基于模糊神經(jīng)網(wǎng)絡(luò)的農(nóng)機(jī)自動(dòng)轉(zhuǎn)向系統(tǒng)的設(shè)計(jì)

王 凱,王彥婷,胡延明

(黃河交通學(xué)院,河南 武陟 454950)

0 引言

我國(guó)是一個(gè)農(nóng)業(yè)大國(guó),農(nóng)業(yè)人口眾多,農(nóng)業(yè)機(jī)械化起步較晚[1-4],與國(guó)外發(fā)達(dá)國(guó)家相比,在技術(shù)發(fā)展與研究深度方面仍存在一定的差距,而提高農(nóng)業(yè)機(jī)械水平的自動(dòng)化與智能化是現(xiàn)代農(nóng)業(yè)的重要標(biāo)志[5]。目前,我國(guó)正在大力推進(jìn)無(wú)人駕駛技術(shù),故農(nóng)業(yè)機(jī)械的自動(dòng)駕駛與導(dǎo)航系統(tǒng)的精準(zhǔn)性是無(wú)人駕駛中的重要環(huán)節(jié)與主要作業(yè)工序[6-7]。目前,國(guó)內(nèi)外農(nóng)業(yè)機(jī)械多采用人工駕駛方式進(jìn)行田間作業(yè),勞動(dòng)效率低、駕駛?cè)藛T勞動(dòng)強(qiáng)度大及駕駛員疲勞等問(wèn)題日益突出。因此,國(guó)內(nèi)外開(kāi)始進(jìn)行無(wú)人駕駛農(nóng)業(yè)機(jī)械的研制,綜合運(yùn)用農(nóng)業(yè)機(jī)械自動(dòng)化、智能化、導(dǎo)航技術(shù)等進(jìn)行研發(fā)[8-11]。

在農(nóng)業(yè)機(jī)械轉(zhuǎn)向系統(tǒng)中主要包括執(zhí)行機(jī)構(gòu)及控制方法兩大部分。轉(zhuǎn)向控制系統(tǒng)的控制方法是決定污染駕駛技術(shù)整體性能的重要部分,是轉(zhuǎn)向控制系統(tǒng)的核心,對(duì)外界環(huán)境及時(shí)做出反應(yīng),并及時(shí)、準(zhǔn)確地執(zhí)行轉(zhuǎn)向命令[12-13]。傳統(tǒng)的控制技術(shù)主要是采用PID控制,但PID控制方法結(jié)構(gòu)較為復(fù)雜,且在田間作業(yè)環(huán)境中缺乏較高的田間適應(yīng)性和自主調(diào)控性,自動(dòng)反應(yīng)時(shí)間較長(zhǎng)[14],隨著現(xiàn)代農(nóng)業(yè)的快速發(fā)展,在田間應(yīng)用過(guò)程中矛盾較為突出,已經(jīng)被逐步替代。在拖拉機(jī)自動(dòng)駕駛系統(tǒng)中,其運(yùn)行、操作精度、準(zhǔn)確性、響應(yīng)靈敏性與中央控制器的優(yōu)化設(shè)計(jì)密切相關(guān),故對(duì)自動(dòng)駕駛系統(tǒng)中央控制器進(jìn)行優(yōu)化是本研究的重點(diǎn)與難點(diǎn)[15-16]。模糊邏輯控制和神經(jīng)網(wǎng)絡(luò)控制是農(nóng)用車自動(dòng)導(dǎo)航中常用的智能控制技術(shù),在不需要建立精確的被控對(duì)象數(shù)學(xué)模型的前提下可以模擬人類的智能行為。

為此,以拖拉機(jī)為研究目標(biāo),對(duì)自動(dòng)轉(zhuǎn)向系統(tǒng)進(jìn)行優(yōu)化設(shè)計(jì),引進(jìn)人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)傳統(tǒng)的模糊控制技術(shù)進(jìn)行優(yōu)化,以提高農(nóng)用拖拉機(jī)田間工作性能,提升整體系統(tǒng)的田間運(yùn)動(dòng)精度。通過(guò)田間試驗(yàn)進(jìn)行結(jié)果分析,旨在提高農(nóng)業(yè)機(jī)械田間作業(yè)效率,推進(jìn)我國(guó)現(xiàn)代化農(nóng)業(yè)進(jìn)程。

