履帶式農(nóng)耕機(jī)行進(jìn)張緊系統(tǒng)的適應(yīng)控制仿真分析

王 雪

（寧夏工商職業(yè)技術(shù)學(xué)院機(jī)械工程學(xué)院，寧夏 銀川 750021）

技術(shù)進(jìn)步使我國(guó)農(nóng)耕機(jī)自動(dòng)化程度得到顯著提升，履帶農(nóng)耕機(jī)因其轉(zhuǎn)彎半徑小、爬坡能力強(qiáng)、接地壓力大等優(yōu)勢(shì)在農(nóng)業(yè)作業(yè)中得到廣泛應(yīng)用，尤其在山地應(yīng)用中較為普遍。履帶行進(jìn)性能對(duì)農(nóng)耕機(jī)作業(yè)效率有重要影響，若履帶張緊力過(guò)小，會(huì)引發(fā)履帶松弛，易導(dǎo)致履帶上方跳動(dòng)，使底盤磨損增大；若履帶張緊力過(guò)大，會(huì)增加履帶剛性，加大行進(jìn)內(nèi)摩擦力，使緩沖效果減弱，輕則加速履帶磨損，重則因履帶斷裂發(fā)生事故[1]。由此可見(jiàn)，良好的張緊控制能夠有效提升農(nóng)耕機(jī)作業(yè)效率與質(zhì)量。以履帶張緊器為例，可借助油壓機(jī)使其得到部分作用力，若農(nóng)耕機(jī)在行進(jìn)時(shí)突然停止，張緊器此時(shí)便可起到緩沖效果，將沖擊力轉(zhuǎn)化為內(nèi)部伸縮運(yùn)動(dòng)，避免農(nóng)耕機(jī)受到?jīng)_擊破壞。針對(duì)這些問(wèn)題，從控制視角對(duì)履帶式農(nóng)耕機(jī)行進(jìn)時(shí)如何保持良好且有效的張緊力進(jìn)行研究，以期助力現(xiàn)代農(nóng)機(jī)制造發(fā)展。

1 張緊特性

農(nóng)耕機(jī)作業(yè)環(huán)境極為復(fù)雜，部分環(huán)境具有不可控性，在不同路況與行進(jìn)速度下也存在諸多不穩(wěn)定因素，而行進(jìn)系統(tǒng)設(shè)計(jì)是在參數(shù)既定的情況下實(shí)現(xiàn)的，所以張緊系統(tǒng)中的控制裝置就顯得極為關(guān)鍵[2]。只有張緊系統(tǒng)的控制模式與張緊特性完全匹配，方可實(shí)現(xiàn)高效率的農(nóng)耕機(jī)作業(yè)，確保行進(jìn)系統(tǒng)始終保持在效果最為良好的張緊狀態(tài)下運(yùn)行。張緊特性主要包括以下幾個(gè)方面：1）農(nóng)耕機(jī)作業(yè)時(shí)，履帶張緊受部分不可控因素的影響，張緊過(guò)程參數(shù)具有隨機(jī)性與變換性；2）履帶張緊具有時(shí)滯與非線性特點(diǎn)，時(shí)滯受不確定因素影響，且其同樣具有隨機(jī)性；3）履帶張緊具有慣性，過(guò)程變量多且復(fù)雜，變量間也存在較為復(fù)雜的關(guān)聯(lián)；4）農(nóng)耕機(jī)在戶外作業(yè)時(shí)會(huì)受到諸多干擾因素的影響，且地質(zhì)情況不同，導(dǎo)致履帶張緊無(wú)法穩(wěn)定與均勻，易出現(xiàn)張緊波動(dòng)的情況[3]。

由此可知，因農(nóng)耕機(jī)履帶張緊過(guò)程具有不確定性，如果采用數(shù)學(xué)建模進(jìn)行控制顯然無(wú)法獲得預(yù)期效果，因此需要考察與張緊特性匹配的控制模式與控制算法。

2 控制模式

鑒于上述張緊過(guò)程的隨機(jī)性、變換性與時(shí)滯性等特性，從控制論出發(fā)，發(fā)現(xiàn)目前可實(shí)際運(yùn)用的控制模式較少。傳統(tǒng)控制模式的控制器設(shè)計(jì)一般源于數(shù)學(xué)模型，但張緊過(guò)程是無(wú)法通過(guò)數(shù)學(xué)建模進(jìn)行解釋的，所以通過(guò)數(shù)學(xué)方法對(duì)張緊過(guò)程進(jìn)行定量描述顯然無(wú)法實(shí)現(xiàn)，即便忽略所有無(wú)法處理的因素而構(gòu)建出模型，實(shí)施效果也必然無(wú)法令人滿意。人工智能理論的發(fā)展給控制模式選擇提供了全新思路，PID控制由于受張緊不確定因素的影響，難以提前獲取實(shí)驗(yàn)樣本，所以該控制模式并非有效[4]；模糊邏輯控制能夠處理各類模糊與定量信息，但存在穩(wěn)態(tài)誤差，會(huì)在工作點(diǎn)附近引起小范圍震蕩，所以將其用于張緊控制并不理想。智能控制雖然能夠描述張緊過(guò)程，且可對(duì)控制規(guī)則進(jìn)行歸納，但張緊的不確定性易導(dǎo)致其隸屬函數(shù)無(wú)法確定，所以無(wú)法有效實(shí)施優(yōu)化控制。人工神經(jīng)網(wǎng)絡(luò)控制（Artificial Neural Network, ANN）具有較強(qiáng)的自適應(yīng)與自組織能力，能夠根據(jù)輸入、輸出學(xué)會(huì)其之間的非線性關(guān)系，且不需要系統(tǒng)的數(shù)學(xué)模型[5]。人工神經(jīng)網(wǎng)絡(luò)控制的容錯(cuò)性與適應(yīng)性能夠應(yīng)對(duì)復(fù)雜系統(tǒng)在運(yùn)行時(shí)的諸多不確定因素，可顯著提升系統(tǒng)的抗干擾能力[6]。此外，其具有的并行結(jié)構(gòu)使其可以快速處理系統(tǒng)內(nèi)的海量數(shù)據(jù)，從而提升控制器的Robust（魯棒性），較好地協(xié)調(diào)張緊過(guò)程中的控制質(zhì)量要求，所以人工神經(jīng)網(wǎng)絡(luò)控制是一種較為理想的控制模式。

3 模型構(gòu)建

構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)控制的控制模型，如圖1所示，ANN控制器是一種高精度反饋控制器，控制過(guò)程即為農(nóng)耕機(jī)履帶張緊過(guò)程，I1表示張緊輸入、I2表示張緊輸出、O1表示張緊誤差輸出、O2表示控制器輸出。

圖1 人工神經(jīng)網(wǎng)絡(luò)控制模型

若使用x表示張緊誤差變化率，則在張緊過(guò)程中系統(tǒng)誤差與行進(jìn)軌跡變化如圖2所示。若行進(jìn)軌跡點(diǎn)位于第1、3象限內(nèi)，即xy＞0時(shí)，那么絕對(duì)值函數(shù)abs(x)必然會(huì)不斷增大；若行進(jìn)軌跡點(diǎn)位于第2、4象限內(nèi)，即xy＜0時(shí)，那么絕對(duì)值函數(shù)abs(x)必然會(huì)不斷減小且誤差接近于零。根據(jù)上述分析，可總結(jié)出基本控制方法：1）xy＞0時(shí)，可選取比例法來(lái)減小誤差，對(duì)張緊過(guò)程進(jìn)行比例控制；2）xy＜0時(shí)，可選取保持法來(lái)自動(dòng)減小誤差，對(duì)張緊過(guò)程進(jìn)行保持控制。

圖2 張緊過(guò)程中系統(tǒng)誤差與行進(jìn)軌跡變化

4 算法引入

基于構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)控制模型及上述兩種基本控制方法（比例法與保持法），引入ANN控制算法，公式表示為：

式中，O2表示ANN控制器輸出，x表示張緊誤差變化率，xn表示誤差最高值的第n次峰值，λ表示比例系數(shù)。

對(duì)于復(fù)雜的過(guò)程控制，借助形成式描述規(guī)則，將各類控制模式的知識(shí)與農(nóng)耕機(jī)現(xiàn)場(chǎng)操作的經(jīng)驗(yàn)、技巧融入算法內(nèi)，由此構(gòu)建出更為完善的ANN控制算法，使其與張緊特性更為符合[7]?？稍趫D2中的x軸或y軸按照誤差變化閾值進(jìn)行深度細(xì)分，例如x1、x2、y1、y2等，由此將其劃分為更為細(xì)化的誤差特征塊，從而導(dǎo)入不同算法，同時(shí)可通過(guò)開(kāi)（閉）交替的形式進(jìn)行張緊控制。

5 仿真分析

5.1 實(shí)驗(yàn)

探討控制模式的適應(yīng)效果，其本質(zhì)即為分析控制模式的Robust[8]。對(duì)于跟蹤控制來(lái)說(shuō)，Robust強(qiáng)的控制器有良好的適應(yīng)效果，其跟蹤效果較少受到外部環(huán)境與內(nèi)部參數(shù)變化的干擾。對(duì)張緊控制來(lái)說(shuō)，外部環(huán)境與內(nèi)部參數(shù)變化也基本不會(huì)對(duì)其控制效果產(chǎn)生影響。鑒于此，借助仿真實(shí)驗(yàn)驗(yàn)證強(qiáng)Robust效果。由于張緊是一個(gè)慣性時(shí)滯過(guò)程，所以可通過(guò)構(gòu)建1階慣性時(shí)滯模型來(lái)描述其過(guò)程動(dòng)態(tài)[9]。探討張緊過(guò)程對(duì)不同控制模式的過(guò)程響應(yīng)，就能對(duì)比不同控制模式的強(qiáng)Robust效果。為了實(shí)驗(yàn)便利，選擇空間矢量控制為參照與人工神經(jīng)網(wǎng)絡(luò)控制進(jìn)行對(duì)比，通過(guò)調(diào)整過(guò)程的結(jié)構(gòu)及施加外部影響模擬實(shí)地作業(yè)的變化，若其響應(yīng)時(shí)間快、運(yùn)行穩(wěn)定、未出現(xiàn)超調(diào)與震蕩等情況，那么該控制模式因其強(qiáng)Robust效果則必然是具有可取性的。假設(shè)1階慣性時(shí)滯模型為：

