的升运器刮板相连接；刮板式谷物升运器两侧分别安装有多组阵列激光对射式传感器，刮板式谷物升运器顶部安装有倾角传感器；出粮口处安装有光电测距传感器；升运链条处安装有转速传感器；基于所述试验装置获取的谷物堆积长度、升运器转动速度升运器的倾斜程度和卸粮仓中谷物单位时间的收获体积增加量作为训练后的BP神经网络输入，输出谷物流量预测值。本发明能够使联合收获机在复杂的作业环境下获取精确的谷物流量信息，提高谷物流量预测的精准度。

Description

一种光电反馈式谷物流量检测试验装置及谷物流量预测方法

技术领域

本发明属于农业机械测量技术领域，具体涉及到一种光电反馈式谷物流量检测试验装置及谷物流量预测方法。

背景技术

谷物流量检测是联合收获机智能化技术的重要组成部分，也是实现精细农业研究和实践过程中，必不可少的一个环节。联合收获机在工作过程中谷物产量测量精度受到机械振动、路面不平整、秸秆杂叶等干扰的影响。因此开发出性能稳定的谷物流量检测装置，并设计一种提高动态测量精度的方法具有重要意义。

目前谷物流量测量主要采用接触式测量和非接触式测量。接触式测量主要采用冲击式谷物流量传感器，通过测量冲击力测量谷物的质量，受到机器震动、地形起伏、谷物瞬时流量等因素干扰误差大。非接触式测量主要采用光电传感器，通过测量刮板及刮板籽粒堆遮挡对射式光电传感器阵列的时间，计算遮挡时间推算谷物体积，结合谷物密度计算谷物质量；同时利用物体表面光的漫反射效应，计算相邻时间内粮仓内堆积的谷物体积，校正对射式光电传感器阵列的计算误差，提高测量精度。其测量方式不受作业温度、谷物水分影响，能够适应农田的复杂作业环境。

调研了国内外的光电式谷物流量传感器，其对农田复杂作业环境的适应性较强，但测量精度也会受到许多因素的影响，如光源发生器和接收器表面积灰、升运器速度的变化。此外，由于收获机作业过程中的振动和机体倾斜等造成谷物在升运器内形状的不规则，也是影响测量精度的重要因素，而现有的通过测量光电信号的遮挡时间的测量方法，对于形状不规则谷物体积的测量误差较大。

发明内容

针对现有技术中存在不足，本发明提供了一种光电反馈式谷物流量检测试验装置及谷物流量预测方法，提高形状不规则谷物流量的测量精度和适应性。

本发明是通过以下技术手段实现上述技术目的的。

一种光电反馈式谷物流量检测试验装置，其特征在于，包括刮板式谷物升运器和卸粮仓，刮板谷物升运器底部设由进粮口，刮板式谷物升运器的出粮口正对着卸粮仓入口；

所述刮板式谷物升运器上方安装有驱动电机，驱动电机与升运链条链传动，升运链条设置在刮板式谷物升运器内部，升运链条两侧与若干平行的升运器刮板相连接；

所述刮板式谷物升运器两侧分别安装有多组阵列激光对射式传感器，刮板式谷物升运器顶部安装有倾角传感器；所述出粮口处安装有光电测距传感器；所述升运链条处安装有转速传感器；所述阵列激光对射式传感器、倾角传感器、光电测距传感器和转速传感器均与单片机进行通讯，驱动电机由单片机控制。

上述技术方案中，所述单片机还与LED显示模块、稳压电源和控制按键连接。

上述技术方案中，所述倾角传感器为两轴应变式倾角传感器。

上述技术方案中，所述卸粮仓为下窄上宽的塔型容器，且底部倾斜设置，卸粮仓底部中间位置设有可拆卸的出粮口。

上述技术方案中，每组阵列激光对射式传感器包括相对设置的发射装置和接收装置，等间距分布的发射装置和接收装置，等分升运器刮板垂直于升运链条运动方向的截面。

一种利用光电反馈式谷物流量检测试验装置预测谷物流量的方法，若干组阵列激光对射式传感器获取的谷物堆积长度L′i、升运器转动速度v、升运器的倾斜程度ɑ和卸粮仓中谷物单位时间的收获体积增加量V’_t作为训练后的BP神经网络输入，输出谷物流量预测值；

所述BP神经网络利用改进型遗传算法进行优化，包括：种群初始化、计算适应度、改进选择操作、交叉和变异操作以及重复迭代；

所述改进选择操作具体为：在选择操作前，将初始种群按照适应度值的大小排序，并从初始种群中，适应度为总群体前40％的个体中，随机选择50％的个体，随机选择位于群体后60％的等数量个体进行替换，使替换后的种群数量与初始种群一致。