1 自動(dòng)轉(zhuǎn)向控制系統(tǒng)的結(jié)構(gòu)

1.1 整體結(jié)構(gòu)

拖拉機(jī)中的自動(dòng)轉(zhuǎn)向系統(tǒng)主要由定位導(dǎo)航系統(tǒng)、轉(zhuǎn)向角度傳感器及中央控制單元組成,如圖1所示。其中,中央控制系統(tǒng)是整個(gè)拖拉機(jī)自動(dòng)轉(zhuǎn)向系統(tǒng)的決定性因素,能夠及時(shí)、迅速地對(duì)周圍環(huán)境信息進(jìn)行響應(yīng)并及時(shí)控制執(zhí)行機(jī)構(gòu)是提高整體性能精度的關(guān)鍵部分。

1.2 工作原理

在拖拉機(jī)導(dǎo)航控制系統(tǒng)中,導(dǎo)航控制器計(jì)算出拖拉機(jī)的實(shí)際轉(zhuǎn)向角度,并通過(guò)中央控制系統(tǒng)將計(jì)算轉(zhuǎn)角度信息及時(shí)傳送給執(zhí)行系統(tǒng),如圖2、圖3所示。拖拉機(jī)自動(dòng)控制器可以將轉(zhuǎn)向控制算法與轉(zhuǎn)向系統(tǒng)執(zhí)行機(jī)構(gòu)進(jìn)行綜合分析,中央控制系統(tǒng)通過(guò)控制執(zhí)行機(jī)構(gòu)進(jìn)行實(shí)時(shí)角度調(diào)節(jié),進(jìn)而控制拖拉機(jī)轉(zhuǎn)向系統(tǒng)執(zhí)行工作,從而完成農(nóng)業(yè)拖拉機(jī)的自動(dòng)角度調(diào)節(jié)與田間運(yùn)行。其中,農(nóng)業(yè)拖拉機(jī)自動(dòng)轉(zhuǎn)向系統(tǒng)中,中央控制器實(shí)時(shí)控制過(guò)程可表示為[17]

(1)

其中,R(s)為目標(biāo)角度;Y(s)為轉(zhuǎn)向角度;e、c、d為待定參數(shù)。

圖1 自動(dòng)轉(zhuǎn)向控制系統(tǒng)Fig.1 Automatic steering control system

圖2 整機(jī)電動(dòng)驅(qū)動(dòng)系統(tǒng)控制流程圖Fig.2 Control flow chart of the electric drive system of the whole machine

圖3 車輪轉(zhuǎn)向角度控制流程圖Fig.3 Flow chart of steering angle control of agricultural machinery wheels

2 模糊控制系統(tǒng)的設(shè)計(jì)

2.1 硬件選型

拖拉機(jī)自動(dòng)轉(zhuǎn)向控制系統(tǒng)主要由控制處理器、電源電路、驅(qū)動(dòng)電機(jī)及相關(guān)傳感器組成,如圖4所示。中央處理器主要是對(duì)傳感器采集的信息進(jìn)行整體處理、收集與運(yùn)算,STM32型電路為基本控制電路。

圖4 拖拉機(jī)自動(dòng)轉(zhuǎn)向系統(tǒng)組成圖Fig.4 The composition diagram of the automatic steering system of the tractor

離合器可以控制拖拉機(jī)的開(kāi)合,實(shí)現(xiàn)自動(dòng)駕駛與人為操作的互相結(jié)合與替換,邏輯設(shè)計(jì)如圖5所示。其中,CAN總線主要用于上下位機(jī)的信息交換與傳輸。拖拉機(jī)驅(qū)動(dòng)電機(jī)選擇直流電機(jī),具體參數(shù)如表1所示。

圖5 離合器工作流程Fig.5 Clutch workflow

表1 驅(qū)動(dòng)電機(jī)主要技術(shù)參數(shù)Table 1 Main technical parameters of drive motor

續(xù)表1

農(nóng)業(yè)生產(chǎn)環(huán)境復(fù)雜,為了保證農(nóng)業(yè)機(jī)械在田間的正常工作與機(jī)械性能,應(yīng)該保證各個(gè)系統(tǒng)之間協(xié)調(diào)配合,才能滿足農(nóng)業(yè)生產(chǎn)的要求。因此,選擇結(jié)構(gòu)簡(jiǎn)單、適應(yīng)性較強(qiáng)的CAN總線作為控制系統(tǒng)的中央處理器,主要參數(shù)特征如表2所示。

