CN113348851A - 一种联合收割机清选系统控制方法及装置 - Google Patents

一种联合收割机清选系统控制方法及装置 Download PDF

Info

Publication number
CN113348851A
CN113348851A CN202110622708.0A CN202110622708A CN113348851A CN 113348851 A CN113348851 A CN 113348851A CN 202110622708 A CN202110622708 A CN 202110622708A CN 113348851 A CN113348851 A CN 113348851A
Authority
CN
China
Prior art keywords
combine harvester
value
theoretical
parameter
rate
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.)
Granted
Application number
CN202110622708.0A
Other languages
English (en)
Other versions
CN113348851B (zh
Inventor
李伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University
Original Assignee
Hefei University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University filed Critical Hefei University
Priority to CN202110622708.0A priority Critical patent/CN113348851B/zh
Publication of CN113348851A publication Critical patent/CN113348851A/zh
Application granted granted Critical
Publication of CN113348851B publication Critical patent/CN113348851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A01D41/1277—Control or measuring arrangements specially adapted for combines for measuring grain quality
    • 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
    • A01D41/1271—Control or measuring arrangements specially adapted for combines for measuring crop flow
    • A01D41/1272—Control or measuring arrangements specially adapted for combines for measuring crop flow for measuring grain flow
    • A01D41/1273—Control or measuring arrangements specially adapted for combines for measuring crop flow for measuring grain flow for measuring grain loss
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01F—PROCESSING OF HARVESTED PRODUCE; HAY OR STRAW PRESSES; DEVICES FOR STORING AGRICULTURAL OR HORTICULTURAL PRODUCE
    • A01F12/00—Parts or details of threshing apparatus
    • A01F12/44—Grain cleaners; Grain separators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Environmental Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Feedback Control In General (AREA)
  • Harvester Elements (AREA)

Abstract

本发明提出了一种联合收割机清选系统控制方法及装置，涉及农业机械控制技术领域。该联合收割机清选系统控制方法通过获取当前时刻联合收割机的参数值，并采用贝叶斯网络模型得到的理论含杂率和理论损失率作为当前时刻预测的含杂率和损失率，使得当前时刻联合收割机的参数值、理论含杂率和理论损失率是同一时刻的值，满足增量式模糊控制算法的输入都是同一时刻的值，进而保证了经过增量式模糊控制算法得到的输出量是当前时刻的值，消除了“滞后匹配”的现象，从而使清选系统的控制更加精确，提高了联合收割机清选系统的性能。