进一步，所述增加量V′_t＝V_t-V_t-1，其中V_t是t时刻卸粮仓内堆积的谷物体积，且：

其中a为卸粮仓下窄上宽交界处的长度，b为卸粮仓下窄上宽交界处的宽度，h为谷物堆积高度，HL为卸粮仓下窄上宽交界处与卸粮仓底部的距离。

进一步，所述BP神经网络的隐藏层节点数利用黄金分割算法进行优化。

本发明的有益效果为：

(1)本发明利用改进型遗传算法对BP神经网络进行优化，若干组阵列激光对射式传感器获取的谷物堆积长度L′i、升运器转动速度v、升运器的倾斜程度ɑ和卸粮仓中谷物单位时间的收获体积增加量V’_t作为训练后的BP神经网络输入，输出谷物流量预测值，能够使联合收获机在复杂的作业环境下获取精确的谷物流量信息，提高谷物流量预测的精准度。

(2)本发明针对收获机械车身倾斜谷物分布不均安装与谷物分布相适应的传感器，具体为：采用激光阵列对射式传感器测量升运器上谷物的分布情况，利用转速传感器测量升运器刮板的转速，进而获取单个刮板上谷物堆积的体积，利用倾角传感器获取刮板式谷物升运器的倾斜程度，减少因机械车身倾斜造成的测量误差。

(3)本发明中的光电测距传感器工作时，入射激光与卸粮仓表面保持垂直，采集入射激光发出到接收的时间间隔，可以较准确地获取卸粮仓中粮食的高度，同时因为光电测距传感器位于升运器出粮口，不易被积灰堵塞，测量效果好。

(4)本发明的阵列激光对射式传感器为非接触测量，装置结构简单，不受作业温度、谷物水分影响，适应农田复杂的作业环境。

附图说明

图1为本发明所述光电反馈式谷物流量检测试验装置结构示意图；

图2为本发明所述刮板升运器剖面示意图；

图3为本发明所述光电反馈式谷物流量检测试验装置的控制系统结构框图；

图4为本发明所述两轴倾角传感器测量倾角的原理示意图；

图5为本发明所述光电测距方法示意图，

图6为本发明所述卸粮仓结构示意图；

图7为本发明所述谷物流量预测方法流程图；

图中：1-万向轮，2-基座，3-刮板式谷物升运器，4-进粮口，5-升运器刮板，6-升运链条，7-阵列激光对射式传感器，8-升运器出粮口，9-电机支架，10-驱动电机，11-转速传感器，12-倾角传感器，13-光电测距传感器支架，14-光电测距传感器，15-卸粮仓，16-出粮口。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，一种光电反馈式谷物流量检测试验装置，包括基座2、刮板式谷物升运器3和卸粮仓15，基座2底部安装有4个万向轮1，便于移动调整试验装置的位置；刮板式谷物升运器3与水平面呈45°夹角安装在基座2上，卸粮仓15也安装在基座2上，且升运器出粮口8(图2)正对着卸粮仓15入口；卸粮仓15为下窄上宽的塔型容器，且底部倾斜设置，与水平面呈45°，卸粮仓15底部中间位置设有可拆卸的出粮口16；刮板式谷物升运器3上方通过电机支架9安装有驱动电机10，驱动电机10输出轴键连接链轮A，升运链条6转轴外部键连接链轮B，链轮A和链轮B啮齿传动，驱动电机10通过链轮给升运链条6提供动力；驱动电机10通过电机驱动器控制，电机驱动器连接单片机的I/O接口接收控制信号，单片机通过调整I/O接口发出的PWM脉冲信号，控制驱动电机10转速的变化；转速传感器11安装在链轮B的外圈，转速传感器11测量链轮B的转速，即得到升运链条6转速；刮板谷物升运器3底部设置一个垂直于地面的进粮口4，可以将谷物通过进粮口4输入刮板式谷物升运器3；升运器出粮口8处通过光电测距传感器支架13安装光电测距传感器14。

如图2所示，刮板式谷物升运器3内部包括若干平行的升运器刮板5和升运链条6，升运器刮板5一端与设置在刮板式谷物升运器3内部中间位置的升运链条6相连接，升运链条6通过转轴与刮板式谷物升运器3固定；刮板谷物升运器3利用升运器刮板5和升运链条6将谷物沿升运链条6传动方向传送到卸粮仓15内。平行于升运器刮板5，刮板式谷物升运器3两侧分别安装有6组阵列激光对射式传感器7，每组阵列激光对射式传感器7包括相对设置的发射装置和接收装置，发射装置通过连接支架均匀安装在刮板式谷物升运器3一侧，接收装置通过连接支架均匀安装在刮板式谷物升运器3另一侧，且一个发射装置和一个接收装置构成一组阵列激光对射式传感器7。