表2 CAN總線特征參數(shù)Table 2 CAN bus characteristic parameters

2.2 人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)設(shè)計(jì)

根據(jù)農(nóng)用拖拉機(jī)導(dǎo)航控制的特點(diǎn),傳統(tǒng)的模糊控制系統(tǒng)與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[20-21],網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。優(yōu)化時(shí),需不斷調(diào)整各參數(shù)的權(quán)重提高整體預(yù)測(cè)精度。

圖6 人工智能算法優(yōu)化下的模糊控制結(jié)構(gòu)圖Fig.6 Fuzzy control structure diagram under the optimization of artificial intelligence algorithm

1)輸入層。根據(jù)拖拉機(jī)在田間行走路徑的特點(diǎn),選取拖拉機(jī)轉(zhuǎn)向角度作為輸入因子,輸入層中的所有節(jié)點(diǎn)直接連接到輸入X1和X2,它直接將輸入值X1和X2傳遞到下一層,節(jié)點(diǎn)數(shù)N1=2。

2)輸入層的模糊控制。每個(gè)節(jié)點(diǎn)均表示一種編程語(yǔ)言,每個(gè)輸入層的模糊控制中有編程語(yǔ)言,如{NB,NM,NS,ZO,PS,PB},這一層的節(jié)點(diǎn)數(shù)N2=14。其函數(shù)是計(jì)算每個(gè)語(yǔ)言變量值的模糊集合中每個(gè)輸入分量的隸屬函數(shù)為[18-19]

(2)

隸屬度函數(shù)屬于正態(tài)分布函數(shù)為

(3)

圖7 輸入輸出變量的隸屬函數(shù)Fig.7 Membership function of input and output variables

(4)

3)去模糊化。首先,確定模糊控制結(jié)構(gòu)的輸入量和輸出量,本研究中,選取二維模糊控制結(jié)構(gòu);其次,將輸入量和輸出量進(jìn)行模糊化,轉(zhuǎn)化為模糊集合;同時(shí),根據(jù)式(2)確定模糊自己,如{NB,NM,NS,ZO,PS,PB},并設(shè)置同一層的第3個(gè)節(jié)點(diǎn)的個(gè)數(shù),即N3=N4=49,去模糊化計(jì)算公式為

(5)

4)本研究的輸出。輸出變量為農(nóng)業(yè)拖拉機(jī)控制系統(tǒng)下的目標(biāo)轉(zhuǎn)向角度,輸出目標(biāo)值計(jì)算公式為

(6)

其中,r表示輸出層數(shù),取值r=1。

2.3 模糊神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)

采用人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練,應(yīng)用最為廣泛的為BP神經(jīng)網(wǎng)絡(luò)(BP neural network),模型結(jié)構(gòu)較為簡(jiǎn)單,可以基本滿足試驗(yàn)所需精度,同時(shí)進(jìn)行一些非線性化運(yùn)算;但是,與其它人工神經(jīng)網(wǎng)絡(luò)及相關(guān)優(yōu)化算法相比,雖然神經(jīng)網(wǎng)絡(luò)可以解決一些復(fù)雜、非線性映射問(wèn)題,但是它也存在一些缺點(diǎn),如過(guò)擬合、容易陷入局部最優(yōu)解及收斂速度慢等問(wèn)題。因此,利用遺傳算法、粒子群和蟻群算法等用于優(yōu)化初始權(quán)重和閾值,更有利于可以提高模型學(xué)習(xí)效率并進(jìn)行全局優(yōu)化,改善原有網(wǎng)絡(luò)結(jié)構(gòu)。

模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Network,FNN)本質(zhì)是將模糊控制系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò)相互結(jié)合與優(yōu)勢(shì)互補(bǔ)的一種控制方法,與傳統(tǒng)控制系統(tǒng)相比,可以對(duì)外界數(shù)據(jù)進(jìn)行并行處理,具有更高的學(xué)習(xí)和自適應(yīng)能力,可實(shí)現(xiàn)任意非線性問(wèn)題的優(yōu)化,具有廣闊的應(yīng)用前景。在對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時(shí),還可以使用遺傳算法(Genetic Algorithm,GA)對(duì)前向網(wǎng)絡(luò)進(jìn)行訓(xùn)練。GA是目前應(yīng)用最為廣泛的一種求解優(yōu)化問(wèn)題的自適應(yīng)啟發(fā)式的搜索算法,它模仿了自然界的“物競(jìng)天擇,優(yōu)勝劣汰”的生物進(jìn)化機(jī)制,即隨機(jī)搜索算法的自然選擇、適者生存和自然遺傳機(jī)制。在整個(gè)解空間中搜索最優(yōu)解具有一定的概率,優(yōu)化計(jì)算流程如圖8所示。

