CN114915637B - 一种联合收割机远程运维数据获取优化方法 - Google Patents

Abstract

一种联合收割机远程运维数据获取优化方法，基于多台联合收割机的前端数据采集处理系统和多台边缘服务器，前端数据采集处理系统主要由传感器网络，数据采集模块，数据处理模块、数据传输模块和数据采集调节模块。多台联合收割机的数据传输模块与联合收割机远程运维系统之间设有多台边缘服务器，该系统依据基于边缘计算的分层分布式优化方法对数据采集进行自适应调节。通过基于边缘计算的分层分布式优化方法，使联合收割机数据运维系统可以高效完成多台联合收割机在不同工作状态和条件下的数据采集需求，提高数据处理效率，从而在保证联合收割机远程运维系统的工作效率的同时有效降低系统能耗和成本。

Description

一种联合收割机远程运维数据获取优化方法

技术领域

本发明涉及农业机械运维领域，具体说的是一种联合收割机远程运维数据获取优化方法。

背景技术

伴随着农业科技的进步，联合收割机发展开始向着两种不同的方向发展：1)通过提升单台联合收割机的割幅提升作业效率；2)通过多台联合收割机进行协同作业提升作业效率。两种方式对于每年收获作业窗口期抢收的意义重大。

其中，通过多台联合收割机进行协同作业提升作业效率更适合中国的联合收割机发展。传统依靠人工经验对联合收割机协同作业进行管理常会出现处理时滞性高，工作量大、不确定性高的问题，难以满足联合收割机协同作业时的要求。因此，研发联合收割机远程运维系统有助于提高联合收割机的工作效率和智能化水平，降低联合收割机故障率。但是在进行联合收割机远程运维数据获取时如不进行获取方法的优化，会出现联合收割机远程运维数据获取时效性差，效率低下和系统负载不均衡的问题，严重时甚至导致系统崩溃，不利于联合收割机协同作业的远程运维。

因此如何准确、高效、低成本进行联合收割机协同作业数据获取成为联合收割机远程运维的重要问题。

发明内容

为解决上述技术问题，本发明提供一种联合收割机远程运维数据获取优化方法。

为实现上述技术目的，所采用的技术方案是：一种联合收割机远程运维数据获取优化方法，基于多台联合收割机的前端数据采集处理系统和多台边缘服务器，所述的前端数据采集处理系统包括传感器网络，数据采集模块、数据处理模块、数据传输模块和数据采集调节模块，数据采集模块、数据处理模块、数据传输模块依次串联，多台联合收割机的数据传输模块与联合收割机远程运维系统之间设有多台边缘服务器，数据采集调节模块依据基于边缘计算的分层分布式优化方法对数据获取过程进行优化调节；所述的基于边缘计算的分层分布式优化方法分为三层，分别为上层获取方法，中层选取方法和下层调配方法，根据上层获取方法，数据采集模块达到设定条件控制传感器网络采集数据，根据中层选取方法选择具有合适负载总量的边缘服务器数量加入数据处理，根据下层调配方法，数据处理模块和边缘服务器进入边缘服务器模式进行数据处理任务，最终将任务结果通过边缘服务器发送给联合收割机远程运维系统。

上层获取方法为采用基于双重检测的数据采集优化方法，将定位信息和收割高度作为双重检测的两项指标进行数据采样调节，当到达设定的作业位置及割台高度，重启联合收割机部件转速和传感器网络进行数据采集。

中层选取方法为通过决定指数D选择合适负载总量的边缘服务器数量，决定指数D的计算方法为

D＝αx_i+βy_i+γz_i+δv_i

D为决定指数，α、β、γ、δ分别为当次作业面积、边缘服务器设定初始使用数量、湿度和协作联合收割机数量x_i、y_i、z_i、v_i四个因素的比值权重，α+β+γ+δ＝1，δ>α>γ>β；