式中，k表示單位階躍函數(shù)，T表示控制時(shí)間。

在Scilab環(huán)境下，借助Navisworks搭建仿真模型，在過(guò)程階躍輸入信號(hào)的影響下，分別采用空間矢量控制與人工神經(jīng)網(wǎng)絡(luò)控制對(duì)同一過(guò)程進(jìn)行控制，具體的過(guò)程響應(yīng)情況如圖3所示。

圖3 兩種控制模式的過(guò)程響應(yīng)情況

根據(jù)過(guò)程控制參數(shù)的變化觀察控制模式的Robust效果，若在上述1階慣性時(shí)滯模型中增添慣性環(huán)節(jié)，則可將原模型轉(zhuǎn)化為：

原模型所有參數(shù)保持不變，該模型已從1階慣性時(shí)滯轉(zhuǎn)變?yōu)?階慣性時(shí)滯，過(guò)程結(jié)構(gòu)也由1階轉(zhuǎn)變?yōu)楫?dāng)前的2階[10]。在該階段，相應(yīng)的過(guò)程參數(shù)也必然出現(xiàn)了部分變化，在不改變這些實(shí)驗(yàn)條件的情況下，添加慣性環(huán)節(jié)后的兩種控制模式的過(guò)程響應(yīng)情況如圖4所示。

圖4 增添慣性環(huán)節(jié)后兩種控制模式的過(guò)程響應(yīng)情況

根據(jù)外部影響觀察控制模式的Robust效果，在保持上述實(shí)驗(yàn)條件不變的情況下，在100 s處增加一個(gè)階躍幅度為0.5的定值干擾信號(hào)，兩種控制模式在外部影響下的過(guò)程響應(yīng)情況如圖5所示。

圖5 外部影響下兩種控制模式的過(guò)程響應(yīng)情況

5.2 結(jié)果

1）由圖3可知，空間矢量控制出現(xiàn)了部分超調(diào)與震蕩情況，人工神經(jīng)網(wǎng)絡(luò)控制的過(guò)程較為穩(wěn)定，基本不存在超調(diào)與震蕩問(wèn)題，表明與空間矢量控制相比，人工神經(jīng)網(wǎng)絡(luò)控制更適應(yīng)行進(jìn)張緊控制。

2）由圖4可知，即便原1階過(guò)程增添慣性環(huán)節(jié)，人工神經(jīng)網(wǎng)絡(luò)控制仍可實(shí)現(xiàn)對(duì)過(guò)程的穩(wěn)定控制，基本未產(chǎn)生超調(diào)與震蕩，控制過(guò)程的響應(yīng)效率也表現(xiàn)得極為良好。

3）由圖5可知，增設(shè)干擾信號(hào)后，人工神經(jīng)網(wǎng)絡(luò)控制所產(chǎn)生的超調(diào)較小，且未產(chǎn)生任何震蕩；而對(duì)于空間矢量控制來(lái)說(shuō)，其既會(huì)產(chǎn)生高頻超調(diào)，同時(shí)也會(huì)產(chǎn)生震蕩，且超調(diào)與震蕩的幅度均較大。

由仿真實(shí)驗(yàn)結(jié)果可知，與空間矢量控制相比，人工神經(jīng)網(wǎng)絡(luò)控制模式的Robust效果更優(yōu)，具有良好的適應(yīng)內(nèi)部參數(shù)變化與抗外部影響的性能。

6 結(jié)論

綜上，由于履帶式農(nóng)耕機(jī)行進(jìn)張緊過(guò)程參數(shù)具有隨機(jī)性、變換性、時(shí)滯性以及非線性等張緊特性，導(dǎo)致目前可實(shí)際運(yùn)用的張緊控制模式較少。本研究提出的基于人工神經(jīng)網(wǎng)絡(luò)控制的履帶張緊適應(yīng)控制是一種可供張緊系統(tǒng)設(shè)計(jì)參考的有效適應(yīng)控制方法。在Navisworks仿真模型中的實(shí)驗(yàn)表明：人工神經(jīng)網(wǎng)絡(luò)控制對(duì)履帶式農(nóng)耕機(jī)行走張緊控制具有良好的適應(yīng)性，表現(xiàn)出更優(yōu)的Robust效果，能夠快速適應(yīng)內(nèi)部參數(shù)變化、抵抗外部影響，可為現(xiàn)代農(nóng)機(jī)制造與設(shè)計(jì)提供參考。