圖8 GA優(yōu)化算法計(jì)算流程Fig.8 GA optimization algorithm calculation process

3 結(jié)果與分析

3.1 試驗(yàn)設(shè)備

試驗(yàn)平臺(tái)為東方紅LX1204型拖拉機(jī),整體尺寸為5025mm(長(zhǎng))×2376mm(寬)×3075mm(高),配重質(zhì)量為400kg,發(fā)動(dòng)機(jī)型號(hào)為自吸式發(fā)動(dòng)機(jī)(LR6M5U22/0882E)與增壓發(fā)動(dòng)機(jī)(LR6R3LU22/0882E);前輪為水田輪,后輪為旱田輪,前輪輪距為2010mm,后輪輪距為2175mm,標(biāo)定功率為89kW,額定轉(zhuǎn)速為2300r/min。為測(cè)試其自動(dòng)轉(zhuǎn)向控制系統(tǒng)功能,在實(shí)驗(yàn)過(guò)程中獲得較為準(zhǔn)確的田間數(shù)據(jù),在運(yùn)行時(shí)將拖拉機(jī)前輪支撐起,離地間隙為480mm,以減少前輪在運(yùn)行過(guò)程中與地面摩擦而產(chǎn)生的誤差。

圖9 東方紅LX1204拖拉機(jī)Fig.9 Dongfanghong LX1204 tractor

3.2 仿真結(jié)果與分析

在MatLab中,使用遺傳算法來(lái)優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的程序是經(jīng)過(guò)多次迭代到100次。訓(xùn)練數(shù)據(jù)、測(cè)試數(shù)據(jù)和數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)控制器,擬合曲線如圖10所示。由圖10可以看出:實(shí)際產(chǎn)出和目標(biāo)輸出一致的模糊神經(jīng)網(wǎng)絡(luò),訓(xùn)練網(wǎng)絡(luò)具有良好的跟蹤結(jié)果,且所采用的FNN控制系統(tǒng)下農(nóng)用拖拉機(jī)整體轉(zhuǎn)向系統(tǒng)性能得到明顯的提高。

圖10 測(cè)試的實(shí)際輸出和目標(biāo)輸出Fig.10 Actual output and target output of the test

由表3可以看出,拖拉機(jī)自動(dòng)轉(zhuǎn)向系統(tǒng)的響應(yīng)時(shí)間得到了改善,響應(yīng)時(shí)間縮短,響應(yīng)更為靈敏、準(zhǔn)確,FNN控制系統(tǒng)按照預(yù)設(shè)目標(biāo)轉(zhuǎn)向角度進(jìn)行自動(dòng)執(zhí)行,保證拖拉機(jī)自動(dòng)轉(zhuǎn)向系統(tǒng)的轉(zhuǎn)向角度誤差為±2°。系統(tǒng)仿真結(jié)果如表4所示。

表3 拖拉機(jī)轉(zhuǎn)角測(cè)試結(jié)果Table 3 Tractor corner test results

表4 系統(tǒng)仿真結(jié)果Table 4 System simulation results

4 結(jié)論

基于傳統(tǒng)的模糊控制器,與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合,提出了模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)(FNN),并在農(nóng)用拖拉機(jī)東方紅LX1204進(jìn)行試驗(yàn)研究。試驗(yàn)結(jié)果表明:基于MatLab的仿真過(guò)程,分別對(duì)應(yīng)的目標(biāo)輸出曲線和實(shí)際輸出曲線進(jìn)行對(duì)比,在角點(diǎn)測(cè)試中記錄分析,輸入不同的目標(biāo)值農(nóng)業(yè)角度和響應(yīng)時(shí)間,利用設(shè)計(jì)的FNN控制系統(tǒng)可以滿足農(nóng)用拖拉機(jī)日常工作轉(zhuǎn)向需求,響應(yīng)時(shí)間≤2s,預(yù)設(shè)轉(zhuