智能檸條收獲機(jī)平茬農(nóng)藝參數(shù)控制方法研究

張呈彬，尚 欣，伍淵遠(yuǎn)，李金川，謝新義

(寧夏大學(xué) 機(jī)械工程學(xué)院，寧夏 銀川 750000)

檸條是我國寧夏、內(nèi)蒙古等西部省區(qū)防沙護(hù)林的重要樹種，也是當(dāng)?shù)丶倚蟮膬?yōu)良飼料及農(nóng)牧民薪材的重要來源，具有巨大的經(jīng)濟(jì)效益[1-2]。而檸條的生物學(xué)特性要求其在種植5～6年后，需要每隔3～4年進(jìn)行1次平茬作業(yè)，而我國的檸條種植環(huán)境惡劣，沙石遍布、地面凹凸不平且植株間距不均[3-6]，因此對平茬作業(yè)中留茬高度和漏割率2個重要農(nóng)藝參數(shù)控制方法進(jìn)行研究，可以為智能檸條收獲機(jī)的設(shè)計奠定基礎(chǔ)。

智能檸條收獲機(jī)是能夠自主跟蹤導(dǎo)航線，并一次性完成收割、撿拾及捆扎等步驟的聯(lián)合收獲機(jī)械，其中包含的關(guān)鍵性技術(shù)有機(jī)器視覺技術(shù)、智能控制技術(shù)以及智能決策技術(shù)等，而智能控制理論屬于自動化領(lǐng)域的前沿學(xué)科之一，目前與檸條、牧草等農(nóng)林作物智能化收獲相關(guān)的研究尚不多見，徐照勝等[7]研究汽車自動駕駛的軌跡跟蹤控制算法對地形環(huán)境要求較高，并不適合檸條的機(jī)械化平茬作業(yè)；而袁路路等[8]基于FPGA神經(jīng)網(wǎng)絡(luò)研制的智能割草機(jī)器人，需要大量的學(xué)習(xí)訓(xùn)練樣本，對于檸條的復(fù)雜種植方式也不適用；張本源等[9]、黃雅杰等[10]、劉志剛等[11]及王紅紅等[12]研制的多類割灌機(jī)，其割臺多采用慣性較大的液壓驅(qū)動，不適用于割臺高度需要頻繁調(diào)整以適應(yīng)不同坡面的智能檸條收獲機(jī)。

檸條收獲過程中有斷面平齊度、漏割率和留茬高度3個重要農(nóng)藝參數(shù)，其中斷面平齊度與刀具切割速度和進(jìn)給速度有關(guān)，而本研究在借鑒前人針對切割速度、進(jìn)給速度對斷面平齊度影響研究的基礎(chǔ)上[13]，通過事先調(diào)控好車輛的行進(jìn)速度和刀軸轉(zhuǎn)速，解決了斷面平齊度控制問題，因而主要研究漏割率及留茬高度的控制策略。漏割率與切割部件的結(jié)構(gòu)布置以及機(jī)器的作業(yè)軌跡有關(guān)，前人已經(jīng)針對結(jié)構(gòu)布置與漏割率的關(guān)系進(jìn)行了研究[14-15]，通過對比多種切割方式及刀具結(jié)構(gòu)，采用文獻(xiàn)[15]中的雙圓盤刀具可以避免刀具結(jié)構(gòu)布置對漏割率的影響，因此主要考慮作業(yè)軌跡對收獲機(jī)漏割率的影響。此外，留茬高度僅與切割刀具的離地高度有關(guān)，可以通過調(diào)整割臺高度實現(xiàn)留茬高度的精確控制。由此，本研究將漏割率和留茬高度2個農(nóng)藝參數(shù)的控制問題轉(zhuǎn)變成收獲機(jī)行進(jìn)軌跡和割臺控制問題進(jìn)行解決，其中，軌跡控制系統(tǒng)具有很強(qiáng)的不確定性，難以建立準(zhǔn)確的數(shù)學(xué)模型[16]，故利用遺傳算法對自適應(yīng)模糊控制系統(tǒng)進(jìn)行反饋調(diào)節(jié)尋優(yōu)以獲取最優(yōu)轉(zhuǎn)角，實現(xiàn)收獲機(jī)行進(jìn)軌跡的控制，進(jìn)而控制漏割率；此外，采用閉環(huán)控制預(yù)先作用的方式進(jìn)行割臺控制，并通過搭建仿真平臺進(jìn)行模擬試驗以驗證其可行性，以期為智能檸條收獲機(jī)留茬高度和漏割率2個農(nóng)藝參數(shù)的自動控制提供參考。

