一种电动拖拉机用智能犁耕辅助系统及方法与流程

1.本发明涉及拖拉机犁耕领域，尤其涉及一种电动拖拉机用智能犁耕辅助系统及方法。


背景技术：

2.电动拖拉机在犁耕的时候，由于耕地土壤材质和地面不平等问题，拖拉机负载不断变化，驾驶员一方面要控制拖拉机的行驶方向，又要对耕深进行控制，很容易导致耕地不均匀。如果想控制耕深必须保证滑转率在最佳控制门限内防止拖拉机过渡滑转，进而达到目标耕深。这对于拖拉机驾驶员有着极大的考验。因此，大多数农民耕地都需要找有经验的耕地师傅帮忙耕地，极大限制了耕种。而且在耕作工程中土壤中可能会有岩石如果驾驶员不及时发现可能会损坏梨具，导致不能继续进行工作，给农民带来了大量的经济损失。


技术实现要素：

3.针对上述问题，本发明提出了一种电动拖拉机智能犁耕辅助系统，能够控制耕深并且在遇到岩石时有自动报警功能，保持梨具耕作深度的基础上兼顾了拖拉机的滑转率控制，极大提高了农民的耕作效率，使得没有太多耕作经验的农民也可耕地。
4.为了实现上述目的，本发明提出如下技术方案：一种电动拖拉机用智能犁耕辅助系统，该系统包括视觉土壤类型识别部分，滑转率土壤识别部分，耕地检测与报警部分和耕深控制部分。
5.其中，视觉土壤类型识别部分主要通过摄像头采集土壤图像与数据库匹配获得大致土壤的类别。在获得的大致土壤类型后，滑转率土壤识别部分进一步通过计算滑转率最终确定土壤类型及最佳滑移率门限值。
6.耕地检测与报警部分主要通过logistic回归模型判断犁具是否发生碰撞，当发生碰撞时，发出报警提醒驾驶员耕地遇到岩石并停止整个系统工作。
7.耕深控制部分主要是根据土壤的类型及确定的最佳滑转率控制门限后，控制电控悬挂来实时调节耕深。
8.本发明还提出了一种电动拖拉机用智能犁耕辅助方法，其特征在于，包括如下：
9.s1、采集土壤图像与数据库匹配获得大致土壤的类别；
10.s2、采集车速及加速度，获得滑移率，并依据滑移率确定土壤类型及最佳滑移率门限值；
11.s3、根据土壤的类型及确定的最佳滑转率门限后，控制驱动电机和电控悬挂来实时调节耕深；
12.s4、在上述s1
‑
s3的过程中，实时判断犁具是否发生碰撞，当发生碰撞时，发出报警提醒驾驶员并停止耕地工作。
13.进一步，所述步骤s2的实现包括：通过轮速传感器采集的转速与速度雷达采集的加速度数据，得到滑移率，进而确定土壤类型，并通过查表找到当前这个状态下最佳的滑移
率控制门限；其中，确定土壤类型的具体方法如下：
14.根据轮速传感器信息与速度雷达信息得到车轮的速度和加速度，通过公式(1)得到滑移率：
15.式中：s为滑移率、w为车轮转速、r为车轮半径、v为车速；
16.建立车轮动力学方程：
17.计算附着力：
18.式中：j为驱动轮转动惯量、t为驱动力矩、f
i
为切向或法向力；
19.根据附着力与附着系数关系f
φ
＝μ
s
f
z1
，得到路面附着系数为
[0020][0021]
式中：为附着力、f
f
为驱动轮所受阻力的合力、t
i
为轮胎力矩之和；
[0022]
将公式(4)估算得到的附着系数与预存储的若干土壤理论附着系数进行做差，差值绝对值最小时，此理论附着系数对应的土壤就是本次耕作土地的土壤类型。
[0023]
进一步，所述步骤s3的实现包括：将目标耕深和实际耕深的差值输入到pid控制器中经过计算对电磁阀进行控制，通过液压系统控制液压缸的伸长与收缩来控制拖拉机悬挂机构的上升与下降，达到控制犁具耕作深度的目的；
[0024]
所述pid控制器采用基于bp神经网络的pid自适应控制算法，建立参数kp、ki和kd，通过自学习的神经pid控制，达到参数自行调整的目的；根据系统的运行状态,调节pid控制器的参数,以期达到某种性能指标的最优化，使得输出层神经元的输出状态对应于pid控制器的三个可调参数kp、ki和kd通过纠正学习算法进行加权系数调整；
[0025][0026][0027][0028]
式中：为输入层到隐藏层权值，为隐藏层到输出层权值，i＝1,2,3,j＝1,2,3,4,5,q＝1,2,3,4,5；
[0029]
当误差输入bp神经网络自适应pid控制器后控制电磁阀的通断进而控制液压缸中的液压来驱动悬挂进而带动犁具的上下提升，同时犁具的耕深位置传感器返回位置信息形成闭环控制；
[0030]
其中，实际耕深值h的确定方法如下：
[0031]
耕深位置传感器测量得到的耕深值h
1；
[0032]
将阻力传感器测量得到作业阻力f的值转化为矫正耕深值h2：
[0033]
h2＝f/(β
·
b)
ꢀꢀꢀꢀ
(6)
[0034]
式中，β为土壤比阻，n/mm2；b为耕宽，mm；
[0035]
实际值h由h1和h2运算得出
[0036]
h＝αh1 (1
‑
α)h2ꢀꢀꢀꢀ
(7)。
[0037]
本发明的有益效果：
[0038]
本发明实现了智能实时耕深的控制，并在耕作过程中防止了梨具发生碰撞岩石而损坏，极大提高了耕作效率。其中，视觉土壤类型识别部分与滑转率土壤识别部分提高了土壤识别的准确性与速度对耕深的控制起到了重要的作用，耕地检测与报警部分保证了梨具的安全性极大降低了耕作成本，耕深控制部分通过控制悬架最终实现耕深的控制极大提高土地的耕作效果有利于提高粮食产量。
附图说明
[0039]
图1基本结构图
[0040]
图2系统控制逻辑图
[0041]
图3视觉土壤类型识别过程
[0042]
图4受力分析图
[0043]
图5滑转率土壤识别流程
[0044]
图6耕深控制系统
[0045]
图7耕深控制流程图
具体实施方式
[0046]
下面结合附图对本发明作进一步说明。
[0047]
本发明主要组成如图1所示，主要包括土壤类型识别模块、轮速传感器、速度雷达、阻力传感器、悬挂位移传感器、耕深控制模块、耕地检测与报警模块、滑转率土壤识别模块、电机控制模块。其中，各个模块和vcu均在can总线上，他们之间的数据交互都通can通讯实现，各个传感器由vcu采集并发送到can总线上。
[0048]
主要控制过程如图2所示，当驾驶员按下开始键时，视觉土壤类型识别模块采集土壤照片并与数据库中的数据进行匹配得到几个近似土壤类别，并将数据通过can总线发送给滑转率土壤识别模块，滑转率土壤识别模块再通过轮速传感器采集的转速与速度雷达采集的车速数据，得到滑移率，确定土壤类型，并通过查表找到当前这个状态下最佳的滑移率控制门限，由耕深控制模块调节悬挂保持耕深。在此耕地过程中，通过耕地检测与报警模块实时判断是否碰到岩石，如果碰到岩石，则关闭系统。
[0049]
对于本发明系统的关键模块的工作原理和过程进行一一介绍：
[0050]
视觉土壤类型识别模块，如图3所示的识别过程：首先，摄像头连续采集土壤照片，将原始土壤照片通过迭代法得到图像阈值进而实现二值化，去除边界提取像素分布规律，使用中值滤波除去干扰点，提取特征并与数据库当中的土壤图片进行匹配最终得到大致土壤类型，降低单独滑转率土壤识别的难度，同时也提高了土壤识别的速度和准确度。
[0051]
滑转率土壤识别模块，如图5所示，具体过程如下：vcu通过采集轮速传感器信息与速度雷达信息得到车轮的速度和车速的加速，通过公式(1)得到滑移率：
[0052][0053]
式中：s为滑移率、w为车轮转速、r为车轮半径、v为车速。
[0054]
由于拖拉机耕作时一直在软土路面上行驶，因此，忽略车轮迟滞效应，将车轮简化为刚性轮，其受力图如图4所示，则建立的车轮动力学方程为
[0055][0056]
式中：j为驱动轮转动惯量、t为驱动力矩、f
i
为切向或法向力。
[0057]
附着力为
[0058][0059]
式中：为附着力、f
f
为驱动轮所受阻力的合力、t
i
为轮胎力矩之和。
[0060]
附着力与附着系数关系为
[0061]
f
φ
＝μ
s
f
z1
ꢀꢀꢀꢀꢀꢀ
(4)
[0062]
式中：μ
s
为利用附着系数、f
z1
为驱动轮法向力。
[0063]
由如上公式得路面附着系数为
[0064][0065]
式中：m为拖拉机总质量。
[0066]
将估算得到的附着系数与预存储的若干土壤理论附着系数进行做差，差值绝对值最小时，此理论附着系数对应的土壤就是本次耕作土地的土壤类型。
[0067]
图5为具体识别流程，使用轮速传感器和速度雷达获得当前车速和轮速，通过公式(1)和(4)估算此时的利用附着系数和滑动率。之后，查表得到的理论利用附着系数与估算的路面附着系数做差，差值的绝对值最小的土壤类型就是实际土壤类型。