Description

一种联合收割机清选系统控制方法及装置
技术领域
本发明涉及农业机械控制技术领域，具体而言，涉及一种联合收割机清选系统控制方法及装置。
背景技术
联合收割机主要用于谷物、麦类等农作物的联合收获，在田间可一次完成切割、脱粒、分离和清选等项作业。对于清选作业，会有对应的清选系统，要完成清选作业就需要对清选系统进行控制。
目前联合收割机中采用增量式模糊控制算法对清选系统进行控制。但采用该算法对清选系统进行控制时发现，清选系统的性能并不十分理想。分析实验数据得知，增量式模糊控制算法的部分输入量，含杂率和损失率，呈现一种“滞后匹配”现象，即当前时刻系统的含杂率和损失率为上一时刻或上几个时刻的数据。
发明内容
本发明的目的在于提供一种联合收割机清选系统控制方法及装置，用以改善现有技术中增量式模糊控制算法输入的当前时刻系统的含杂率和损失率为上一时刻或上几个时刻的数据的问题。
第一方面，本申请实施例提供一种联合收割机清选系统控制方法，包括以下步骤：
获取当前时刻联合收割机的参数值；
根据当前时刻联合收割机的参数值采用贝叶斯网络模型计算得到理论含杂率和理论损失率；
根据当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值；
根据参数变化值生成控制指令，并根据控制指令控制联合收割机清选系统工作。
上述实现过程中，通过实时获取当前时刻联合收割机的参数值，将当前时刻联合收割机的参数值采用贝叶斯网络模型进行计算得到理论含杂率和理论损失率，再将当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值，根据得到参数变化值进一步生成控制指令控制联合收割机清选系统工作。通过获取当前时刻联合收割机的参数值，并采用贝叶斯网络模型得到的理论含杂率和理论损失率作为当前时刻预测的含杂率和损失率，使得当前时刻联合收割机的参数值、理论含杂率和理论损失率是同一时刻的值，满足增量式模糊控制算法的输入都是同一时刻的值，进而保证了经过增量式模糊控制算法得到的输出量是当前时刻的值，消除了“滞后匹配”的现象，从而使清选系统的控制更加精确，提高了联合收割机清选系统的性能。
基于第一方面，在本发明的一些实施例中，获取当前时刻联合收割机的参数值的步骤包括以下步骤：
获取当前时刻联合收割机的风机转速、分风板角度和鱼鳞筛开度的值。
基于第一方面，在本发明的一些实施例中，还包括以下步骤：
获取联合收割机的风机转速、分风板角度和鱼鳞筛开度的额定值；
将额定值分别进行划分，得到多个风机转速、分风板角度和鱼鳞筛开度的档位；
将风机转速、分风板角度和鱼鳞筛开度的档位进行排列组合，得到不同的档位组合；
根据不同的档位组合进行采样，得到采样数据；
根据采样数据分别计算得到不同档位组合下的样本含杂率和样本损失率，以得到贝叶斯网络模型。
基于第一方面，在本发明的一些实施例中，根据当前时刻联合收割机的参数值采用贝叶斯网络模型计算得到理论含杂率和理论损失率的步骤包括以下步骤：
获取联合收割机的额定参数值，并将额定参数值进行区间划分，以得到多个额定参数取值区间；
将预设的含杂率和损失率范围进行区间划分，以得到多个预设的含杂率和损失率取值区间；
将当前时刻联合收割机的参数值与额定参数取值区间进行对比，得到当前时刻联合收割机的参数值的取值区间；
根据采样数据分别计算得到当前时刻联合收割机的参数值的取值区间在各个预设的含杂率和损失率取值区间的概率；
将当前时刻联合收割机的参数值的取值区间在各个预设的含杂率和损失率取值区间的概率进行筛选，得到最大的概率，并分别作为理论含杂率和理论损失率。
基于第一方面，在本发明的一些实施例中，还包括以下步骤：
根据样本含杂率和样本损失率利用衡量标准计算公式计算得到多个衡量标准值；
将多个衡量标准值进行筛选，以得到最大的衡量标准值；
提取最大的衡量标准值对应的档位组合，并作为联合收割机的工作基准参数；
根据工作基准参数生成指令，并根据指令控制联合收割机工作。
上述实现过程中，通过实际情况和历史经验数据及机器性能选择合适的档位组合进行工作，并且计算出在不同档位组合下的衡量标准值，通过对比衡量标准值以得到最佳性能下的档位组合，并将该档位组合作为工作基准参数来生成指令，从而控制联合收割机工作，可以使联合收割机在工作时清选系统处于最佳性能，使得获取到的数据更能满足实际需求。
基于第一方面，在本发明的一些实施例中，衡量标准计算公式为：
衡量标准值＝样本含杂率×A+样本损失率×B；其中，A、B为0-1的常数。
基于第一方面，在本发明的一些实施例中，根据当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值的步骤包括：
采用隶属度函数对当前时刻联合收割机的参数值、理论含杂率和理论损失率的值进行模糊化处理，得到模糊数据；
根据模糊数据制定模糊规则，得到模糊控制规则表；
根据模糊控制规则表采用重心法对模糊数据进行去模糊处理，得到参数变化值。
第二方面，本申请实施例提供一种联合收割机清选系统控制装置，包括：
参数值获取模块，用于获取当前时刻联合收割机的参数值；
参数值处理模块，用于根据当前时刻联合收割机的参数值采用贝叶斯网络模型计算得到理论含杂率和理论损失率；
参数变化值计算模块，用于根据当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值；
控制模块，用于根据参数变化值生成控制指令，并根据控制指令控制联合收割机清选系统工作。