将D与设定阈值D_m进行比较，当D＜D_m，减少边缘服务器设定初始使用数量的10％-50％,作为数据处理模块数据负载补充，当D≥D_m，增加边缘服务器设定初始使用数量的30％-100％作为数据处理模块数据负载补充。

下层调配方法的具体实现过程为

步骤1、数据采集模块采集的相邻周期内传感器网络的数值未发生变化时，数据不上传至数据处理模块进行处理；当相邻周期内数值变化时，再将数据上传至数据处理模块，上传之后根据数据请求相匹配的数据处理任务；

步骤2、请求得到相匹配的数据处理任务后进入边缘服务器模式，边缘服务器模式包括边缘服务器与数据处理模块共同处理当台联合收割机数据和边缘服务器将数据处理任务转交其他联合收割机的数据处理模块进行处理；

步骤3、对数据处理任务进行优化得到任务结果；

步骤3.1、对数据处理任务基于遗传算法的任务缓存算法进行优化；

步骤3.2、对数据处理任务基于拉格朗日乘数的分布式算法优化。

本发明有益效果是：该联合收割机远程运维数据获取优化方法与装置能够实现在多机协同作业条件下给联合收割机远程运维系统提供高效低成本的数据获取途径。以10台联合收割机协同作业为例，使用优化方法在联合收割机启动后未进入作业区域每分钟减少40％左右数据量，通过中层优化算法可使数据负载率稳定在90％以上，与传统数据负载模式相比有效节能，实现节约计算资源20％以上。通过下层优化算法可以通过任务缓存在非高峰时间的优化、任务分流实时优化进一步提高联合收割机远程运维数据获取效率，有效减少20％左右远程运维系统的计算负担和50％以上的系统延迟。

附图说明

图1为本发明的装置结构示意图；

图2为本发明的流程图。

具体实施方式

一种联合收割机远程运维数据获取优化方法，通过基于边缘计算的分层分布式优化方法，使联合收割机数据运维系统可以高效完成多台联合收割机在不同工作状态和条件下的数据采集需求。

该方法基于多台联合收割机的前端数据采集处理系统和多台边缘服务器，前端数据采集处理系统主要由传感器网络，数据采集模块，数据处理模块、数据传输模块和数据采集调节模块。多台联合收割机的数据传输模块与联合收割机远程运维系统之间设有多台边缘服务器，其中，传感器网络包括：角位移传感器、冲量式谷物流量传感器、激光传感器、图像检测传感器、温湿度传感器、BDS定位模块、车载传感器(联合收割机发动机自带传感器)。多台边缘服务器处于N台联合收割机的传输范围内，在未处理数据之前处于停用状态，当确定所需数量的边缘服务器时，这些边缘服务器才会启动。

该系统依据基于边缘计算的分层分布式优化方法对数据采集进行自适应调节。将联合收割机作业和工况数据经数据采集模块、数据处理模块、边缘服务模块处理后，通过数据在各个模块之间的局域调节，提高数据处理效率，从而在保证联合收割机远程运维系统的工作效率的同时有效降低系统能耗和成本。

数据采集时，需要首先对采集传感器网络传输的数据进行预处理，其中包括模数转换、异常值剔除、线性插值、信号编码和数值同停异变。

数据采集调节模块依据基于边缘计算的分层分布式优化方法对数据获取过程进行优化调节；所述的基于边缘计算的分层分布式优化方法分为三层，分别为上层获取方法，中层选取方法和下层调配方法，根据上层获取方法，数据采集模块达到设定条件控制传感器网络采集数据，根据中层选取方法选择具有合适负载总量的边缘服务器数量加入数据处理，根据下层调配方法，数据处理模块和边缘服务器进入边缘服务器模式进行数据处理任务，最终将任务结果通过边缘服务器发送给联合收割机远程运维系统。

