博士：杨杭旭
指导老师：周俊 教授
论文题目：温室电动拖拉机旋耕作业耕深稳定性控制研究
答辩委员会：
主席：
汪小旵 教授/博导 南京农业大学
委员：
陈坤杰 教授/博导 南京农业大学
丁启朔 教授/博导 南京农业大学
赵池航 教授/博导 东南大学
苑进 教授/博导 山东农业大学
秘书：
顾宝兴 讲师/硕导 南京农业大学
答辩时间：2024年9月10日14时30分
答辩地点：滨江校区12栋工学楼B442
论文简介：
温室电动拖拉机作为一种小型农机具，具有结构紧凑、污染小及便于控制等特点。受限于制造成本和车身结构，电动拖拉机普遍未安装高精度传感器，使得作业参数的感知精度较差，进而影响电动拖拉机作业状态的监测及控制。同时，电动拖拉机作为小型农机具，其对路面局部不平度较为敏感，在温室内作业时通常会出现机具俯仰，从而出现作业深度不稳定的情况。本文以实现温室旋耕作业的耕深稳定为目标，结合温室电动拖拉机结构特点和实际作业工况，分析了温室电动拖拉机旋耕作业耕深稳定性特点，提出了旋耕作业参数观测方法，构建了拖拉机俯仰角预测模型，设计了温室旋耕作业耕深稳定性控制器，以期解决温室电动拖拉机作业参数测量精度低、地面起伏引起的车身俯仰、耕深不稳定及功率突变等问题。本文将围绕以下4个方面进行相关的研究。具体研究内容包括：
（1）建立了温室电动拖拉机的旋耕模型与仿真平台。为便于计算拖拉机工作状态，实时获取耕深数据，建立了温室电动拖拉机旋耕作业模型及耕深仿真平台。旋耕作业模型主要包括拖拉机履带底盘动力学模型及作业耕深模型，其中构建的履带底盘动力学模型为3自由度模型，依托该模型进行了动力学及运动学分析；作业耕深模型包含了液压悬挂模型、路面坡度模型以及耕深计算模型，通过液压悬挂模型得到了比例阀开度至液压缸伸长量的传递函数，将路面激励模型转换至时域得到路面坡度模型，并结合悬挂结构特点及车身俯仰状态进行了耕深换算，得到计算耕深。最后，基于上述旋耕模型建立基于Matlab/Simulink的温室电动拖拉机耕深仿真平台，并进行了相关调试。
（2）提出了一种基于人工神经网络优化的强跟踪无迹卡尔曼滤波参数观测方法。由于机组结构和制造成本的限制，温室电动拖拉机难以使用高精尖的传感器对旋耕参数进行测量，进而存在测量不便、数据分辨率低及噪声大等旋耕作业参数观测不完善的问题。提出采用误差反向传播神经网络（Back Propagation，BP）预测温室拖拉机的状态，并采用遗传算法（Genetic Algorithm，GA）避免了预测过程中出现的局部最小值。采用无迹变换和强跟踪滤波解决网络模型的强非线性和不精确的问题。最终搭建基于 BP神经网络优化的强跟踪无迹卡尔曼（GABP-STUKF）作业参数观测方法。实车试验结果表明，纵向车速观测的平均绝对误差（Mean absolute error，MAE）和均方根误差（Root mean square error，RMSE）分别为0.017 m/s、0.025 m/s，刀辊转速观测的MAE、RMSE分别为8.941 rpm、18.413 rpm，耕深观测的MAE、RMSE分别为0.029 m、0.038 m。以电机驱动器和拉绳传感器的采集方法为对照组，GABP-STUKF对以上3种作业参数的观测MAE相较于对照组分别提升了10%、46.8%和7.54%。该算法可为后续的旋耕作业耕深控制器设计及评价指标提供参考。