等间距分布的发射装置和接收装置，等分升运器刮板5垂直于升运链条6运动方向的截面。通过进粮口4加入的谷物，在升运器刮板5和升运器3内壁约束的情况下，在升运器刮板5上形成顶部不规则的斜台体粮堆；当升运器刮板5在升运链条6的带动下，匀速运动的谷堆遮挡发射装置发出的激光，引起接收装置的输出电压发生高低电平变化，根据单片机定时器记录输出电压高低电平变化时间ti(单片机与激光对射式阵列传感器7进行信号传输，其中i＝1，2，3...6)，同时根据转速传感器11测得的升运链条6转速v，利用公式Li＝ti×v，计算得到阵列激光对射式传感器7获取的升运器刮板5厚度d及其上部谷物堆积的长度之和为Li；不同安装位置的阵列激光对射式传感器7测量到升运器刮板5上对应位置的谷物堆积长度不同，将阵列激光对射式传感器7获取的谷物堆积长度记为L′i，且L′i＝Li-d。激光对射式阵列传感器7安装在刮板式谷物升运器3外侧，易安装，不会造成谷物堵塞，可实现非接触测量。

如图3所示，光电反馈式谷物流量检测试验装置的控制系统，包括单片机、LED显示模块、稳压电源和控制按键，单片机分别与LED显示模块、控制按键连接；稳压电源用于给整个控制系统供电，控制按键用于手动控制试验装置，实现谷物流量检测装置中单片机的启动、驱动电机10的启动和停止、手动调整驱动电机10的转速档位、LED显示的功能开启；LED显示模块用于显示驱动电机10的转速档位信息、卸粮仓15谷物体积和预测到的谷物流量值；控制按键和LED显示模块分别与单片机I/O接口连接。阵列激光对射式传感器7采集的信号经电流电压转换电路处理后，通过IO接口将电平信号传输给单片机，单片机利用定时器计算接收装置输出电压高低电平变化时间。转速传感器11获取刮板式谷物升运器3的转速，具体为：转速传感器11采用数字输出型霍尔传感器，磁钢安装在链轮B的外圈，霍尔元件通过支架安装在刮板式谷物升运器3外壳，磁钢在转动过程中，能够与霍尔元件相对；转速传感器11所测量的链轮B转速等于升运链条6转轴的转速，磁钢随着链轮B转动经过转速传感器11中的霍尔元件位置，霍尔元件受霍尔效应产生的电压经过放大电路进行放大，再经过施密特触发器后输出数字信号，并利用IO口传输给单片机，单片机启动内部定时器进行计数，记录每秒钟磁钢经过的次数即链轮B转动的圈数，并乘以磁钢转动的圆形轨迹周长，可以间接计算出升运链条6的升运速度v。本实施例中，驱动电机10采用步进电机。

倾角传感器12，选择两轴应变式倾角传感器，测量以水平面为参考面的升运器两轴倾角变化(x轴为平行于水平面的横轴，y轴为垂直于水平面的纵轴)，倾角传感器12采用力平衡式伺服系统，如图4所示，倾角传感器12由摆锤、摆线、支架组成，摆锤受重力G和摆拉力T的作用，其合外力F＝G×sinθ＝m×g×sinθ，其中，m为摆锤的质量，θ为摆线与垂直方向的夹角，在小角度范围内测量时，可以认为F与θ成线性关系。

倾角传感器12选择量程为±30°、测量精度为0.002°的高精度传感器，为了便于数据处理，将传感器的两轴倾角变化量归一化为θ_i后叠加，刮板式谷物升运器3的倾斜程度α＝θ_x+θ_y；倾角传感器12通过RS232通讯接口连接单片机，进行信号传输。为了测量倾角更明显，将倾角传感器12水平安装在刮板式谷物升运器3的顶部，且倾角传感器12安装使用前在高精度多轴转台上校准标定。

光电测距传感器14获取卸粮仓15中的谷物堆积高度，光电测距传感器14的发射端发射测距激光，经谷物表面反射后，光电测距传感器14接收端接收反射激光；谷物堆积高度传输给单片机；如图5所示，光电测距传感器13采用TOF测距原理，光电测距传感器14距离卸粮仓15底部高度为H，信号发射端发出垂直于地面的激光，激光到达卸粮仓15底部后经反射被信号接收端接收，信号接收端通过IIC接口连接单片机，经单片机计算光发射和接收之间的时间差值△t，利用光速c×△t，可以得到谷物堆积高度h＝H-c×△t。