1 農(nóng)藝參數(shù)控制系統(tǒng)

收獲機(jī)軌跡控制是對收獲機(jī)的行進(jìn)軌跡進(jìn)行模糊控制，并且在收獲過程中可以自適應(yīng)調(diào)整；割臺控制則是根據(jù)距離傳感器的檢測結(jié)果控制調(diào)整割臺高度。圖1為收獲機(jī)的農(nóng)藝參數(shù)控制系統(tǒng)框圖，該控制系統(tǒng)主要包括檢測單元、控制器、執(zhí)行單元和反饋單元4個部分。車輛前端的攝像機(jī)及速度傳感器傳回數(shù)據(jù)處理后，可以獲得當(dāng)前收獲機(jī)的位置、航向及速度信息，經(jīng)軌跡控制器處理后可以得到輸出轉(zhuǎn)角控制參數(shù)并傳輸給轉(zhuǎn)向機(jī)構(gòu)，從而控制收獲機(jī)調(diào)整行進(jìn)方向。割臺控制器接收車輛前端的距離傳感器數(shù)據(jù)，處理后可以得到當(dāng)前鋸盤的離地高度，然后經(jīng)控制器計算割臺縱向位置所需調(diào)整量，輸出給割臺控制執(zhí)行單元來調(diào)整割臺位置。

2 基于遺傳算法的軌跡控制

對控制策略分析可知，軌跡控制需要解決的主要問題是收獲機(jī)的轉(zhuǎn)向角度控制，本研究設(shè)計的模糊軌跡控制器采用基于遺傳算法的自適應(yīng)模糊控制器的多變量二維控制方式。以收獲機(jī)偏離距離(即收獲機(jī)質(zhì)心相對導(dǎo)航線的橫向距離)e(cm)和偏離角度(即收獲機(jī)中線與導(dǎo)航線的夾角)a(°)作為模糊控制器輸入量，以收獲機(jī)輸出轉(zhuǎn)角u(°)作為輸出變量。軌跡控制原理如圖2所示，借助遺傳算法校正偏離距離模糊化比例因子Ke及偏離角度模糊化比例因子Ka，再通過模糊推理和解模糊化處理(輸出轉(zhuǎn)角解模糊化比例因子Ku)，便可得到最優(yōu)輸出轉(zhuǎn)角u。

圖1 智能檸條收獲機(jī)農(nóng)藝參數(shù)控制系統(tǒng)框圖Fig.1 Agricultural parameter control system of the intelligent caragana harvester

圖2 智能檸條收獲機(jī)的軌跡控制原理Fig.2 Trajectory control principle of the intelligent caragana harvester

2.1 數(shù)據(jù)采集與處理

接收速度傳感器傳入的信號，并對已提取出導(dǎo)航線的圖像進(jìn)行數(shù)據(jù)處理，進(jìn)而獲取當(dāng)前收獲機(jī)行進(jìn)速度值v，計算收獲機(jī)偏離距離e，并計算此時的收獲機(jī)偏離角度a。建立智能檸條收獲機(jī)的運(yùn)動學(xué)模型如圖3所示，動參考系oxy固連在收獲機(jī)切割裝置上，其中a0為期望轉(zhuǎn)向角度，(x1,y1)為收獲機(jī)當(dāng)前坐標(biāo)，(x2,y2)為收獲機(jī)轉(zhuǎn)向目標(biāo)點坐標(biāo)，Δt為收獲機(jī)轉(zhuǎn)向時間間隔(即控制器對執(zhí)行單元下達(dá)轉(zhuǎn)向控制命令的周期長)。

2.2 模糊控制器設(shè)計

利用模糊控制器對輸入?yún)?shù)進(jìn)行模糊計算，圖4所示為模糊控制器結(jié)構(gòu)。

圖3 智能檸條收獲機(jī)的運(yùn)動學(xué)模型Fig.3 Steering kinematics model of the intelligent caragana harvester