上述实现过程中，通过参数值获取模块实时获取当前时刻联合收割机的参数值，参数值处理模块将当前时刻联合收割机的参数值采用贝叶斯网络模型进行计算得到理论含杂率和理论损失率，参数变化值计算模块再将当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值，控制模块根据得到参数变化值进一步生成控制指令控制联合收割机清选系统工作。通过当前时刻联合收割机的参数值采用贝叶斯网络模型得到的理论含杂率和理论损失率为当前时刻预测的含杂率和损失率，使得当前时刻联合收割机的参数值、理论含杂率和理论损失率是同一时刻的值，满足增量式模糊控制算法的输入都是同一时刻的值，进而保证了经过增量式模糊控制算法得到的输出量是当前时刻的值，消除了“滞后匹配”的现象，从而使清选系统的控制更加精确，提高了联合收割机清选系统的性能。
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
第四方面，本申请实施例提供一种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上述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果：
本发明实施例提供一种联合收割机清选系统控制方法及装置，通过获取当前时刻联合收割机的参数值，并采用贝叶斯网络模型得到的理论含杂率和理论损失率作为当前时刻预测的含杂率和损失率，使得当前时刻联合收割机的参数值、理论含杂率和理论损失率是同一时刻的值，满足增量式模糊控制算法的输入都是同一时刻的值，进而保证了经过增量式模糊控制算法得到的输出量是当前时刻的值，消除了“滞后匹配”的现象，从而使清选系统的控制更加精确，提高了联合收割机清选系统的性能。通过实际情况和历史经验数据及机器性能选择合适的档位组合进行工作，并且计算出在不同档位组合下的衡量标准值，通过对比衡量标准值以得到最佳性能下的档位组合，并将该档位组合作为工作基准参数来生成指令，从而控制联合收割机工作，可以使联合收割机在工作时清选系统处于最佳性能，使得获取到的数据更符合实际需求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的一种联合收割机清选系统控制方法流程图；
图2为本发明实施例提供的隶属度函数的曲线示意图；
图3为本发明实施例提供的模糊控制规则表；
图4为本发明实施例提供的一种联合收割机清选系统控制装置结构框图；
图5为本发明实施例提供的一种电子设备的结构框图。
图标：110-参数值获取模块；120-参数值处理模块；130-参数变化值计算模块；140-控制模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
实施例
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1，图1为本发明实施例提供的一种联合收割机清选系统控制方法流程图。该联合收割机清选系统控制方法包括以下步骤：
步骤S110：获取当前时刻联合收割机的参数值；联合收割机设置有各种传感器，可以通过传感器来获取联合收割机各种参数值。例如可以获取联合收割机的温度信息，可以获取当前时刻联合收割机的风机转速、分风板角度和鱼鳞筛开度的值。
根据联合收割机的结构特点，并结合清选系统的清选过程，可以选取含杂率和损失率作为联合收割机清选性能的衡量指标，选取风机转速、分风板角度和鱼鳞筛开度作为影响含杂率和损失率这两种指标的主要因素。因此需要获取当前时刻联合收割机的风机转速、分风板角度和鱼鳞筛开度的值。
步骤S120：根据当前时刻联合收割机的参数值采用贝叶斯网络模型计算得到理论含杂率和理论损失率；贝叶斯网络模型以当前时刻联合收割机的参数值作为贝叶斯网络模型的输入数据，经过计算输出理论含杂率和理论损失率的数据。采用贝叶斯网络模型计算的步骤包括以下步骤：
首先，获取联合收割机的额定参数值，并将额定参数值进行区间划分，以得到多个额定参数取值区间。联合收割机在出厂的时候均设置有额定参数值，在联合收割机工作过程中，可以在额定参数值的范围内进行调整，从而更加合理设置参数来工作。区间划分可以是根据联合收割机的实际工作情况划分。
例如：联合收割机的作业量为10kg/s的喂入量，额定参数值包括：风机转速的调控范围为700-1100r/min，分风板角度的调控范围为0-60°，鱼鳞筛开度调控范围为0-60°。将上述三个参数的调控范围进行区间划分，具体的区间划分可以为：风机转速：700-1000转/分钟、800-1100转/分钟；分风板角度：0-40°、20-60°；鱼鳞筛开度：0-40°、20-60°。还可以设置为三挡，具体的区间范围可以为：风机转速：700-800转/分钟、700-900转/分钟和800-900转/分钟；分风板角度：0-20°、0-40°和20-40°；鱼鳞筛开度：0-20°、0-40°和20-40°。
然后，将预设的含杂率和损失率范围进行区间划分，以得到多个预设的含杂率和损失率取值区间；预设的含杂率和损失率范围可以根据实际收割过程设置，也可以是根据收割物的倒伏率设置。区间划分可以是根据联合收割机的工作情况划分。例如可以是根据实际情况将含杂率和损失率范围均设置为1％-6％，可以将预设的含杂率和损失率范围划分的区间为：C11＝1％-2％、C12＝2％-3％、C13＝3％-4％、C14＝4％-6％；C21＝1％-2％、C22＝2％-3％、C23＝3％-4％、C24＝4％-6％；其中C1为预设的含杂率，C2为预设的损失率。
