基于IDBO-PID的联合收获机割台控制系统

关键词：无人农场；联合收获机；割台高度；双倾角传感器；改进蜣螂优化算法；IDBO-PID

0 引言

实现农业现代化是我国全面建设社会主义现代化国家的重大任务，农业是关系着国计民生的重要产业[1]。在不断失去人口红利的现代化农业中，农业生产中信息化的占比也在不断地增加，从传统意义上的农业生产，到农业机械生产，再到无人化农业生产。无人农场是我国现代农业发展到一定阶段的产物，是我国农业的发展方向。无人农场通过系统的智能感知、分析、决策，形成作业任务，无人驾驶农机进行田间作业，达到无人作业、自动作业、变量作业和精准作业的效果[2]。

无人农场里，联合收获机对于水稻、小麦等作物收割不仅要准确还要保持响应时间。它需要保持适当的割茬高度的同时，避免喂入量过大造成割台堵塞的情况发生。同时，又要及时调整割台高度以适应复杂的地形，避免割台损坏[3]。调节割台高度不仅仅能够提高收割效率，更能为后续脱粒清选等工作提供保障。因此，联合收获机的割台高度自适应调节对无人农场的顺利运行起关键性作用。

目前，我国研究人员对于联合收获机割台高度的检测和调控方法，主要由传感器检测高度结合控制算法调节高度或仿形机构检测结合控制算法来实现调控。杨银辉[4]采用超声波传感器测量联合收获机割台离地高度，并使用微控制器进行PID控制割台高度调节。廖勇[5]使用拉杆式直线位移传感器检测液压缸的伸缩量进行割台的离地高度检测，并采用模糊控制的方法进行联合收获机割台控制。刘青山等[6]采用倾角传感器对于联合收获机割台运动进行数学模型分析，并使用PID控制联合收获机割台升降。伟利国等[7]使用仿形结构检测田间地形变化并使用PID控制割台升降。

上述控制方法均采用传统的PID控制，在无人农场作业中，联合收获机面临着复杂多变的田间情况，传统的PID控制往往难以满足割台高度自适应调节的高精度和快速响应要求。因此，本研究提出了一种基于改进的蜣螂优化（IDBO）算法来优化联合收获机割台PID控制器。本方法能够实现PID控制器参数的自动调整，以适应不同工作条件下的需求。通过在Matlab中进行仿真试验，选取合适的性能指标对比IDBO-PID、DBO-PID及传统PID控制器的性能，并验证了IDBOPID控制器在稳定性和快速响应方面的优势。

1 控制系统设计

本研究选取的联合收获机为雷沃谷神GM80型谷物联合收获机。整机高度2.98m、驾驶室宽度2.12m、工作幅宽2.75m，适用于收割小麦、水稻和玉米等作物。

1.1 结构与原理

联合收获机割台控制系统由联合收获机、车载终端工控机、两个惯性测量单元（IMU）、继电器、液压系统和液压控制器组成，如图1所示。

由图1可知，车载电脑作为上位机，安装在驾驶室内便于时刻观测联合收获机的工作状况，两个倾角传感器分别安装在粮食运输器和驾驶室上，用于割台高度检测，控制器安装在电磁阀下方便于调试和控制。

1.2 割台高度检测装置标定

联合收获机在田间作业时，由于田间地形颠簸起伏，导致割台高度测量不准确，进而影响割台控制精度。因此采用了两个倾角传感器相结合的方式来实现割台高度的测量与补偿。两个倾角传感器分别安装在粮食运输器上与驾驶室内，用于完成对割台倾角和车身倾角的测量。联合收获机割台高度补偿原理如图2所示，图中，θ为割台传感器与水平地面所成夹角；β为车身姿态与水平地面夹角；H为割台离地实际高度；α为割台倾角与车身倾角之差，即割台实际倾角。

经过补偿之后，对传感器进行标定试验，采取7组数据，记录割台倾角与相应高度，如表1所示。

根据表1数据，通过最小二乘法进行拟合，得到联合收获机割台离地高度与割台倾角拟合方程[8-10]。

割台高度与割台实际倾角的相关性曲线如图3所示。使用最小二乘法拟合出来的曲线与趋势线接近吻合，具有极高的相关性，其相关性达到0.9958，能够精准地完成割台离地高度的检测。