如图6所示，设定卸粮仓15内谷物高度达到警戒高度为HL(HL为卸粮仓15下窄上宽交界处与卸粮仓15底部的距离)，卸粮仓15内谷物不得高于此高度。卸粮仓15底部可使用部分的横截面面积S是一个随着粮仓高度变化的函数，利用单片机计算t时刻卸粮仓15内堆积的谷物体积：

其中：a为卸粮仓15下窄上宽交界处的长度，b为卸粮仓15下窄上宽交界处的宽度，t的单位为秒(s)，且t≥1s时，单位时间内卸粮仓15中谷物收获体积V_t的增加量V′_t＝V_t-V_t-1。

刮板式谷物升运器3流量检测的问题其实是一个非线性函数拟合问题，难以通过简单的线性公式确定流量数值。本发明利用改进型遗传算法对非线性极值进行快速全局寻优，对BP神经网络的初始权值和阈值进行优化，可以提高非线性拟合的速度，且BP神经网络的非线性拟合能力，能够精准预测谷物流量的数值，减少预测误差；另外，本发明还利用黄金分割算法对BP神经网络的隐藏层节点数进行优化；参见图7，上述过程具体为：

步骤(1)，构造BP神经网络

BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，它具有较快的处理速度和较强的容错率，并且对于任何一个闭区间内的连续函数，该网络都可以用单隐层的前向神经网络进行逼近。通常情况下，一个3层的BP神经网络就可以实现对任意的n维到m维的映射，因此本发明选用的BP神经网络预测模型的层数为3层；输入量为6组谷物堆积长度L′i、升运器转动速度v、升运器的倾斜程度ɑ和卸粮仓15中谷物单位时间的收获体积增加量V_t’，激活函数选择Sigmoid函数：输出量为谷物流量的值；输入层节点数量为9，输出层节点数量为1，隐藏层节点数由下列经验公式进行范围的确定：

其中m、n为输入层节点数目和输出层节点数目；z∈[1,10]且z为常数，可以确定隐藏层节点数区间范围是[5，14]。

步骤(2)，利用黄金分割算法对BP神经网络隐藏层节点数进行优化

步骤(2.1)，假设隐藏层节点数在区间[p，q]范围内，在区间[p，q]内找到第一个分割点h1＝0.382*(q-p)，计算第一个点的均方误差MSE(h₁)；

步骤(2.2)，在[p，q]内找到第二分割点，h1＝0.618*(q-p)，得到第二个点的均方误差MSE(h₂)；

步骤(2.3)，比较MSE(h₁)和MSE(h₂)，若MSE(h₁)<MSE(h₂),则区间变成[p，h₂]；若MSE(h₁)>MSE(h₂)，则区间变成[h₁，q]；若MSE(h₁)＝MSE(h₂)，则区间变成[h₁，h₂]；

步骤(2.4)，在[h₁，h₂]内重复上述步骤，MSE(L)＝min{MSE(p),MSE(q),MSE(h₁),MSE(h₂)}，其中h₁、h₂为[p，q]上的黄金分割点，L为[p，q]上的隐藏层最优节点。

步骤(3)，利用改进型遗传算法优化BP神经网络

步骤(3.1)，种群的初始化

每个个体均为包含了BP神经网络全部的权值和阈值的一个实数串，由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4个部分组成；取N个个体，构成初始种群M(t)。

步骤(3.2)，适应度的计算

如何设置适应度函数，直接影响遗传算法的结果能否达到解决目标的最优解。在谷物流量预测问题中，主要考虑升运器的转速、设备的振动与倾斜程度以及进粮口的谷物加入量这些因素。由于各个优化目标受到约束条件的影响，个体适应度值f_i的计算公式为：

式中：y_i为BP神经网络中第i个点的期望输出，o_i为第i个点的预测输出，k为系数。

最后通过每个种群个体的初始值，结合个体适应度值的公式，可以计算出粒子的适应度值，适应度值越大说明个体越好。

步骤(3.3)，选择操作的改进

选择下一代种群只保留最优个体时，种群多样性被破坏，容易陷入局部收敛的困境，因此在选择操作前，将初始种群按照适应度值的大小排序，并从初始种群中，适应度为总群体前40％的个体中，随机选择50％的个体，随机选择位于群体后60％的等数量个体进行替换，使替换后的种群M(t’)数量与初始种群一致，且比初始种群更加优秀，可以缩短选择操作的时间，提高计算效率。