然后，将当前时刻联合收割机的参数值与额定参数取值区间进行对比，得到当前时刻联合收割机的参数值的取值区间。通过将当前时刻联合收割机的参数值与额定参数取值区间进行对比，可以得到当前时刻联合收割机的参数值位于额定参数值的哪个取值区间。例如：当前时刻联合收割机的风机转速为800r/min，分风板角度为50°，鱼鳞筛开度为50°，联合收割机额定参数取值区间为：风机转速：700-1000转/分钟、900-1100转/分钟；分风板角度：0-40°、20-60°；鱼鳞筛开度：0-40°、20-60°，可以得到当前时刻联合收割机的参数值的取值区间为风机转速为700-1000转/分钟，分风板角度为20-60°，鱼鳞筛开度为20-60°。
然后，根据采样数据分别计算得到当前时刻联合收割机的参数值的取值区间在各个预设的含杂率和损失率取值区间的概率。上述计算过程为：当前时刻联合收割机的参数值的取值区间可以表示为X＝(A1,A2,A3),则分别计算这组数据的含杂率在各个区间的概率，再计算出这组数据的损失率在各个区间的概率。例如：预设的含杂率的区间为C11、C12、C13、C14，预设的损失率的区间为C21、C22、C23、C24，则计算出当前时刻联合收割机的参数值的取值区间在各个预设的含杂率为：
P(A1,A2,A3|C11)＝P(A1|C11)P(A2|C11)P(A3|C11)＝P1，其中，P(A1|C11)为含杂率为C11这个区间，且风机转速为A1时的概率；P(A2|C11)为含杂率为C11这个区间，且分风板角度为A2时的概率；P(A3|C11)为含杂率为C11这个区间，且鱼鳞筛开度为A3时的概率。
P(A1,A2,A3|C12)＝P(A1|C12)P(A2|C12)P(A3|C12)＝P2，其中，P(A1|C12)为含杂率为C12这个区间，且风机转速为A1时的概率；P(A2|C12)为含杂率为C12这个区间，且分风板角度为A2时的概率；P(A3|C12)为含杂率为C12这个区间，且鱼鳞筛开度为A3时的概率。
P(A1,A2,A3|C13)＝P(A1|C13)P(A2|C13)P(A3|C13)＝P3，其中，P(A1|C13)为含杂率为C13这个区间，且风机转速为A1时的概率；P(A2|C13)为含杂率为C13这个区间，且分风板角度为A2时的概率；P(A3|C13)为含杂率为C13这个区间，且鱼鳞筛开度为A3时的概率。
P(A1,A2,A3|C14)＝P(A1|C14)P(A2|C14)P(A3|C14)＝P4，其中，P(A1|C14)为含杂率为C14这个区间，且风机转速为A1时的概率；P(A2|C14)为含杂率为C14这个区间，且分风板角度为A2时的概率；P(A3|C14)为含杂率为C14这个区间，且鱼鳞筛开度为A3时的概率。
同理，可以计算出当前时刻联合收割机的参数值的取值区间在各个预设的损失率。
最后，将当前时刻联合收割机的参数值的取值区间在各个预设的含杂率和损失率取值区间的概率进行筛选，得到最大的概率，并分别作为理论含杂率和理论损失率。计算出各个区间的概率后，将概率中最大的值分别作为理论含杂率和理论损失率。如上述例子中所计算的P1、P2、P3、P4，比较P1、P2、P3、P4之间的大小，求出最大的值作为理论含杂率。比如经过比较得到P1>P4>P2>P3,因此将P1作为理论含杂率。同理可以计算出理论损失率，在此不再赘述。
步骤S130：根据当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值。获取到理论含杂率和理论损失率后，将当前t时刻理论含杂率和理论损失率及t时刻的传感器采集的风机转速、分风板角度和鱼鳞筛开度等5个变量的值共同作为增量式模糊控制算法当前时刻的输入量，经增量式模糊控制算法的运算，得到参数变化值，即系统输出量。上述过程为：
首先，采用隶属度函数对当前时刻联合收割机的参数值、理论含杂率和理论损失率的值进行模糊化处理，得到模糊数据。
然后，根据模糊数据制定模糊规则，得到模糊控制规则表；
最后，根据模糊控制规则表采用重心法对模糊数据进行去模糊处理，得到参数变化值。
步骤S140：根据参数变化值生成控制指令，并根据控制指令控制联合收割机清选系统工作。根据参数变化值生成控制指令，控制指令实现对三个电动推杆的实时控制任务，完成清选系统的自动控制目标。例如，经过计算得到参数变化值是需要调节分风板角度，则生成控制指令对分风板进行调节。经过计算得到参数变化值是需要调节鱼鳞筛开度，则生成控制指令对鱼鳞筛开度进行调节。
上述实现过程中，通过实时获取当前时刻联合收割机的参数值，将当前时刻联合收割机的参数值采用贝叶斯网络模型进行计算得到理论含杂率和理论损失率，再将当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值，根据得到参数变化值进一步生成控制指令控制联合收割机清选系统工作。通过获取当前时刻联合收割机的参数值，并采用贝叶斯网络模型得到的理论含杂率和理论损失率作为当前时刻预测的含杂率和损失率，使得当前时刻联合收割机的参数值、理论含杂率和理论损失率是同一时刻的值，满足增量式模糊控制算法的输入都是同一时刻的值，进而保证了经过增量式模糊控制算法得到的输出量是当前时刻的值，消除了“滞后匹配”的现象，从而使清选系统的控制更加精确，提高了联合收割机清选系统的性能。
其中，贝叶斯网络模型的建立包括以下步骤：
第一步，获取联合收割机的风机转速、分风板角度和鱼鳞筛开度的额定值；联合收割机在出厂的时候均设置有额定参数值，例如，联合收割机的作业量为10kg/s的喂入量，风机转速的额定值为700-1100r/min，分风板角度的额定值为0-60°，鱼鳞筛开度的额定值为0-60°。