模糊控制器是模糊控制系統(tǒng)的關(guān)鍵組成部分，主要是由圖4所示的模糊化處理、推理機(jī)及解模糊化處理3部分構(gòu)成，它們都是建立在知識庫的基礎(chǔ)上，而知識庫又由數(shù)據(jù)庫和規(guī)則庫構(gòu)成[17-19]。

圖4 智能檸條收獲機(jī)運(yùn)動模糊控制器的結(jié)構(gòu)Fig.4 Fuzzy controller for movement of the intelligent caragana harvester

確定偏離角度a的基本論域為[-30，30]，距離偏差e的基本論域為[-15，15]，最終的輸出轉(zhuǎn)角u的基本論域取[-15，15][20-21]。用歸一化思想，取偏離角度模糊化比例因子Ka=0.5，偏離距離模糊化比例因子Ke=1，輸出轉(zhuǎn)角解模糊化比例因子Ku=1，即輸入輸出變量的模糊論域均為[-15，15]?？梢詫⑵x距離e和偏離角度a及輸出轉(zhuǎn)角u劃分為負(fù)大、負(fù)小、0、正小、正大5級，用{NB、NS、ZE、PS、PB}來表示。

從系統(tǒng)穩(wěn)定性、超調(diào)量等方面制定模糊邏輯控制規(guī)則如表1所示[22]。

表1 智能檸條收獲機(jī)運(yùn)動的模糊控制規(guī)則Table 1 Fuzzy control rules for movement of the intelligent caragana harvester

從表1可以看出，當(dāng)收獲機(jī)偏離距離e及偏離角度a較大(NB或PB)時，車輛向?qū)Ш骄€方向大角度(PB或NB)修正；而當(dāng)收獲機(jī)偏離角度a及偏離距離e較小(ZE)時，車輛向?qū)Ш骄€方向小角度(ZE)修正。

根據(jù)設(shè)定的模糊規(guī)則對輸入量進(jìn)行模糊推理并解模糊化，有多種解模糊化的方法，比如高度法、加權(quán)平均法(重心法)和面積平均法。根據(jù)最小最大推理方法，采用加權(quán)平均法對模糊推理出的值進(jìn)行解模糊化[23]，則模糊控制系統(tǒng)輸出轉(zhuǎn)角為各條規(guī)則加權(quán)之和，即輸出轉(zhuǎn)角u為：

(1)

式中：Ku為輸出轉(zhuǎn)角解模糊化比例因子，Zi為第i條規(guī)則對應(yīng)輸出值，n為種群個體數(shù)，μi為第i條規(guī)則的隸屬度(第i條規(guī)則的適用程度)。

μi由下式計算可得：

μi(X)=μi1(X1)μi2(X2)μi3(X3)…μim(Xm)=

(2)

式中：Xi為輸入變量，μij(Xj)為變量Xi對第j條規(guī)則的隸屬度。

2.3 性能測量及反饋校正

自適應(yīng)模糊控制系統(tǒng)的關(guān)鍵在于控制系統(tǒng)的反饋校正機(jī)制，為了加速尋優(yōu)過程，本研究采用校正模糊化比例因子的方式對系統(tǒng)進(jìn)行校正調(diào)節(jié)。將遺傳算法應(yīng)用于該系統(tǒng)的校正環(huán)節(jié)中，通過對評價函數(shù)進(jìn)行多次取值計算及比較，求出最優(yōu)解Ke、Ka和對應(yīng)的輸出變量u[24]。

借助遺傳算法對模糊控制器中的模糊化比例因子Ke、Ka進(jìn)行尋優(yōu)，找到能使評價函數(shù)J最優(yōu)的模糊化比例因子Ke、Ka以及對應(yīng)的轉(zhuǎn)向角度u，從而實現(xiàn)對系統(tǒng)的反饋調(diào)節(jié)。本研究在反饋環(huán)節(jié)中采用遺傳算法，其基本實現(xiàn)流程如圖5所示。

遺傳算法的計算流程為:

1)確定染色體個數(shù)并生成初始群體。本研究采用遺傳算法中最常用的二進(jìn)制編碼方式，每個變量用10位二進(jìn)制數(shù)表示，所以每一個染色體是由20位二進(jìn)制數(shù)組成，相對應(yīng)地表示2個自變量模糊化比例因子Ke、Ka。種群個體數(shù)n取20，隨機(jī)生成20個由20位二進(jìn)制數(shù)組成的不同染色體。

圖5 模糊化比例因子的優(yōu)化流程Fig.5 Optimization flow of fuzzy scaling factor

2)適應(yīng)度函數(shù)計算。適應(yīng)度函數(shù)計算是給每一個染色體1個非負(fù)的評價函數(shù)值J，用以表示不同個體的優(yōu)劣程度。

對輸出轉(zhuǎn)角u與期望轉(zhuǎn)向角度a0的絕對值求差，計算轉(zhuǎn)向角度誤差值δ，即有：

δ=|u|-|a0|。

(3)

以期望轉(zhuǎn)向角度絕對值與輸出轉(zhuǎn)角絕對值的差值δ的平方J，作為該控制系統(tǒng)性能的評價函數(shù)，其物理意義清晰明確，在很大程度上反映了車輛的軌跡控制目標(biāo),其函數(shù)表達(dá)式為：

(4)

式中：a為收獲機(jī)偏離角度；e為收獲機(jī)偏離距離；v為車輛數(shù)據(jù)處理周期內(nèi)平均行駛速度，取0.6 m/s；Δt為數(shù)據(jù)處理周期，取5 s。

3)選擇、交叉、變異。當(dāng)?shù)螖?shù)未達(dá)到預(yù)設(shè)值時，對種群進(jìn)行選擇、重組和變異算子計算，從而產(chǎn)生新種群。其中選擇過程中采用輪盤賭選擇法選擇個體，每個個體被選中的概率Pi為該個體的適應(yīng)度fi與總適應(yīng)度∑fi的比值,即：

(5)

交叉算子采用單點交叉方式獲得，變異算子是以隨機(jī)選擇染色體的位點并進(jìn)行取反獲得。

4)尋優(yōu)并輸出。以誤差值δ的平方J作為對系統(tǒng)性能測量的評價函數(shù)。計算出誤差值δ后，借助遺傳算法對模糊控制器中的模糊化比例因子Ke、Ka進(jìn)行尋優(yōu)，然后通過循環(huán)比較的方法，找到該代中適應(yīng)度值最小(即最優(yōu))的個體及對應(yīng)的模糊化比例因子Ke、Ka，從而實現(xiàn)對系統(tǒng)的反饋調(diào)節(jié)。

當(dāng)?shù)螖?shù)達(dá)到預(yù)設(shè)值時，輸出適應(yīng)度最優(yōu)的個體對應(yīng)的模糊化比例因子Ke、Ka及評價函數(shù)值J、輸出轉(zhuǎn)角u。輸出轉(zhuǎn)角u經(jīng)占空比轉(zhuǎn)換器輸出PWM信號給電控比例閥，調(diào)整液壓閥門的開度來調(diào)節(jié)流量，從而調(diào)整兩側(cè)履帶輪轉(zhuǎn)速實現(xiàn)轉(zhuǎn)向控制，進(jìn)而實現(xiàn)軌跡控制。

3 智能檸條收獲機(jī)割臺的控制

3.1 基本結(jié)構(gòu)

利用軟硬件結(jié)合的方式，基于TRIZ理論設(shè)計了能夠適應(yīng)檸條生長環(huán)境、可以對復(fù)雜地形進(jìn)行三維仿形的割臺結(jié)構(gòu)，主要部件由橫向浮動滑塊、縱向浮動滑塊、導(dǎo)向桿、電機(jī)、絲杠、帶輪箱、萬向滑輪、鋸盤等部分組成。為方便仿真，簡化的割臺基本結(jié)構(gòu)如圖6所示。