1、基于边缘计算的分层分布式优化方法的上层获取方法采用基于联合收割机作业前的双重检测的分布式数据采集优化方法进行数据采样调节。联合收割机作业前首先进行作业区域规划即依据划定区域的位置信息确定联合收割机是否进入作业区域，依据收割区域作物长势选择作业区域作物的收割高度。将其定位信息和收割高端作为双重检测的指标，依据指标进行数据采样调节，有效降低无效数据的采集与传输，提升了联合收割机协同作业数据传输效率。

当联合收割机未进入作业区域时，联合收割机数据采集调节模块向数据采集模块发送指令，停止上传传感器网络中与联合收割机收割作业相关的部件转速信息。在进入作业区域后，割台高度未达到收割高度时，表明联合收割机未进行收割作业。针对喂入搅龙转速、脱粒滚筒转速等关键作业参数不进行监测，同时将联合收割机作业状态参数5hz采样频率调整为1hz，极大减轻了运维系统压力，有效避免远程运维系统采集到零值和非作业状态下异常值，减小了系统数据处理工作量。当割台高度处于作业区域作物收割高度时，联合收割机重启关键部件作业参数，并将数据采集频率恢复至5HZ及以上。

2、基于边缘计算的分层分布式优化方法的中层选取方法基于决定系数运算方法，主要是对联合收割机远程运维系统数据负载的峰值和低谷阶段进行合理分配的方法。即通过边缘服务器的“峰增谷退”的工作模式选择更优化的数据处理模式。

影响联合收割机远程运维系统数据处理负载的主要因素是联合收割机工作量，而联合收割机的工作量又有影响联合收割机作业的因素决定。决定系数运算方法则通过因子分析对影响联合收割机作业的因素进行主因素分析。通过选取作业效率、作业环境、数据负载三个方面多个影响联合收割机作业指标进行归一化后进行因子提取，最终选定作业面积、协作联合收割机数量、温度和边缘服务器设定初始使用数量作为公共因子。因子分析效果理想后，进行因子旋转，确保因子贡献率、特征值无变化。最后根据因子得分系数矩阵计算各公共因子的因子得分函数，即通过因子过前期试验得出各因自的权重比，并以此作为调节边缘服务器的“峰增谷退”的指标，进而保证联合收割机的运维效率，以及节省计算资源。

D＝αx_i+βy_i+γz_i+δv_i

D为决定指数，α、β、γ、δ分别为作业面积、温度、边缘服务器设定初始使用数量和协作联合收割机数量x_i、y_i、z_i、v_i四个因素的比值权重，且权重满足α+β+γ+δ＝1。通过因子得分函数得出δ>α>γ>β。经比较得出数据v_i的权重δ最大，因此着重分析每日协作联合收割机数量。

将D与设定阈值D_m进行比较，当D＜D_m，依据数据负载需求减少边缘服务器设定初始使用数量的10％-50％。当D≥D_m，增加边缘服务器设定初始使用数量的30％-100％，提升运维系统数据处理能力，保证边缘服务器数量合理利用，防止浪费，保证联合收割机远程运维效率。

3、基于边缘计算的分层分布式优化方法的下层调配方法首先，通过数据更新方式进行有效的数据负载减负。该更新方式采用“同停异变”更新设置，即传感器数据采集相邻周期内数值未发生变化时，数据不上传；当相邻周期内数值变化时，再进行数据上传。

然后，采用数据负载动态调整策略进一步进行数据获取优化工作。

请求得到相匹配的数据处理任务后进入边缘服务器模式，边缘服务器模式包括中层得到的合适数量的边缘服务器与数据处理模块共同处理当台联合收割机数据，以及边缘服务器将数据处理任务转交其他联合收割机的数据处理模块进行处理，防止各个联合收割机的数据处理模块出现满载情况，并且经过合理的分流实现负载优化。选用的用于配合处理的其他联合收割机的数据处理模块处于未满载的状态。