第二步，将额定值分别进行划分，得到多个风机转速、分风板角度和鱼鳞筛开度的档位；在联合收割机工作过程中，可以在额定参数值的范围内进行调整，从而更加合理设置参数来工作。区间划分可以是根据联合收割机的实际工作情况划分。
例如：将上述三个参数的调控范围分别设置成高档组和低档组两种不同的范围，具体的区间范围可以为：风机转速：低档700-1000转/分钟、高档900-1100转/分钟；分风板角度：低档0-40°、高档20-60°；鱼鳞筛开度：低档0-40°、高档20-60°。
第三步，将风机转速、分风板角度和鱼鳞筛开度的档位进行排列组合，得到不同的档位组合。例如，在上述例子中，可以得到如下组合，风机转速为低档，分风板角度为高档，鱼鳞筛开度为低档；风机转速为低档，分风板角度为低档，鱼鳞筛开度为低档。
第四步，根据不同的档位组合进行采样，得到采样数据。通过观察获取收割区域作物品种、作物倒伏情况、作业地块的潮湿度等信息，结合历史经验数据及机器性能参数，选取不同的档位组合，为确保试验数据的有效性和合理性，联合收割机设置相应的速度进行收割试验。例如：初步选取3组档位组合D1、D2、D3，其中D1为：风机转速为低档，分风板角度为高档，鱼鳞筛开度为高档；D2为：风机转速为低档，分风板角度为低档，鱼鳞筛开度为高档；D3为：风机转速为高档，分风板角度为高档，鱼鳞筛开度为高档。别采用上述3种档位组合进行收割试验，得到收割情况作为采样数据。
第五步，根据采样数据分别计算得到不同档位组合下的样本含杂率和样本损失率，以得到贝叶斯网络模型。待收割完毕，逐一对比在不同档位组合下采样数据中的样本含杂率和样本损失率数据。采样数据中的样本含杂率和样本损失率数据的计算是可以通过安装在联合收割机上的传感器经过数据处理得到，通过传感器得到样本含杂率和样本损失率属于现有技术，在此不赘述。也可以是通过人工计算得到，人工计算通过计算收到的种子中杂质数量和总的数量，再进行相除得到样本含杂率，同样可以通过计算损失的数量和总的数量，再进行相除得到样本损失率。
其中，增量式模糊控制算法的步骤包括以下步骤：
首先，采用隶属度函数对当前时刻联合收割机的参数值、理论含杂率和理论损失率的值进行模糊化处理，得到模糊数据。当前时刻联合收割机的参数值可以选用三角形隶属度函数；理论含杂率和理论损失率可以选用梯形隶属度函数。其中，三角形隶属度函数表达式为：
Figure BDA0003099904820000151
其中，a、b、c分别决定了三角形三个顶点的位置。其中，a、c分别对应三角形左右两个顶点，b对应三角形的顶点。
其中，梯形隶属度函数表达式为：
Figure BDA0003099904820000161
其中，a、b、c、d分别决定梯形四个顶点的位置。其中，a、d分别对应梯形下底边左右两个顶点，b、c分别对应梯形上底边左右两个顶点。
例如：风机转速的变化范围是700至900转/分钟，可以划分为以下区间：低速(700-800转/分钟)、中速(700-900转/分钟)和高速(800-900转/分钟)；分风板角度：低(0-20°)、中(0-40°)和高(20-40°)；鱼鳞筛开度：低(0-20°)、中(0-40°)和高(20-40°)。
理论含杂率和理论损失率我们均采用梯形隶属度函数：含杂率：低(0-2％)、高(1-4％)和非常高(大于等于3％)；损失率：低(0-2％)、高(1-7％)和非常高(大于等于5％)。
系统的三个输出量的模糊集合设置分别如下：风机转速增量：NB(-180--90转/分钟),NS(-180-0转/分钟),ZO(-90-90转/分钟),PS(0-180转/分钟)和PB(90-180转/分钟)；分风板角度增量和鱼鳞筛开度增量：NB(-12-6°)、NS(-12-0°)，ZO(-6-6°)、PS(0-12°)和PB(6-12°)。系统的隶属度函数的曲线示意图如图2所示。
然后，根据模糊数据制定模糊规则，得到模糊控制规则表。模糊推理过程主要任务是制定模糊规则。根据实验结果及结论，并结合历史经验数据和操作经验，制定对应收割地块的模糊推理规则。根据单因素和多因素实验结果及结论，结合历史经验数据和操作经验，清选系统的模糊控制规则制定如下：
模糊规则1推理过程：
工况1：风机转速900r/min，分风板角度20°，鱼鳞筛开度40°，清选含杂率1.9％，清选损失率4.7％；
工况2：风机转速900r/min，分风板角度20°，鱼鳞筛开度30°，清选含杂率1.9％，清选损失率4.2％；
操作员收割经验：机器前进速度为低速的情况下，若风机转速是高速、分风板角度合适、鱼鳞筛开度较大，出现了损失率偏大、损失率基本满意的情况，操作员需要将鱼鳞筛的开度调小；
模糊规则1：如果损失率低，含杂率非常高，风机转速高，分风板角度中且鱼鳞筛高，则鱼鳞筛增量负大；
模糊规则2推理过程：
工况3：风机转速780r/min，分风板角度30°，鱼鳞筛开度10°，清选含杂率3.5％，清选损失率1.6％；
工况4：风机转速780r/min，分风板角度30°，鱼鳞筛开度10°，清选含杂率3.0％，清选损失率1.5％；
操作员收割经验：机器前进速度为低速的情况下，若风机转速是低速、分风板角度合适、鱼鳞筛开度较小，出现了含杂率偏大、损失率基本满意的情况，操作员需要将风机转调小；
模糊规则2：如果损失率低，含杂率高，风机转速低，分风板角度中且鱼鳞筛开度低，风机转速增量正小。
模糊规则3推理过程：
工况5：风机转速850r/min，分风板角度10°，鱼鳞筛开度40°，清选含杂率2.8％，清选损失率1.6％；
工况6：风机转速850r/min，分风板角度10°，鱼鳞筛开度40°，清选含杂率2.4％，清选损失率1.8％；
