面向整车受力闭环的犁耕机组作业载荷模拟系统及方法与流程

本发明涉及农业机械性能测试，具体为面向整车受力闭环的犁耕机组作业载荷模拟系统及方法。

背景技术：

1、犁耕机组是农业生产中的核心作业装备，其可靠性直接决定农业生产效率与作业质量。在产品研发阶段，需通过充分的疲劳耐久测试考核并提升其可靠性。传统田间实地测试虽能反映真实作业状态，但存在测试周期长、人力物力成本高、测试结果可重复性差、受季节、天气及土壤条件等自然因素限制显著等固有缺陷。

2、为解决上述问题，行业内普遍采用室内台架试验替代部分田间试验，但现有台架试验装置仍存在以下关键技术不足：

3、1.加载模式单一：现有装置多聚焦于拖拉机单体测试或犁具静态/单向加载，未能将犁耕机组视为“拖拉机-犁具-土壤”协同工作的完整系统，无法复现机组田间作业时的整体受力状态；

4、2.缺乏系统耦合机制：现有装置通常将车轮载荷和犁具阻力分别独立施加，忽视犁具阻力变化、车轮滑转率变化和整车速度变化之间的实时反馈关系，无法模拟“犁具阻力变化→牵引需求改变→车轮滑转率变化→车速变化→犁具阻力再变化”的闭环传递过程，而现有台架无法模拟这种双向实时力学交互；

5、3.载荷谱逼真度不足：现有台架多采用固定幅值载荷、离线回放载荷或规则变化载荷，其对田间随机非平稳载荷的反映有限，尤其难以体现障碍冲击、土壤不均、耕深波动等条件下系统状态对载荷谱本身的影响，导致台架试验结果难以真实反映产品的田间作业寿命与可靠性；

6、4.现有载荷谱外推方法多为离线方法：参数法、雨流矩阵法及常见时域外推法虽可扩展载荷序列长度，但通常生成的是预先确定的固定载荷序列，不能根据系统运行状态实时改变载荷分量权重，难以构建能响应作业状态变化的在线动态载荷。

7、因此，本领域亟需一种能够面向整车受力闭环、并能够根据车辆状态与犁具状态实时生成目标载荷的室内模拟系统与方法，以提高载荷复现的真实性、可重复性和系统级验证能力。

技术实现思路

1、本发明的目的在于提出面向整车受力闭环的犁耕机组作业载荷模拟系统及方法，通过构建整车纵向动力学、车轮-土壤交互、犁具-土壤动态阻力之间的耦合模型，结合状态驱动的在线载荷生成机制以及模型预测控制与自适应迭代学习控制协同算法，实现对犁耕机组田间作业载荷的高保真室内复现。

2、本发明采用的技术方案是：面向整车受力闭环的犁耕机组作业载荷模拟系统，包括：

3、台架支撑单元，用于固定被测犁耕机组的拖拉机和犁具；

4、车轮加载单元，与拖拉机的至少一个驱动轮独立耦合，用于对驱动轮施加扭矩载荷，以模拟土壤对车轮的驱动力、制动力及滚动阻力；

5、犁具加载单元，与至少一个犁具的悬挂点连接，用于向所述犁具施加动态牵引阻力，模拟稳态阻力、瞬时冲击载荷及耕深变化数据；

6、控制与采集单元，包括：

7、数据采集模块，分别与所述车轮加载单元和犁具加载单元电性连接，用于采集目标犁耕机组在典型田间工况下的载荷-状态同步时序数据，载荷-状态同步时序数据包括车轮扭矩、车轮转速、车辆速度、车轮滑转率、犁具牵引阻力及耕深变化数据；

8、预处理模块，用于接收所述载荷-状态同步时序数据，并进行数据预处理和工况解耦，分解得到载荷数据的基础阻力分量、振动传递分量和冲击事件分量；

9、状态驱动载荷生成模块，用于根据所述载荷数据的基础阻力分量、振动传递分量和冲击事件分量建立参数化模型，并构建动态权重；

10、模型运算模块，用于构建并运行包含整车纵向动力学模型、车轮-土壤交互模型和犁具-土壤动态交互模型的耦合动力学模型；

11、协调控制模块，用于根据所述耦合动力学模型、参数化模型以及试验过程中所述车轮加载单元和犁具加载单元的实时的载荷与状态反馈，在线生成分别针对车轮和犁具的目标载荷指令，并协同控制所述车轮加载单元和犁具加载单元输出动态模拟载荷。

12、作为优选方案，所述控制与采集单元采用模型预测控制与自适应迭代学习控制相结合的分层协同控制架构，包括：

13、上层模型预测控制器mpc，以所述耦合动力学模型为约束，在滚动预测时域内求解车轮目标驱动力序列和犁具目标牵引阻力修正量；

14、下层自适应迭代学习控制器ailc，分别作用于所述车轮加载单元与犁具加载单元，以提高载荷跟踪精度并抑制非平稳误差。

15、作为优选方案，所述系统还包括反馈与优化模块，反馈与优化模块被配置为：

16、将输出的动态模拟载荷与田间实测的载荷-状态同步时序数据进行对比，反向修正所述耦合动力学模型、参数化模型的参数，直至输出的动态模拟载荷满足逼真度要求。

17、面向整车受力闭环的犁耕机组作业载荷模拟方法，包括以下步骤：

18、s1、田间数据采集：采集目标犁耕机组在典型田间工况下载荷-状态同步时序数据，载荷-状态同步时序数据包括车轮扭矩、车轮转速、车辆速度、车轮滑转率、犁具牵引阻力及耕深变化数据；

19、s2、数据预处理与工况解耦：对所述载荷-状态同步时序数据进行去噪、滤波和异常点剔除，并采用基于多源混合信号分离的解耦方法，结合物理反演或统计辨识技术，将复合载荷过程分解为载荷数据的基础阻力分量、振动传递分量和冲击事件分量；

20、s3、构建状态驱动载荷生成模型：将得到的载荷数据的基础阻力分量、振动传递分量和冲击事件分量建立参数化模型，并构建动态权重函数；

21、s4、建立耦合动力学模型：基于步骤s1采集的载荷-状态同步时序数据，以及步骤s2解耦得到的基础阻力分量、振动传递分量和冲击事件分量，并结合步骤s3建立的参数化模型及其辨识得到的模型参数，构建整车纵向动力学模型、车轮-土壤交互模型和犁具-土壤动态交互模型，并将各模型耦合形成闭环的耦合动力学模型；；

22、s5、台架装置调试与参数输入：将被测犁耕机组安装至台架支撑单元，完成各传感器零点校准和量程校准，并将步骤s3得到的参数化模型和步骤s4得到的耦合动力学模型的模型参数输入协调控制模块；

23、s6、协同动态加载：协调控制模块根据所述耦合动力学模型、参数化模型以及试验过程中所述车轮加载单元和犁具加载单元实时反馈的犁具阻力、车轮扭矩、轮速、位移信号，由上层模型预测控制器mpc滚动计算协调设定值，由下层自适应迭代学习控制器ailc分别驱动车轮加载单元和犁具加载单元输出动态模拟载荷。

24、s7、模拟结果验证：将输出的动态模拟载荷与田间实测的载荷-状态同步时序数据进行对比，计算指标误差，指标误差包括单点误差、互相关函数、相干函数和能量流误差；

25、s8、参数校正与迭代优化：当任一指标误差超过预设阈值时，对土壤参数、动态权重函数参数、mpc权重矩阵和ailc学习增益进行修正，重复步骤s6至步骤s7，直至满足逼真度要求。

26、作为优选方案，所述整车纵向动力学模型的表达式为：

27、ft _ (rr + ri + ra) _ fplough= ma

28、其中：ft表示车轮总驱动力；rr 表示轮胎滚动阻力；ri表示坡度阻力；ra表示空气阻力；ma 表示惯性力，m为机组质量，a为整车纵向加速度；fplough 表示犁具总牵引阻力。

29、作为优选方案，车轮-土壤交互模型中，车轮牵引能力和牵引系数函数分别表示为：

30、fwheel,i =μ(s)·wi

31、μ(s) = μmax·(1 - exp(-k·s))

32、其中，fwheel,i表示第i个车轮的纵向牵引力；wi表示第i个车轮垂向载荷；μ(s)表示与滑转率s相关的牵引系数函数；μmax表示对应土壤条件下的最大牵引系数；k表示与土壤剪切变形特性相关的参数，s表示车轮滑转率。

33、作为优选方案，犁具-土壤动态交互模型为：

34、

35、其中，表示犁具总牵引阻力；b表示耕宽；d (t)表示耕深；表示耕深变化率；v(t)表示车辆实际前进速度，s(t)表示车轮滑转率，k1、k2、k3、k4为模型参数，n为指数参数，fimpact(t)为障碍冲击载荷。表示土壤基础切削阻力；表示速度附加阻力；表示滑转率反馈阻力；表示耕深变化附加阻力；

36、作为优选方案，将复合载荷过程分解为载荷数据的基础阻力分量、振动传递分量和冲击事件分量表示为：

37、ftarget (t)= ω1(x(t)) fbase(t) + ω2(x(t)) fvib(t) + ω3(x(t)) fimpact(t)

38、其中，ftarget (t)表示当前系统状态在线生成的目标模拟载荷；x(t)表示系统状态向量，x(t) = [v(t), s(t), fplough(t), d(t)]；fbase(t)表示基础阻力分量，fvib(t)表示振动传递分量，ωi (x(t))表示与系统状态相关的动态权重函数，ω1、ω2、ω3均为动态权重。

39、作为优选方案，步骤s7中，所述互相关函数用于对比模拟数据与田间实测数据中犁具牵引阻力与车轮扭矩之间的时滞及峰值一致性；所述相干函数用于对比预定频段内犁具牵引阻力与车辆速度之间的耦合振动特性。

40、作为优选方案，所述上层模型预测控制器mpc的优化目标为：

41、

42、其中，表示在第个离散控制时刻的mpc优化目标函数；表示当前控制时刻；表示车轮序号；np表示预测时域长度；nc表示控制时域长度，ferror为载荷误差，verror为速度误差，perror为功率匹配误差，分别表示载荷误差、速度误差和功率匹配误差的权重系数，ωu表示控制增量惩罚权重系数，用于抑制控制量剧烈变化；δu为控制增量，u=[fwheel,fplough]t；

43、所述下层自适应迭代学习控制器ailc在第k次试验迭代中的控制律为：

44、uk+1(t) = q(q)[uk(t) + lk(q)·ek(t + td)]

45、其中，uk(t)为第k次迭代的控制输出，uk+1(t)表示第k+1次迭代的控制输出；ek(t)为跟踪误差，q(q)为滤波器，q表示离散时间移位算子，ek(t + td)表示考虑系统延时补偿后的跟踪误差，lk(q)为学习增益矩阵，td为系统延时估计量；且lk(q)可根据当前误差频谱特征及土壤参数估计值进行自适应更新。

46、与现有技术相比，本发明的有益效果是：

47、1.本采用状态驱动的在线载荷生成机制，可根据系统状态实时调整载荷分量权重，生成“活”的载荷谱。

48、2.载荷真实性提高，本发明不仅关注载荷跟踪误差，还同时约束速度误差和功率流误差，提高系统级真实性，可同时复现犁具牵引阻力变化、车轮驱动力变化及其耦合传递过程，解决传统台架“单点像、系统不像”的问题。

49、3.本发明通过将车速、车轮滑转率和耕深变化率引入犁具动态阻力模型，实现车轮、犁具与整车动力学之间的系统级耦合闭环。

50、4.测试效率提高，可替代大量田间实试，降低试验成本，缩短研发周期。

51、5.适应性增强，通过参数调整即可适配不同马力拖拉机、不同犁具及不同土壤工况。

52、6.评价维度拓展，除常规误差评价外，还可对互相关、相干性和能量流进行分析，便于开展多维度系统评价。