1.滾輪；2.縱向浮動滑塊；3.橫向浮動滑塊；4.傳感器懸掛架；5.導(dǎo)向桿；6.距離傳感器；7.帶輪箱；8.鋸盤；9.萬向滑輪；10.壓力傳感器1.Roller;2.Vertical floating slides;3.Horizontal floating slides;4.Suspension frame of sensor;5.Guide rod;6.Distance sensors;7.Gear box;8.Saw plate;9.Universal pulley;10.Pressure transducer

3.2 控制原理

割臺控制器接收收獲機(jī)前端懸掛架上距離傳感器傳回的數(shù)據(jù)，計算當(dāng)前鋸盤離地高度，然后計算割臺縱向位置所需調(diào)整量及對應(yīng)的電機(jī)工作時間。割臺自動控制是通過割臺控制器輸出電壓信號給電機(jī)，從而控制電機(jī)的啟停，通過絲杠傳動帶動縱向浮動滑塊，從而實現(xiàn)對割臺高度的控制。

割臺控制器在接收距離傳感器發(fā)送數(shù)據(jù)的同時，萬向滑輪上方的壓力傳感器實時反饋當(dāng)前壓力給控制器，當(dāng)壓力過大時視為滑輪深入土壤過多，而當(dāng)壓力為0時視為滑輪脫離地面，故需適當(dāng)調(diào)整割臺至壓力滿足要求。單個周期的割臺高度控制算法流程見圖7。

圖7 智能檸條收獲機(jī)割臺的控制流程Fig.7 Header control flow chart of the intelligent caragana harvester

檸條收獲時留茬高度要求，考慮到檸條種植地形復(fù)雜、凹凸不平且砂石較多，所以確定安全留茬高度為20～40 mm，平均留茬高度取30 mm[25]。根據(jù)預(yù)先作用原理，按照上次調(diào)整后的相對誤差，對下次的調(diào)整高度進(jìn)行預(yù)先修正，控制算法如式(6)所示。

(6)

在Matlab/Simulink環(huán)境下，利用割臺運(yùn)動學(xué)模型和割臺控制算法，建立割臺控制系統(tǒng)聯(lián)合仿真模型。在三維建模軟件SolidWorks中進(jìn)行建模后，導(dǎo)入Adams軟件中添加約束進(jìn)行仿真，為方便仿真，先對割臺各部件求布爾加簡化割臺結(jié)構(gòu)。割臺仿真模型如圖8所示，其中以每個信號發(fā)射周期內(nèi)割臺電機(jī)轉(zhuǎn)動時間t1為輸入量，并利用STEP和VARVAL等函數(shù)調(diào)整電機(jī)轉(zhuǎn)速；以割臺質(zhì)心相對大地的縱向位移s為輸出量，返回給聯(lián)合仿真模型，Matlab/Simulink與Adams/Control的聯(lián)合仿真橋接如圖9所示。

圖8 智能檸條收獲機(jī)割臺的仿真模型 圖9 Matlab/Simulink與Adams/Control軟件的橋接Fig.8 Simulation model of the intelligentcaragana harvester header Fig.9 Software bridge of Matlab/Simulink and Adams/Control

4 智能檸條收獲機(jī)控制系統(tǒng)算法仿真

為了驗證所設(shè)計的軌跡模糊控制方案及割臺控制算法的可行性，應(yīng)用Matlab及Adams軟件對智能檸條收獲機(jī)割臺控制系統(tǒng)進(jìn)行仿真模擬。利用Matlab的fuzzy模糊控制工具箱，設(shè)置隸屬度函數(shù)并輸入模糊控制規(guī)則，實現(xiàn)模糊控制器設(shè)計。然后編寫M文件主程序，計算轉(zhuǎn)向角度及Ke、Ka最優(yōu)解，驗證軌跡控制算法的可靠性及穩(wěn)定性。利用Matlab/Simulink和Adams聯(lián)合仿真[26-28]，搭建割臺控制算法仿真平臺，驗證割臺控制算法的可行性。