操作员收割经验：机器前进速度为低速的情况下，若风机转速是低速、分风板角度很小、鱼鳞筛开度较大，出现了含杂率偏大、损失率基本满意的情况，操作员需要将分风板角度调大；
模糊规则3：如果损失率低，含杂率高，风机转速中，分风板角度低且鱼鳞筛高，则分风板增量正小。
根据上述方法，我们对联合收割机清选系统设置了若干条基本的模糊控制规则，并将模糊规则统计在统计表中，得到模糊控制规则表，如图3所示，图3为本发明实施例提供的模糊控制规则表。在后期的试验中，随着试验的数据量在不断扩充时，模糊控制规则表将会不断扩大。
最后，根据模糊控制规则表采用重心法对模糊数据进行去模糊处理，得到参数变化值。根据重心法去模糊规则获取联合收割机风机转速、分风板角度和鱼鳞筛开度变化值。
模糊集合的重心计算表达式如下：
Figure BDA0003099904820000181
其中，y*是重心输出值，y属于连续论域，μ(y)是隶属度函数表达式。连续论域可以对应风机转速、分风板角度和鱼鳞筛开度：例如风机转速的档位是中，我们的风机转速的速度是700-900r/min这就是风机转速的论域，其他两个类比。
参数变化值的表达式为：
Figure BDA0003099904820000191
其中，y**是参数变化值，M代表模糊集合的个数,y* i第i个模糊集合，μmax(yi)是第i个模糊集合对应的最大隶属度数值。
联合收割机在进行工作时，需要确定一个工作基准参数，联合收割机在该工作基准参数下开始进行收割操作。基准参数的确定可以包括以下步骤：
首先，根据样本含杂率和样本损失率利用衡量标准计算公式计算得到多个衡量标准值；衡量标准值代表了在当前档位组合下的清选系统的性能指标。其中，衡量标准计算公式为：
衡量标准值＝样本含杂率×A+样本损失率×B；其中，A、B为0-1的常数。
例如：一般A的取值设置为0.3，B的取值设置为0.7，样本含杂率为2％，样本损失率为3％时，衡量标准值＝2％×0.3+3％×0.7＝0.027；A的取值设置为0.6，B的取值设置为0.9，样本含杂率为2％，样本损失率为3％时，衡量标准值＝2％×0.6+3％×0.9＝0.039。
然后，将多个衡量标准值进行筛选，以得到最大的衡量标准值；不同的档位组合下得到的样本含杂率和样本损失率不同，利用上述公式可以得到多个衡量标准值，将多个衡量标准值进行比较，得到最大的衡量标准值。
然后，提取最大的衡量标准值对应的档位组合，并作为联合收割机的工作基准参数；衡量标准值最大代表在该档位组合下的清选系统性能最佳，联合收割机以该档位组合作为工作基准参数。例如：选取出最大的衡量标准值应的档位组合为D2档，对应的参数值为：风机转速为低档，分风板角度为低档，鱼鳞筛开度为高档，则联合收割机可以将风机转速为低档，分风板角度为低档，鱼鳞筛开度作为工作基准参数。
最后，根据工作基准参数生成指令，并根据指令控制联合收割机工作。确定好工作基准参数后，通过生成指令来控制联合收割机工作。
上述实现过程中，通过实际情况和历史经验数据及机器性能选择合适的档位组合进行工作，并且计算出在不同档位组合下的衡量标准值，通过对比衡量标准值以得到最佳性能下的档位组合，并将该档位组合作为工作基准参数来生成指令，从而控制联合收割机工作，可以使联合收割机在工作时清选系统处于最佳性能，使得获取到的数据更符合实际需求。
基于同样的发明构思，本发明还提出一种联合收割机清选系统控制装置。请参看图4，图4为本发明实施例提供的一种联合收割机清选系统控制装置结构框图。该联合收割机清选系统控制装置包括：
参数值获取模块110，用于获取当前时刻联合收割机的参数值；
参数值处理模块120，用于根据当前时刻联合收割机的参数值采用贝叶斯网络模型计算得到理论含杂率和理论损失率；
参数变化值计算模块130，用于根据当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值；
控制模块140，用于根据参数变化值生成控制指令，并根据控制指令控制联合收割机清选系统工作。
上述实现过程中，通过参数值获取模块110实时获取当前时刻联合收割机的参数值，参数值处理模块120将当前时刻联合收割机的参数值采用贝叶斯网络模型进行计算得到理论含杂率和理论损失率，参数变化值计算模块130再将当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值，控制模块140根据得到参数变化值进一步生成控制指令控制联合收割机清选系统工作。通过当前时刻联合收割机的参数值采用贝叶斯网络模型得到的理论含杂率和理论损失率为当前时刻预测的含杂率和损失率，使得当前时刻联合收割机的参数值、理论含杂率和理论损失率是同一时刻的值，满足增量式模糊控制算法的输入都是同一时刻的值，进而保证了经过增量式模糊控制算法得到的输出量是当前时刻的值，消除了“滞后匹配”的现象，从而使清选系统的控制更加精确，提高了联合收割机清选系统的性能。
请参阅图5，图5为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的联合收割机清选系统控制装置对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请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)执行本申请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。