最终，对负载优化后的数据处理任务进行优化得到任务结果，本设计了两种优化方法，即任务缓存在非高峰时间的优化、任务卸载即时时间的优化。任务缓存是指缓存已完成的任务应用及其相关数据。在任务缓存在非高峰时间，为了使得每台联合收割机的车载数据处理模块平均效用最大化，用随机理论提出了一个任务缓存优化问题，并通过基于遗传算法的任务缓存算法^[1]来解决。任务卸载即时时间的优化是为了使系统的总效用最大化，任务卸载和资源优化问题被表述为一个混合整数非线性规划问题(MINLP)，通过一个带有拉格朗日乘数的分布式算法^[2]解决。

[1]吉根林.遗传算法研究综述[J].计算机应用与软件,2004,21(2):5。

[2]陈强,蒋咏梅,高贵,等.用于分布式目标最优极化求解的Lagrange乘因子法优化[J].信号处理,2009,25(10):7。

经过上述的整个前期过程数据优化得出任务结果，能够实现在多机协同作业条件下给联合收割机远程运维系统提供高效低成本的数据获取途径。在许多任务请求高度集中在空间领域，存储任务结果以便将来重复使用，并且经边缘服务器整合传输，联合收割机远程运维系统接收处理后的任务结果，可以大大减少计算负担和延迟。

Claims (1)

1.一种联合收割机远程运维数据获取优化方法，其特征在于：基于多台联合收割机的前端数据采集处理系统和多台边缘服务器，所述的前端数据采集处理系统包括传感器网络，数据采集模块、数据处理模块、数据传输模块和数据采集调节模块，数据采集模块、数据处理模块、数据传输模块依次串联，多台联合收割机的数据传输模块与联合收割机远程运维系统之间设有多台边缘服务器，数据采集调节模块依据基于边缘计算的分层分布式优化方法对数据获取过程进行优化调节；所述的基于边缘计算的分层分布式优化方法分为三层，分别为上层获取方法，中层选取方法和下层调配方法，根据上层获取方法，数据采集模块达到设定条件控制传感器网络采集数据，根据中层选取方法选择具有合适负载总量的边缘服务器数量加入数据处理，根据下层调配方法，数据处理模块和边缘服务器进入边缘服务器模式进行数据处理任务，最终将任务结果通过边缘服务器发送给联合收割机远程运维系统；

上层获取方法为采用基于双重检测的数据采集优化方法，将定位信息和收割高度作为双重检测的两项指标进行数据采样调节，当到达设定的作业位置及割台高度，重启联合收割机部件转速和传感器网络进行数据采集；

中层选取方法为通过决定指数D选择合适负载总量的边缘服务器数量，决定指数D的计算方法为

D＝ax_i+βy_i+γz_i+δv_i

D为决定指数，α、β、γ、δ分别为当次作业面积、边缘服务器设定初始使用数量、湿度和协作联合收割机数量x_i、y_i、z_i、v_i四个因素的比值权重，α+β+γ+δ＝1，δ>α>γ>β；

将D与设定阈值D_m进行比较，当D＜D_m，减少边缘服务器设定初始使用数量的10％-50％,作为数据处理模块数据负载补充，当D≥D_m，增加边缘服务器设定初始使用数量的30％-100％作为数据处理模块数据负载补充；

下层调配方法的具体实现过程为

步骤1、数据采集模块采集的相邻周期内传感器网络的数值未发生变化时，数据不上传至数据处理模块进行处理；当相邻周期内数值变化时，再将数据上传至数据处理模块，上传之后根据数据请求相匹配的数据处理任务；

步骤2、请求得到相匹配的数据处理任务后进入边缘服务器模式，边缘服务器模式包括边缘服务器与数据处理模块共同处理当台联合收割机数据和边缘服务器将数据处理任务转交其他联合收割机的数据处理模块进行处理；

步骤3、对数据处理任务进行优化得到任务结果；

步骤3.1、对数据处理任务基于遗传算法的任务缓存算法进行优化；

步骤3.2、对数据处理任务基于拉格朗日乘数的分布式算法优化。