利用轮盘赌法对替换后的种群M(t’)中优质个体进行选择，个体进入下一代种群的概率是对种群进行选择，每次选出一个最优值，并循环N次，提高下一代种群的更优性。

步骤(3.4)，交叉和变异操作

第k个个体u_k和第l个个体u_l，在j位的基因交叉操作：

u_kj＝u_kj(1-v)+u_ljw

u_lj＝u_lj(1-v)+u_kjw

其中，w是[0，1]之间的随机数；

选择第i个个体的第j个基因u_ij进行变异操作：

其中，u_max为u_ij值的上界，u_min为u_ij的下界，f(g)是一个随机数函数，g为当前迭代次数，G_max为最大进化次数，r是[0，1]之间的随机数。

步骤(3.5)，重复迭代

在完成选择、交叉和变异操作后，初始种群M(t)已经变成了新的种群M(t+1)。在遗传算法重复迭代过程中，种群中个体会趋于最优解，达到一定的迭代次数t后，算法停止，输出最终种群中适应度最大的个体。即可以输出BP神经网络结构中，输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值最优的值。

步骤(4)，根据黄金分割算法设置BP神经网络的隐藏层节点数，将改进型遗传算法获得的个体赋给BP神经网络的权值和阈值，完成BP神经网络的训练，训练后的BP神经网络就是所需要的预测函数，输出值即为谷物流量最终的预测值。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (6)

1.一种光电反馈式谷物流量检测试验装置预测谷物流量的方法，其特征在于，所述光电反馈式谷物流量检测试验装置包括刮板式谷物升运器(3)和卸粮仓(15)，刮板谷物升运器(3)底部设有进粮口(4)，刮板式谷物升运器(3)的出粮口正对着卸粮仓(15)入口；所述刮板式谷物升运器(3)上方安装有驱动电机(10)，驱动电机(10)与升运链条(6)链传动，升运链条(6)设置在刮板式谷物升运器(3)内部，升运链条(6)两侧与若干平行的升运器刮板(5)相连接；所述刮板式谷物升运器(3)两侧分别安装有多组阵列激光对射式传感器(7)，刮板式谷物升运器(3)顶部安装有倾角传感器(12)；所述出粮口处安装有光电测距传感器(14)；所述升运链条(6)处安装有转速传感器(11)；所述阵列激光对射式传感器(7)、倾角传感器(12)、光电测距传感器(14)和转速传感器(11)均与单片机进行通讯，驱动电机(10)由单片机控制；

若干组阵列激光对射式传感器(7)获取的谷物堆积长度L′i、升运器转动速度v、升运器的倾斜程度ɑ和卸粮仓(15)中谷物单位时间的收获体积增加量V_t’作为训练后的BP神经网络输入，输出谷物流量预测值；

所述BP神经网络利用改进型遗传算法进行优化，包括：种群初始化、计算适应度、改进选择操作、交叉和变异操作以及重复迭代；

所述改进选择操作具体为：在选择操作前，将初始种群按照适应度值的大小排序，并从初始种群中，适应度为总群体前40％的个体中，随机选择50％的个体，随机选择位于群体后60％的等数量个体进行替换，使替换后的种群数量与初始种群一致；所述增加量V_t′＝V_t-V_t-1，其中V_t是t时刻卸粮仓(15)内堆积的谷物体积，且：

其中a为卸粮仓(15)下窄上宽交界处的长度，b为卸粮仓(15)下窄上宽交界处的宽度，h为谷物堆积高度，HL为卸粮仓下窄上宽交界处与卸粮仓底部的距离。

2.根据权利要求1所述的预测谷物流量的方法，其特征在于，所述BP神经网络的隐藏层节点数利用黄金分割算法进行优化。

3.根据权利要求1所述的预测谷物流量的方法，其特征在于，所述单片机还与LED显示模块、稳压电源和控制按键连接。

4.根据权利要求1所述的预测谷物流量的方法，其特征在于，所述倾角传感器(12)为两轴应变式倾角传感器。

5.根据权利要求1所述的预测谷物流量的方法，其特征在于，所述卸粮仓(15)为下窄上宽的塔型容器，且底部倾斜设置，卸粮仓(15)底部中间位置设有可拆卸的出粮口(16)。

6.根据权利要求1所述的预测谷物流量的方法，其特征在于，每组阵列激光对射式传感器(7)包括相对设置的发射装置和接收装置，等间距分布的发射装置和接收装置，等分升运器刮板(5)垂直于升运链条(6)运动方向的截面。