综上，本申请实施例提供的一种联合收割机清选系统控制方法及装置，该联合收割机清选系统控制方法通过获取当前时刻联合收割机的参数值，并采用贝叶斯网络模型得到的理论含杂率和理论损失率作为当前时刻预测的含杂率和损失率，使得当前时刻联合收割机的参数值、理论含杂率和理论损失率是同一时刻的值，满足增量式模糊控制算法的输入都是同一时刻的值，进而保证了经过增量式模糊控制算法得到的输出量是当前时刻的值，消除了“滞后匹配”的现象，从而使清选系统的控制更加精确，提高了联合收割机清选系统的性能。通过实际情况和历史经验数据及机器性能选择合适的档位组合进行工作，并且计算出在不同档位组合下的衡量标准值，通过对比衡量标准值以得到最佳性能下的档位组合，并将该档位组合作为工作基准参数来生成指令，从而控制联合收割机工作，可以使联合收割机在工作时清选系统处于最佳性能，使得获取到的数据更符合实际情况。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种联合收割机清选系统控制方法，其特征在于，包括以下步骤：
获取当前时刻联合收割机的参数值；
根据当前时刻联合收割机的参数值采用贝叶斯网络模型计算得到理论含杂率和理论损失率；
根据当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值；
根据所述参数变化值生成控制指令，并根据所述控制指令控制所述联合收割机清选系统工作。
2.根据权利要求1所述的联合收割机清选系统控制方法，其特征在于，所述获取当前时刻联合收割机的参数值的步骤包括以下步骤：
获取当前时刻联合收割机的风机转速、分风板角度和鱼鳞筛开度的值。
3.根据权利要求2所述的联合收割机清选系统控制方法，其特征在于，还包括以下步骤：
获取联合收割机的风机转速、分风板角度和鱼鳞筛开度的额定值；
将所述额定值分别进行划分，得到多个风机转速、分风板角度和鱼鳞筛开度的档位；
将风机转速、分风板角度和鱼鳞筛开度的档位进行排列组合，得到不同的档位组合；
根据不同的档位组合进行采样，得到采样数据；
根据采样数据分别计算得到不同档位组合下的样本含杂率和样本损失率，以得到贝叶斯网络模型。
4.根据权利要求3所述的联合收割机清选系统控制方法，其特征在于，所述根据当前时刻联合收割机的参数值采用贝叶斯网络模型计算得到理论含杂率和理论损失率的步骤包括以下步骤：
获取联合收割机的额定参数值，并将所述额定参数值进行区间划分，以得到多个额定参数取值区间；
将预设的含杂率和损失率范围进行区间划分，以得到多个预设的含杂率和损失率取值区间；
将当前时刻联合收割机的参数值与额定参数取值区间进行对比，得到当前时刻联合收割机的参数值的取值区间；
根据所述采样数据分别计算得到当前时刻联合收割机的参数值的取值区间在各个预设的含杂率和损失率取值区间的概率；
将所述当前时刻联合收割机的参数值的取值区间在各个预设的含杂率和损失率取值区间的概率进行筛选，得到最大的概率，并分别作为理论含杂率和理论损失率。
5.根据权利要求3所述的联合收割机清选系统控制方法，其特征在于，还包括以下步骤：
根据所述样本含杂率和样本损失率利用衡量标准计算公式计算得到多个衡量标准值；
将所述多个衡量标准值进行筛选，以得到最大的衡量标准值；
提取所述最大的衡量标准值对应的档位组合，并作为联合收割机的工作基准参数；
根据所述工作基准参数生成指令，并根据所述指令控制联合收割机工作。
6.根据权利要求5所述的联合收割机清选系统控制方法，其特征在于，所述衡量标准计算公式为：
衡量标准值＝样本含杂率×A+样本损失率×B；其中，A、B为0-1的常数。
7.根据权利要求1所述的联合收割机清选系统控制方法，其特征在于，所述根据当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值的步骤包括：
采用隶属度函数对所述当前时刻联合收割机的参数值、理论含杂率和理论损失率的值进行模糊化处理，得到模糊数据；
根据所述模糊数据制定模糊规则，得到模糊控制规则表；
根据所述模糊控制规则表采用重心法对所述模糊数据进行去模糊处理，得到参数变化值。
8.一种联合收割机清选系统控制装置，其特征在于，包括：
参数值获取模块，用于获取当前时刻联合收割机的参数值；
参数值处理模块，用于根据当前时刻联合收割机的参数值采用贝叶斯网络模型计算得到理论含杂率和理论损失率；
参数变化值计算模块，用于根据当前时刻联合收割机的参数值、理论含杂率和理论损失率采用增量式模糊控制算法计算得到参数变化值；
控制模块，用于根据所述参数变化值生成控制指令，并根据所述控制指令控制所述联合收割机清选系统工作。
9.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-7中任一项所述的方法。
10.一种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1-7中任一项所述的方法。
CN202110622708.0A 2021-06-03 2021-06-03 一种联合收割机清选系统控制方法及装置 Active CN113348851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110622708.0A CN113348851B (zh) 2021-06-03 2021-06-03 一种联合收割机清选系统控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110622708.0A CN113348851B (zh) 2021-06-03 2021-06-03 一种联合收割机清选系统控制方法及装置

Publications (2)

Publication Number Publication Date
CN113348851A true CN113348851A (zh) 2021-09-07
CN113348851B CN113348851B (zh) 2022-08-16

Family

ID=77532055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110622708.0A Active CN113348851B (zh) 2021-06-03 2021-06-03 一种联合收割机清选系统控制方法及装置

Country Status (1)

Country Link
CN (1) CN113348851B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113796198A (zh) * 2021-09-22 2021-12-17 深圳职业技术学院 稻麦联合收获机清选模糊推理装置及自动控制方法
CN114846991A (zh) * 2022-05-31 2022-08-05 江苏大学 一种联合收获机清选负荷监测装置与清选性能预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104737707A (zh) * 2015-03-04 2015-07-01 江苏大学 一种联合收获机清选含杂率自适应控制装置及自适应清洗方法
CN104737721A (zh) * 2015-03-04 2015-07-01 江苏大学 一种联合收获机自适应清选控制装置及其自适应清选方法
US20170094901A1 (en) * 2015-10-02 2017-04-06 Deere & Company Probabilistic control of an agricultural machine
CN110347045A (zh) * 2019-07-26 2019-10-18 中国科学院合肥物质科学研究院 基于分风板角度、鱼鳞筛开度和风机转速的清选工况控制方法
CN111802060A (zh) * 2019-04-10 2020-10-23 迪尔公司 使用实时模型的作业机械控制
CN112616425A (zh) * 2021-03-08 2021-04-09 农业农村部南京农业机械化研究所 谷物联合收割机作业性能的在线检测方法、系统及装置
CN112673801A (zh) * 2021-03-09 2021-04-20 农业农村部南京农业机械化研究所 一种谷物联合收割机破碎含杂在线检测方法与系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104737707A (zh) * 2015-03-04 2015-07-01 江苏大学 一种联合收获机清选含杂率自适应控制装置及自适应清洗方法
CN104737721A (zh) * 2015-03-04 2015-07-01 江苏大学 一种联合收获机自适应清选控制装置及其自适应清选方法
US20170094901A1 (en) * 2015-10-02 2017-04-06 Deere & Company Probabilistic control of an agricultural machine
CN111802060A (zh) * 2019-04-10 2020-10-23 迪尔公司 使用实时模型的作业机械控制
CN110347045A (zh) * 2019-07-26 2019-10-18 中国科学院合肥物质科学研究院 基于分风板角度、鱼鳞筛开度和风机转速的清选工况控制方法
CN112616425A (zh) * 2021-03-08 2021-04-09 农业农村部南京农业机械化研究所 谷物联合收割机作业性能的在线检测方法、系统及装置
CN112673801A (zh) * 2021-03-09 2021-04-20 农业农村部南京农业机械化研究所 一种谷物联合收割机破碎含杂在线检测方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李伟: "基于无人机图像的智能稻麦联合收割机清选系统研究", 《控制科学与工程》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113796198A (zh) * 2021-09-22 2021-12-17 深圳职业技术学院 稻麦联合收获机清选模糊推理装置及自动控制方法
CN114846991A (zh) * 2022-05-31 2022-08-05 江苏大学 一种联合收获机清选负荷监测装置与清选性能预测方法
CN114846991B (zh) * 2022-05-31 2023-10-10 江苏大学 一种联合收获机清选负荷监测装置与清选性能预测方法

Also Published As

Publication number Publication date
CN113348851B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN113348851B (zh) 一种联合收割机清选系统控制方法及装置
AU2018203764B2 (en) Combine harvester control interface for operator and/or remote user
DE60313343T2 (de) Verfahren zur optimierung stochastischer verarbeitungsparameter bei erntemaschinen
RU2569958C2 (ru) Способ настройки, по меньшей мере, одного рабочего органа самоходной уборочной машины
US9934538B2 (en) Recalling crop-specific performance targets for controlling a mobile machine
CA2383201C (en) Harvester with intelligent hybrid control system
EP1543712B2 (de) Verfahren und Vorrichtung zur Regelung von Arbeitsorganen eines Mähdreschers
EP3038054A2 (en) Grain quality monitoring
US20100121541A1 (en) Creation of image databases for image evaluation
EP2781147B1 (en) Operating state detection system for work machine with fusion considering sensor value reliability
DE102005014278A1 (de) Verfahren zur Ermittlung eines Ziel-Einstellwerts
US7266415B2 (en) Method of and apparatus for operating working machines
CN108934416A (zh) 一种基于bp神经网络联合收获机多参数作业控制系统及方法
CN114391351A (zh) 变量施肥决策方法及装置
CN114303619A (zh) 图生成器和控制系统
Dimitrov et al. Intelligent support of grain harvester technological adjustment in the field
EP3981234A1 (en) Predictive map generation and control system
CN113796198A (zh) 稻麦联合收获机清选模糊推理装置及自动控制方法
JP6086756B2 (ja) 重量選別機
CN115486247A (zh) 用于确定肥料配比的方法、存储介质及处理器
US11768084B2 (en) Agricultural machine with an improved user interface
JP2021170999A (ja) 追肥量演算装置、追肥量演算方法および追肥量演算プログラム
MoREvf et al. Optimal harvest policies for corn and soybeans
Świtłyk Using the Färe-Primont index to measure changes in total factor productivity of dairy farms
Dimitrov et al. Formation of a knowledge base for selecting parameter values for the working parts of the TORUM rotary combine

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