2 基于DBO的改进算法

联合收获机作业时，对于割台高度自适应调节的精度和响应时间要求较高，传统的PID控制器需要人工不断调节来进行参数标定[11-12]。利用群智能算法优化PID控制器参数的方式完成联合收获机割台高度自适应调节，不仅能够使用群智能算法寻求到PID控制的最优参数，还能够提升控制器的响应速度和控制精度，解决了人工调整PID控制器导致控制精度低、响应速度慢的问题。其中，在群智能优化算法中蜣螂优化算法相较于其他群智能优化算法具有较快的响应时间和收敛精度，但是传统的蜣螂优化算法（DBO）存在寻优能力较差、容易陷入局部最优解的问题[13]。所以针对这些缺点对蜣螂优化算法（DBO）进行优化改进。

2.1 算法改进

2.1.1 种群初始化改进

传统的蜣螂优化算法在种群的初始化阶段，采用随机数的方式进行种群初始化位置，导致种群中的蜣螂位置良莠不齐，这样算法寻优效果差，收敛的速度较低，全局搜索能力下降，因此引入混沌映射函数对于原算法的种群初始化进行改进。

混沌映射被应用于生成混沌序列，是一种随机性序列，在优化领域，混沌映射可以用于生成随机数，本研究使用Bernoulli混沌映射进行种群的初始化[14-16]。Bernoulli混沌映射数学表达式如下

2.1.2 觅食蜣螂改进策略

在觅食过程中，觅食蜣螂位置更新，会根据个体最优解和当前群体最优解来更新自己的位置，但是一旦解陷入局部最优，整个种群就容易进入停滞状态，所以该算法采用粒子群算法（PSO）对于种群的搜索能力进行增进，避免陷入局部最优。

PSO通过群体中个体之间的协作和信息共享来寻得最优解[17-19]。其数学表达公式为

2.1.3 自适应t分布扰动改进策略

为了避免在迭代过程中陷入局部最优，提出改进方法为自适应t分布扰动改进[20-22]。采用t分布对于蜣螂算法位置进行扰动的数学公式为

2.2 算法性能验证

本研究通过选取6个基准测试函数测试改进后的算法性能，其中F1、F2为单峰测试函数，F3、F4为多峰测试函数，F5、F6为固定维度多峰测试函数[23]。基准测试函数如表2所示。

2.3 算法性能对比分析

将改进后的算法同原算法、灰狼优化算法（GWO）、鲸鱼优化算法（WOA）及北方苍鹰优化算法（NGO）进行性能比较算法分析，为了保证试验结果真实可靠，所有算法运行都在同一台操作系统为Windows10，CPU为IntelCorei5-1050ti的笔记本电脑上完成，使用的软件为Matlab2022B，每个算法的种群规模设置为POP=30，每个算法的最大迭代次数设置为1000次，每种算法分别在每个测试函数下运行30次，取每个算法的最差值、最优值、平均值和标准差4个参数进行对于算法参数性能的评价，结果如表3和图4所示。由表3可知，IDBO在F1、F2中标准差与NGO和DBO相等均达到了最优值，其他3项性能指标均优于其他算法，在F4中标准差与DBO相等达到了最优值，其他性能指标均优于其他几种算法。

由图4可知，IDBO的迭代曲线相较于其他4种算法明显下降速度更快，最终结果明显最优。

综上所述，IDBO算法相较于其他算法具有更快的收敛速度，更强的局部搜索能力及全局搜索能力，验证了改进策略的有效性。

3 基于IDBO的PID控制器设计与仿真

3.1 IDBO-PID控制器

PID的3个参数，对于PID控制器的控制效果及控制精度来说十分重要，为了使PID的3个参数都达到最优值，使用IDBO对3个参数进行寻优处理，IDBOPID算法流程如图5所示。

3.2 算法仿真分析

由于割台升降过程可以看作为一个二阶弹簧阻尼系统，经查阅资料[24]可知割台传递函数如式（8）所示。

系统选用ITAE作为性能指标，其能很好地检测系统的响应和性能，在ITAE性能指标下，将IDBO-PID与DBO-PID和PID进行比较分析，其结果如表4所示，收敛曲线和阶跃响应曲线如图6所示[25-29]。

由表4可知，依据人工经验设置的PID参数的PID控制器超调量虽然与调试前相比减小不少，但是相对于其他两个算法仍然具有较大的超调量，以及较慢的响应速度。DBO-PID采用的DBO算法完成对PID的3个参数的寻优，相较于传统的PID而言，DBOPID的超调量较小，响应时间更快，但是相较于IDBOPID，DBO-PID的性能依然较弱，IDBO-PID的超调量几乎为0，响应速度相较于其他两个算法也较快。综上所述，IDBO-PID具有较快的响应速度和较高的稳定性。

由图6可知，IDBO的响应收敛曲线的下降速度明显快于DBO响应曲线，并且最终值IDBO强于DBO。传统PID控制超调量明显高于其他两种算法，DBOPID虽然经过DBO算法寻优，但是其超调量与IDBOPID相比依旧高于IDBO-PID。

综上所述，经过改进后的蜣螂优化算法（IDBO）优化PID控制，具有较快的响应速度和较好的稳定性，符合联合收获机割台控制系统的需求。

4 田间试验

4.1 试验条件

为了检验联合收获机割台控制系统的性能，本研究于2023年6月15日在山东省青岛市即墨区盛发小麦种植合作社进行田间试验。田间试验中机器参数与作物信息如表5所示，小麦试验田如图7所示。

试验设备包括两个惯性测量单元（IMU）、STM32控制器（正点原子，STM32F103）、卷尺、继电器模块、秒表及笔记本电脑等。

4.2 割台响应速度试验

针对联合收获机割台上升和下降两种情况，分别进行联合收获机割台响应速度试验。上升和下降分别由上位机设置5组高度数据，每组高度数据的高度变化量为10cm，并采用秒表对联合收获机系统响应时间进行测量，如图8所示，试验结果如表6所示。

根据GB16151.12—2008的规定，割台上升速度应≥0.2m/s，下降速度应≥0.15m/s。由表6可知，割台上升的平均速度0.44m/s，割台下降的平均速度0.32m/s，割台上升和下降的平均速度均符合国家标准。

4.3 割台调节精度试验

将割台分为上升和下降两种情况进行割台高度调节试验，分别将上升和下降的目标割台高度设置为5组不同的数值，当下位机接收到上位机发送的目标高度后，通过控制使割台稳定后，采取卷尺对于当前割台离地高度进行测量，如图9所示，试验结果如表7所示。

5 结束语

（1）为解决无人农场联合收获机在作业过程中，因田间地形起伏不平导致割台高度测量误差的问题，本研究提出了一种割台高度检测的补偿方法。该方法基于两个倾角传感器的数据，通过最小二乘法拟合，成功建立了割台实际倾角与割台离地高度之间的相关性模型，相关系数高达0.9958。

（2）采用群智能算法优化PID控制的方式解决传统PID算法控制精度低、响应速度慢及不易调节的问题，针对选取的传统蜣螂优化算法存在种群良莠不齐、容易陷入最优解、局部搜索能力差等问题，使用Bernoulli混沌映射、粒子群算法（PSO）、t分布扰动等策略对蜣螂优化算法进行改进。通过与其他算法的性能比较分析，验证了改进后的蜣螂优化算法具有更快的收敛速度和更强的搜索能力。

（3）完成了IDBO-PID控制器的设计，并将其通过仿真与传统的DBO-PID和PID控制器进行了对比分析。仿真结果清晰地展示了IDBO-PID控制器在响应速度和稳定性方面的显著优势，证明了其在控制性能上的显著提升。

（4）对于联合收获机的响应时间和精度进行试验验证，试验结果表明，割台的响应时间较快，割台的实际高度与测量高度的误差均在0.02m以内，满足无人农场的作业要求。