（3）提出了一种基于时间序列分析的电动拖拉机俯仰角预测方法。温室土壤路面不平度会引起拖拉机作业时的俯仰角变化，由于温室电动拖拉机的三点悬挂一般采用液压驱动，使得经液压缸计算得到的耕深反馈信号滞后于拖拉机运动姿态信号，最终影响耕深控制实时性。为解决由于缺少俯仰角预测信息，无法进行提前控制从而造成耕深调节动态响应速度慢的问题，建立了一种基于时间序列分析的温室电动拖拉机俯仰角预测模型，对得到的俯仰角时间序列数据进行平稳性检验，并结合AIC（Akaike Information Criterion）准则对预测模型进行了结构定阶，设计了ARMA（2,1）作为温室电动拖拉机俯仰角预测模型（Auto-Regressive Moving Average，ARMA，自回归移动平均模型）。利用电动拖拉机平台自身装备的惯性测量单元IMU（Inertia Measurement Unit）对俯仰角进行了测量，并在不同工况下进行了实车试验，研究结果表明：ARMA（2,1）模型的预测值与实测值的最大MAE与RMSE均不超过0.2°，验证了ARMA（2,1）作为温室电动拖拉机俯仰角估计与预测模型的有效性，该研究结果为后续温室作业耕深稳定性控制器设计提供了理论基础。
（4）设计了基于前馈PID的耕深稳定性控制器。针对温室电动拖拉机对地面平整度敏感，微小的地面起伏便会造成机具俯仰的问题，同时考虑到由于拖拉机悬挂的液压提升机构具有较大的惯性与延迟，需在反馈系统中加入前馈环节对干扰进行补偿，本文将基于时间序列分析的角度预测方法引入前馈PID控制（Angle prediction and feedforward PID，APF-PID），设计了基于APF-PID的耕深稳定性控制器，解决了温室旋耕作业中因机具俯仰而出现的响应性差、耕深不稳定和功率突变的问题。同时，本文也搭建了基于APF-PID的耕深控制系统的仿真模型，仿真试验结果表明：APF-PID较传统的PID控制耕深MAE减少25.7%，耕深稳定性系数增加3%，其耕深稳定性系数为87.43%，初步验证了APF-PID的可行性。为验证控制方法在温室中的实际耕深控制效果，在温室内未旋耕和已旋耕的两种地块也进行实车试验，结果表明：在目标耕深0.06 m的测试路面中，APF-PID在两种试验地块上的平均耕深分别为0.065 m、0.064 m，耕深RMSE分别为8.0×10-3 m、7.2×10-3 m，耕深MAE分别为6.7×10-3 m和5.8×10-3 m，较PID控制更接近目标耕深；耕深稳定性系数分别为89.95%、91.30%，较PID控制分别提高5.15%、3.15%；消耗的总能量较PID控制分别降低4.18%和19.13%。说明APF-PID的控制性能优于PID控制，较好地实现了温室电动拖拉机耕深稳定性控制，满足温室作业需求。
主要创新点如下：
（1）针对温室旋耕作业参数观测系统不完善，受到拖拉机机组结构和制造成本的限制使得旋耕参数难以使用高精尖的传感器，出现测量不便、数据分辨率低以及噪声大的问题，提出了一种基于BP神经网络优化的强跟踪无迹卡尔曼作业参数观测方法，通过该方法得到的观测值与原始测量方式相比，有效提高了数据的观测精度。
（2）提出了基于自回归移动平均模型的俯仰角时间序列预测模型，该模型可预测未来1步、3步以及5步的车身俯仰角变化，多次试验的预测值与实测值之间的相关系数均可大于0.98。预测模型可在提前感知因拖拉机俯仰运动造成实际耕深变化量，为温室电动拖拉机旋耕稳定性前馈补偿器设计提供基础。
（3）针对旋耕作业会受到路面不平度的干扰，拖拉机出现俯仰而造成实际耕深不稳定的问题，提出将拖拉机俯仰角作为系统干扰，通过自动控制方法抵消外部输入的干扰。根据俯仰角预测模型的输出结果，以俯仰角预测值作为干扰信号输入，实际耕深为输出，提出了一种将车身俯仰角预测作为扰动补偿的前馈PID控制方法，设计了APF-PID的耕深稳定性控制器，提高了旋耕作业中耕深稳定性并降低了耕作能耗。