[0068]
耕地检测与报警模块：主要使用logistic回归模型。当发生碰撞瞬间输出转矩和功率会瞬间增大所以输出转矩的变化率与功率的变化率也会瞬间增大，并且车速会明显下降英雌车速的变化率会增大，因此进行大量实车实验并将这三个明显变化的特征量的实际数据作回归分析得到基本模型。运行过程中将电机的输出转矩变化率、功率变化率、车速变化率数据带入logistic回归模型中估计结果大于0.5时认为发生碰撞。如果发生碰撞，停止转矩输出并报警。模型公式如下：
[0069]
y＝α1(t2‑
t1) α2(p2‑
p1) α3(v2‑
v1) k
ꢀꢀꢀꢀꢀ
(6)
[0070]
公式(5)的参数α1，α2，α3和k需要进行实验通过试验的历史数据回归分析来确定具体值。
[0071]
图6为耕深控制模块：在滑转率土壤识别模块得到土壤类型并查表得到最佳滑转率控制门限后，在保证最佳滑转率的基础上控制电控悬架保持耕深。其中，耕深值考虑了两
部分，耕深传感器测量得到的耕深值h1和由阻力矫正后的矫正耕深值h2。
[0072]
h2＝f/(β
·
b)
ꢀꢀꢀꢀꢀ
(7)
[0073]
式中：β为土壤比阻；b为耕宽，f为阻力。
[0074]
实际值耕深h由h1和h2经运算得出
[0075]
h＝αh1 (1
‑
α)h2ꢀꢀꢀꢀꢀ
(8)
[0076]
式中，h1为梨具位移传感器测到的耕深值；h2为由f转化得出的矫正耕深值。
[0077]
耕深控制模块是一个闭环反馈控制系统，将目标耕深和实际耕深的差值输入到控制器中经过计算判断并根据控制算法对电磁阀进行控制，通过液压系统控制液压缸来控制拖拉机悬挂机构的上升与下降，达到控制梨具耕作深度的目的。控制系统的算法由pid控制器实现，本发明采用基于bp神经网络的pid自适应控制算法,建立参数kp、ki和kd，通过自学习的神经pid控制,从而达到参数自行调整的目的。神经网络采用三层结构：一个输入层、一个隐含层、一个输出层。输入层有三个输入节点，分别是目标值、实际值和误差值；隐含层有五个节点；输出层有三个节点对应kp、ki和kd。所有输出层神经元活化函数都使用sigmoid函数。学习规则选择误差纠正学习输出kp、ki和kd如公式所示9
‑
10所示
[0078][0079][0080][0081]
式中：为输入层到隐藏层权值，为隐藏层到输出层权值，i＝1,2,3,j＝1,2,3,4,5,q＝1,2,3,4,5
[0082]
根据系统的运行状态,调节pid控制器的参数kp、ki和kd,最终实现动态自适应pid控制，提高了控制系统鲁棒性。其具体结构如图6所示,即使得输出层神经元的输出状态对应于pid控制器的三个可调参数kp、ki和kd并通过纠正学习算法进行加权系数调整,从而使其稳定状态对应于某种最优控制规律下的pid的控制器的各个采用基于bp神经网络的pid控制的系统结构。
[0083]
当实际滑转率与滑转率门限差值的绝对值超过滑转率门限的5％时表明车轮开始明显打滑进行滑转率控制，滑转率门限差值的绝对值输入bp神经网络自适应pid控制器输出控制信号控制制动电磁阀进驱动制动系统来控制滑转率，滑转率通过轮速传感器与速度雷达采集到的车速和轮速计算得到。当车轮未明显打滑时进行耕深控制，将耕深设定值与矫正过的实际耕深梨输入bp神经网络的pid进而输出控制信号驱动悬挂控制电磁阀是悬挂带动梨具上下移动最终控制耕深。由于耕深会影响拖拉机的行驶状态，进而使得拖拉机发生一定滑转因此本控制系统采用在控制滑转率基础上控制耕深，最终整个控制系统通过反馈控制而达到平衡状态，即保持耕深恒定，稳定性也相对较好。
[0084]
其控制流程图如图7所示，首先初始化之后设定耕深和滑转率控制的门限值，通过
采集的数据计算滑转率，如果未发生明显滑转则进行耕深控制，如果发生明显滑转则进行滑转率控制，减少车轮的滑动，最终实现闭环。并且控制过程中兼顾了滑转率和耕深的并联控制因此控制效果更好，控制系统更稳定鲁棒性更强。
[0085]
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。