4.1 軌跡控制仿真分析

對提取完導(dǎo)航線的圖片進(jìn)行數(shù)據(jù)處理，根據(jù)參考坐標(biāo)確定當(dāng)前收獲機(jī)偏離距離e及偏離角度a，利用遺傳算法對系統(tǒng)響應(yīng)進(jìn)行反饋調(diào)節(jié)，利用Matlab軟件搭建仿真平臺進(jìn)行仿真模擬，得到的軌跡控制系統(tǒng)評價函數(shù)變化曲線見圖10。由圖10可知，與無反饋調(diào)節(jié)的典型模糊控制算法相比，利用遺傳算法對系統(tǒng)進(jìn)行反饋調(diào)節(jié)后，評價函數(shù)收斂速度更為迅速，減小了輸出轉(zhuǎn)角與期望轉(zhuǎn)角的誤差，從而降低了漏割率。由此說明，可以對收獲機(jī)割臺控制系統(tǒng)進(jìn)行有效的修改，以得到更可靠的響應(yīng)曲線，從而保證控制系統(tǒng)的可靠性。控制系統(tǒng)輸出轉(zhuǎn)角控制曲線如圖11所示。從圖11可以看出，使用遺傳算法進(jìn)行反饋調(diào)節(jié)后，輸出轉(zhuǎn)角波動范圍為±0.5°，有效地減小了輸出轉(zhuǎn)角的波動，超調(diào)量得到控制，明顯提高了控制系統(tǒng)的穩(wěn)定性。

圖10 智能檸條收獲機(jī)軌跡控制系統(tǒng)評價函數(shù)的變化曲線 圖11 智能檸條收獲機(jī)軌跡控制系統(tǒng)輸出轉(zhuǎn)角的變化曲線Fig.10 Evaluation function of the intelligent caragana harvester trajectory control system Fig.11 Output diversion of the intelligent caragana harvester trajectory control system

4.2 智能檸條收獲機(jī)割臺控制仿真分析

以每個信號發(fā)射周期內(nèi)割臺電機(jī)轉(zhuǎn)動時間t1為輸入量，割臺質(zhì)心相對大地的縱向位移s為輸出量。在Matlab/Simulink環(huán)境下，利用割臺運(yùn)動學(xué)模型和割臺控制算法，建立割臺控制系統(tǒng)仿真模型，并利用SolidWorks及Adams軟件進(jìn)行建模仿真。以sin函數(shù)曲線和矩形波函數(shù)曲線分別作為目標(biāo)曲線進(jìn)行跟蹤仿真，得到智能檸條收獲機(jī)割臺位置縱向跟蹤曲線如圖12和13所示。從圖12和13可以看出，該算法能夠使割臺快速跟蹤位置調(diào)整信號，跟蹤效果良好，保證了留茬高度控制效果，能夠滿足檸條留茬高度控制準(zhǔn)確性的要求。

圖12 智能檸條收獲機(jī)割臺位置sin函數(shù)目標(biāo)曲線的跟蹤仿真 圖13 智能檸條收獲機(jī)割臺位置矩形波函數(shù)目標(biāo)曲線的跟蹤仿真Fig.12 Tracking of the sine function target curve of the intelligent caragana harvester Fig.13 Tracking of the target curve of the rectangular wave function in the slot of the intelligent caragana harvester

5 結(jié) 論

1)首先以智能檸條收獲機(jī)為對象，對割臺控制系統(tǒng)進(jìn)行總體設(shè)計，利用Matlab的fuzzy工具包設(shè)計了模糊控制器；然后在反饋調(diào)節(jié)環(huán)節(jié)中借助遺傳算法對模糊化比例因子Ke、Ka進(jìn)行尋優(yōu)計算，完成了軌跡控制算法研究；隨后設(shè)計了智能檸條收獲機(jī)的割臺控制算法，并驗證了算法的可行性。

2)軌跡控制仿真測試結(jié)果表明，利用遺傳算法進(jìn)行反饋調(diào)節(jié)后降低了收獲機(jī)軌跡控制誤差，減小了漏割率，從而保證了軌跡控制的可靠性及穩(wěn)定性，可以較好地滿足無人駕駛式智能檸條收獲機(jī)軌跡控制的要求。

3)通過分析收獲機(jī)的收獲過程，總結(jié)出了割臺控制算法，利用Matlab/Simulink和Adams聯(lián)合仿真，搭建了割臺控制算法仿真平臺，仿真結(jié)果證明，該算法邏輯清晰簡單，保證了跟蹤控制的快速性及準(zhǔn)確性，實用性強(qiáng)。