履帶式農耕機行進張緊系統的適應控制仿真分析

王 雪

（寧夏工商職業技術學院機械工程學院，寧夏 銀川 750021）

技術進步使我國農耕機自動化程度得到顯著提升，履帶農耕機因其轉彎半徑小、爬坡能力強、接地壓力大等優勢在農業作業中得到廣泛應用，尤其在山地應用中較為普遍。履帶行進性能對農耕機作業效率有重要影響，若履帶張緊力過小，會引發履帶松弛，易導致履帶上方跳動，使底盤磨損增大；若履帶張緊力過大，會增加履帶剛性，加大行進內摩擦力，使緩沖效果減弱，輕則加速履帶磨損，重則因履帶斷裂發生事故[1]。由此可見，良好的張緊控制能夠有效提升農耕機作業效率與質量。以履帶張緊器為例，可借助油壓機使其得到部分作用力，若農耕機在行進時突然停止，張緊器此時便可起到緩沖效果，將沖擊力轉化為內部伸縮運動，避免農耕機受到沖擊破壞。針對這些問題，從控制視角對履帶式農耕機行進時如何保持良好且有效的張緊力進行研究，以期助力現代農機制造發展。

1 張緊特性

農耕機作業環境極為復雜，部分環境具有不可控性，在不同路況與行進速度下也存在諸多不穩定因素，而行進系統設計是在參數既定的情況下實現的，所以張緊系統中的控制裝置就顯得極為關鍵[2]。只有張緊系統的控制模式與張緊特性完全匹配，方可實現高效率的農耕機作業，確保行進系統始終保持在效果最為良好的張緊狀態下運行。張緊特性主要包括以下幾個方面：1）農耕機作業時，履帶張緊受部分不可控因素的影響，張緊過程參數具有隨機性與變換性；2）履帶張緊具有時滯與非線性特點，時滯受不確定因素影響，且其同樣具有隨機性；3）履帶張緊具有慣性，過程變量多且復雜，變量間也存在較為復雜的關聯；4）農耕機在戶外作業時會受到諸多干擾因素的影響，且地質情況不同，導致履帶張緊無法穩定與均勻，易出現張緊波動的情況[3]。

由此可知，因農耕機履帶張緊過程具有不確定性，如果采用數學建模進行控制顯然無法獲得預期效果，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

鑒于上述張緊過程的隨機性、變換性與時滯性等特性，從控制論出發，發現目前可實際運用的控制模式較少。傳統控制模式的控制器設計一般源于數學模型，但張緊過程是無法通過數學建模進行解釋的，所以通過數學方法對張緊過程進行定量描述顯然無法實現，即便忽略所有無法處理的因素而構建出模型，實施效果也必然無法令人滿意。人工智能理論的發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，難以提前獲取實驗樣本，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，但存在穩態誤差，會在工作點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程，且可對控制規則進行歸納，但張緊的不確定性易導致其隸屬函數無法確定，所以無法有效實施優化控制。人工神經網絡控制（Artificial Neural Network, ANN）具有較強的自適應與自組織能力，能夠根據輸入、輸出學會其之間的非線性關系，且不需要系統的數學模型[5]。人工神經網絡控制的容錯性與適應性能夠應對復雜系統在運行時的諸多不確定因素，可顯著提升系統的抗干擾能力[6]。此外，其具有的并行結構使其可以快速處理系統內的海量數據，從而提升控制器的Robust（魯棒性），較好地協調張緊過程中的控制質量要求，所以人工神經網絡控制是一種較為理想的控制模式。

3 模型構建

構建基于人工神經網絡控制的控制模型，如圖1所示，ANN控制器是一種高精度反饋控制器，控制過程即為農耕機履帶張緊過程，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 人工神經網絡控制模型

若使用x表示張緊誤差變化率，則在張緊過程中系統誤差與行進軌跡變化如圖2所示。若行進軌跡點位于第1、3象限內，即xy＞0時，那么絕對值函數abs(x)必然會不斷增大；若行進軌跡點位于第2、4象限內，即xy＜0時，那么絕對值函數abs(x)必然會不斷減小且誤差接近于零。根據上述分析，可總結出基本控制方法：1）xy＞0時，可選取比例法來減小誤差，對張緊過程進行比例控制；2）xy＜0時，可選取保持法來自動減小誤差，對張緊過程進行保持控制。

圖2 張緊過程中系統誤差與行進軌跡變化

4 算法引入

基于構建的人工神經網絡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。

對于復雜的過程控制，借助形成式描述規則，將各類控制模式的知識與農耕機現場操作的經驗、技巧融入算法內，由此構建出更為完善的ANN控制算法，使其與張緊特性更為符合[7]。可在圖2中的x軸或y軸按照誤差變化閾值進行深度細分，例如x1、x2、y1、y2等，由此將其劃分為更為細化的誤差特征塊，從而導入不同算法，同時可通過開（閉）交替的形式進行張緊控制。

5 仿真分析

5.1 實驗

探討控制模式的適應效果，其本質即為分析控制模式的Robust[8]。對于跟蹤控制來說，Robust強的控制器有良好的適應效果，其跟蹤效果較少受到外部環境與內部參數變化的干擾。對張緊控制來說，外部環境與內部參數變化也基本不會對其控制效果產生影響。鑒于此，借助仿真實驗驗證強Robust效果。由于張緊是一個慣性時滯過程，所以可通過構建1階慣性時滯模型來描述其過程動態[9]。探討張緊過程對不同控制模式的過程響應，就能對比不同控制模式的強Robust效果。為了實驗便利，選擇空間矢量控制為參照與人工神經網絡控制進行對比，通過調整過程的結構及施加外部影響模擬實地作業的變化，若其響應時間快、運行穩定、未出現超調與震蕩等情況，那么該控制模式因其強Robust效果則必然是具有可取性的。假設1階慣性時滯模型為：

式中，k表示單位階躍函數，T表示控制時間。

在Scilab環境下，借助Navisworks搭建仿真模型，在過程階躍輸入信號的影響下，分別采用空間矢量控制與人工神經網絡控制對同一過程進行控制，具體的過程響應情況如圖3所示。

圖3 兩種控制模式的過程響應情況

根據過程控制參數的變化觀察控制模式的Robust效果，若在上述1階慣性時滯模型中增添慣性環節，則可將原模型轉化為：

原模型所有參數保持不變，該模型已從1階慣性時滯轉變為2階慣性時滯，過程結構也由1階轉變為當前的2階[10]。在該階段，相應的過程參數也必然出現了部分變化，在不改變這些實驗條件的情況下，添加慣性環節后的兩種控制模式的過程響應情況如圖4所示。

圖4 增添慣性環節后兩種控制模式的過程響應情況

根據外部影響觀察控制模式的Robust效果，在保持上述實驗條件不變的情況下，在100 s處增加一個階躍幅度為0.5的定值干擾信號，兩種控制模式在外部影響下的過程響應情況如圖5所示。

圖5 外部影響下兩種控制模式的過程響應情況

5.2 結果

1）由圖3可知，空間矢量控制出現了部分超調與震蕩情況，人工神經網絡控制的過程較為穩定，基本不存在超調與震蕩問題，表明與空間矢量控制相比，人工神經網絡控制更適應行進張緊控制。

2）由圖4可知，即便原1階過程增添慣性環節，人工神經網絡控制仍可實現對過程的穩定控制，基本未產生超調與震蕩，控制過程的響應效率也表現得極為良好。

3）由圖5可知，增設干擾信號后，人工神經網絡控制所產生的超調較小，且未產生任何震蕩；而對于空間矢量控制來說，其既會產生高頻超調，同時也會產生震蕩，且超調與震蕩的幅度均較大。

由仿真實驗結果可知，與空間矢量控制相比，人工神經網絡控制模式的Robust效果更優，具有良好的適應內部參數變化與抗外部影響的性能。

6 結論

綜上，由于履帶式農耕機行進張緊過程參數具有隨機性、變換性、時滯性以及非線性等張緊特性，導致目前可實際運用的張緊控制模式較少。本研究提出的基于人工神經網絡控制的履帶張緊適應控制是一種可供張緊系統設計參考的有效適應控制方法。在Navisworks仿真模型中的實驗表明：人工神經網絡控制對履帶式農耕機行走張緊控制具有良好的適應性，表現出更優的Robust效果，能夠快速適應內部參數變化、抵抗外部影響，可為現代農機制造與設計提供參考。