基于模糊神經(jīng)網(wǎng)絡的農(nóng)機自動轉(zhuǎn)向系統(tǒng)的設計

王 凱,王彥婷,胡延明

(黃河交通學院,河南 武陟 454950)

0 引言

我國是一個農(nóng)業(yè)大國,農(nóng)業(yè)人口眾多,農(nóng)業(yè)機械化起步較晚[1-4],與國外發(fā)達國家相比,在技術發(fā)展與研究深度方面仍存在一定的差距,而提高農(nóng)業(yè)機械水平的自動化與智能化是現(xiàn)代農(nóng)業(yè)的重要標志[5]。目前,我國正在大力推進無人駕駛技術,故農(nóng)業(yè)機械的自動駕駛與導航系統(tǒng)的精準性是無人駕駛中的重要環(huán)節(jié)與主要作業(yè)工序[6-7]。目前,國內(nèi)外農(nóng)業(yè)機械多采用人工駕駛方式進行田間作業(yè),勞動效率低、駕駛?cè)藛T勞動強度大及駕駛員疲勞等問題日益突出。因此,國內(nèi)外開始進行無人駕駛農(nóng)業(yè)機械的研制,綜合運用農(nóng)業(yè)機械自動化、智能化、導航技術等進行研發(fā)[8-11]。

在農(nóng)業(yè)機械轉(zhuǎn)向系統(tǒng)中主要包括執(zhí)行機構及控制方法兩大部分。轉(zhuǎn)向控制系統(tǒng)的控制方法是決定污染駕駛技術整體性能的重要部分,是轉(zhuǎn)向控制系統(tǒng)的核心,對外界環(huán)境及時做出反應,并及時、準確地執(zhí)行轉(zhuǎn)向命令[12-13]。傳統(tǒng)的控制技術主要是采用PID控制,但PID控制方法結(jié)構較為復雜,且在田間作業(yè)環(huán)境中缺乏較高的田間適應性和自主調(diào)控性,自動反應時間較長[14],隨著現(xiàn)代農(nóng)業(yè)的快速發(fā)展,在田間應用過程中矛盾較為突出,已經(jīng)被逐步替代。在拖拉機自動駕駛系統(tǒng)中,其運行、操作精度、準確性、響應靈敏性與中央控制器的優(yōu)化設計密切相關,故對自動駕駛系統(tǒng)中央控制器進行優(yōu)化是本研究的重點與難點[15-16]。模糊邏輯控制和神經(jīng)網(wǎng)絡控制是農(nóng)用車自動導航中常用的智能控制技術,在不需要建立精確的被控對象數(shù)學模型的前提下可以模擬人類的智能行為。

為此,以拖拉機為研究目標,對自動轉(zhuǎn)向系統(tǒng)進行優(yōu)化設計,引進人工神經(jīng)網(wǎng)絡技術對傳統(tǒng)的模糊控制技術進行優(yōu)化,以提高農(nóng)用拖拉機田間工作性能,提升整體系統(tǒng)的田間運動精度。通過田間試驗進行結(jié)果分析,旨在提高農(nóng)業(yè)機械田間作業(yè)效率,推進我國現(xiàn)代化農(nóng)業(yè)進程。

1 自動轉(zhuǎn)向控制系統(tǒng)的結(jié)構

1.1 整體結(jié)構

拖拉機中的自動轉(zhuǎn)向系統(tǒng)主要由定位導航系統(tǒng)、轉(zhuǎn)向角度傳感器及中央控制單元組成,如圖1所示。其中,中央控制系統(tǒng)是整個拖拉機自動轉(zhuǎn)向系統(tǒng)的決定性因素,能夠及時、迅速地對周圍環(huán)境信息進行響應并及時控制執(zhí)行機構是提高整體性能精度的關鍵部分。

1.2 工作原理

在拖拉機導航控制系統(tǒng)中,導航控制器計算出拖拉機的實際轉(zhuǎn)向角度,并通過中央控制系統(tǒng)將計算轉(zhuǎn)角度信息及時傳送給執(zhí)行系統(tǒng),如圖2、圖3所示。拖拉機自動控制器可以將轉(zhuǎn)向控制算法與轉(zhuǎn)向系統(tǒng)執(zhí)行機構進行綜合分析,中央控制系統(tǒng)通過控制執(zhí)行機構進行實時角度調(diào)節(jié),進而控制拖拉機轉(zhuǎn)向系統(tǒng)執(zhí)行工作,從而完成農(nóng)業(yè)拖拉機的自動角度調(diào)節(jié)與田間運行。其中,農(nóng)業(yè)拖拉機自動轉(zhuǎn)向系統(tǒng)中,中央控制器實時控制過程可表示為[17]

(1)

其中,R(s)為目標角度;Y(s)為轉(zhuǎn)向角度;e、c、d為待定參數(shù)。

圖1 自動轉(zhuǎn)向控制系統(tǒng)Fig.1 Automatic steering control system

圖2 整機電動驅(qū)動系統(tǒng)控制流程圖Fig.2 Control flow chart of the electric drive system of the whole machine

圖3 車輪轉(zhuǎn)向角度控制流程圖Fig.3 Flow chart of steering angle control of agricultural machinery wheels

2 模糊控制系統(tǒng)的設計

2.1 硬件選型

拖拉機自動轉(zhuǎn)向控制系統(tǒng)主要由控制處理器、電源電路、驅(qū)動電機及相關傳感器組成,如圖4所示。中央處理器主要是對傳感器采集的信息進行整體處理、收集與運算,STM32型電路為基本控制電路。

圖4 拖拉機自動轉(zhuǎn)向系統(tǒng)組成圖Fig.4 The composition diagram of the automatic steering system of the tractor

離合器可以控制拖拉機的開合,實現(xiàn)自動駕駛與人為操作的互相結(jié)合與替換,邏輯設計如圖5所示。其中,CAN總線主要用于上下位機的信息交換與傳輸。拖拉機驅(qū)動電機選擇直流電機,具體參數(shù)如表1所示。

圖5 離合器工作流程Fig.5 Clutch workflow

表1 驅(qū)動電機主要技術參數(shù)Table 1 Main technical parameters of drive motor

續(xù)表1

農(nóng)業(yè)生產(chǎn)環(huán)境復雜,為了保證農(nóng)業(yè)機械在田間的正常工作與機械性能,應該保證各個系統(tǒng)之間協(xié)調(diào)配合,才能滿足農(nóng)業(yè)生產(chǎn)的要求。因此,選擇結(jié)構簡單、適應性較強的CAN總線作為控制系統(tǒng)的中央處理器,主要參數(shù)特征如表2所示。

表2 CAN總線特征參數(shù)Table 2 CAN bus characteristic parameters

2.2 人工神經(jīng)網(wǎng)絡模型結(jié)構設計

根據(jù)農(nóng)用拖拉機導航控制的特點,傳統(tǒng)的模糊控制系統(tǒng)與神經(jīng)網(wǎng)絡預測模型[20-21],網(wǎng)絡結(jié)構如圖6所示。優(yōu)化時,需不斷調(diào)整各參數(shù)的權重提高整體預測精度。

圖6 人工智能算法優(yōu)化下的模糊控制結(jié)構圖Fig.6 Fuzzy control structure diagram under the optimization of artificial intelligence algorithm

1)輸入層。根據(jù)拖拉機在田間行走路徑的特點,選取拖拉機轉(zhuǎn)向角度作為輸入因子,輸入層中的所有節(jié)點直接連接到輸入X1和X2,它直接將輸入值X1和X2傳遞到下一層,節(jié)點數(shù)N1=2。

2)輸入層的模糊控制。每個節(jié)點均表示一種編程語言,每個輸入層的模糊控制中有編程語言,如{NB,NM,NS,ZO,PS,PB},這一層的節(jié)點數(shù)N2=14。其函數(shù)是計算每個語言變量值的模糊集合中每個輸入分量的隸屬函數(shù)為[18-19]

(2)

隸屬度函數(shù)屬于正態(tài)分布函數(shù)為

(3)

圖7 輸入輸出變量的隸屬函數(shù)Fig.7 Membership function of input and output variables

(4)

3)去模糊化。首先,確定模糊控制結(jié)構的輸入量和輸出量,本研究中,選取二維模糊控制結(jié)構;其次,將輸入量和輸出量進行模糊化,轉(zhuǎn)化為模糊集合;同時,根據(jù)式(2)確定模糊自己,如{NB,NM,NS,ZO,PS,PB},并設置同一層的第3個節(jié)點的個數(shù),即N3=N4=49,去模糊化計算公式為

(5)

4)本研究的輸出。輸出變量為農(nóng)業(yè)拖拉機控制系統(tǒng)下的目標轉(zhuǎn)向角度,輸出目標值計算公式為

(6)

其中,r表示輸出層數(shù),取值r=1。

2.3 模糊神經(jīng)網(wǎng)絡算法設計

采用人工神經(jīng)網(wǎng)絡訓練,應用最為廣泛的為BP神經(jīng)網(wǎng)絡(BP neural network),模型結(jié)構較為簡單,可以基本滿足試驗所需精度,同時進行一些非線性化運算;但是,與其它人工神經(jīng)網(wǎng)絡及相關優(yōu)化算法相比,雖然神經(jīng)網(wǎng)絡可以解決一些復雜、非線性映射問題,但是它也存在一些缺點,如過擬合、容易陷入局部最優(yōu)解及收斂速度慢等問題。因此,利用遺傳算法、粒子群和蟻群算法等用于優(yōu)化初始權重和閾值,更有利于可以提高模型學習效率并進行全局優(yōu)化,改善原有網(wǎng)絡結(jié)構。

模糊神經(jīng)網(wǎng)絡(Fuzzy Neural Network,FNN)本質(zhì)是將模糊控制系統(tǒng)與人工神經(jīng)網(wǎng)絡相互結(jié)合與優(yōu)勢互補的一種控制方法,與傳統(tǒng)控制系統(tǒng)相比,可以對外界數(shù)據(jù)進行并行處理,具有更高的學習和自適應能力,可實現(xiàn)任意非線性問題的優(yōu)化,具有廣闊的應用前景。在對神經(jīng)網(wǎng)絡模型進行訓練時,還可以使用遺傳算法(Genetic Algorithm,GA)對前向網(wǎng)絡進行訓練。GA是目前應用最為廣泛的一種求解優(yōu)化問題的自適應啟發(fā)式的搜索算法,它模仿了自然界的“物競天擇,優(yōu)勝劣汰”的生物進化機制,即隨機搜索算法的自然選擇、適者生存和自然遺傳機制。在整個解空間中搜索最優(yōu)解具有一定的概率,優(yōu)化計算流程如圖8所示。

圖8 GA優(yōu)化算法計算流程Fig.8 GA optimization algorithm calculation process

3 結(jié)果與分析

3.1 試驗設備

試驗平臺為東方紅LX1204型拖拉機,整體尺寸為5025mm(長)×2376mm(寬)×3075mm(高),配重質(zhì)量為400kg,發(fā)動機型號為自吸式發(fā)動機(LR6M5U22/0882E)與增壓發(fā)動機(LR6R3LU22/0882E);前輪為水田輪,后輪為旱田輪,前輪輪距為2010mm,后輪輪距為2175mm,標定功率為89kW,額定轉(zhuǎn)速為2300r/min。為測試其自動轉(zhuǎn)向控制系統(tǒng)功能,在實驗過程中獲得較為準確的田間數(shù)據(jù),在運行時將拖拉機前輪支撐起,離地間隙為480mm,以減少前輪在運行過程中與地面摩擦而產(chǎn)生的誤差。

圖9 東方紅LX1204拖拉機Fig.9 Dongfanghong LX1204 tractor

3.2 仿真結(jié)果與分析

在MatLab中,使用遺傳算法來優(yōu)化模糊神經(jīng)網(wǎng)絡的程序是經(jīng)過多次迭代到100次。訓練數(shù)據(jù)、測試數(shù)據(jù)和數(shù)據(jù)的神經(jīng)網(wǎng)絡控制器,擬合曲線如圖10所示。由圖10可以看出:實際產(chǎn)出和目標輸出一致的模糊神經(jīng)網(wǎng)絡,訓練網(wǎng)絡具有良好的跟蹤結(jié)果,且所采用的FNN控制系統(tǒng)下農(nóng)用拖拉機整體轉(zhuǎn)向系統(tǒng)性能得到明顯的提高。

圖10 測試的實際輸出和目標輸出Fig.10 Actual output and target output of the test

由表3可以看出,拖拉機自動轉(zhuǎn)向系統(tǒng)的響應時間得到了改善,響應時間縮短,響應更為靈敏、準確,FNN控制系統(tǒng)按照預設目標轉(zhuǎn)向角度進行自動執(zhí)行,保證拖拉機自動轉(zhuǎn)向系統(tǒng)的轉(zhuǎn)向角度誤差為±2°。系統(tǒng)仿真結(jié)果如表4所示。

表3 拖拉機轉(zhuǎn)角測試結(jié)果Table 3 Tractor corner test results

表4 系統(tǒng)仿真結(jié)果Table 4 System simulation results

4 結(jié)論

基于傳統(tǒng)的模糊控制器,與人工神經(jīng)網(wǎng)絡相結(jié)合,提出了模糊神經(jīng)網(wǎng)絡系統(tǒng)(FNN),并在農(nóng)用拖拉機東方紅LX1204進行試驗研究。試驗結(jié)果表明:基于MatLab的仿真過程,分別對應的目標輸出曲線和實際輸出曲線進行對比,在角點測試中記錄分析,輸入不同的目標值農(nóng)業(yè)角度和響應時間,利用設計的FNN控制系統(tǒng)可以滿足農(nóng)用拖拉機日常工作轉(zhuǎn)向需求,響應時間≤2s,預設轉(zhuǎn)角與實測轉(zhuǎn)角的誤差≤5%,響應時間與響應精度都得到提高。因此,應用FNN模糊神經(jīng)網(wǎng)絡控制系統(tǒng)可以顯著提高拖拉機田間工作性能與自動駕駛精度,對于農(nóng)業(yè)自動化與智能化發(fā)展具有重要的意義與參考價值。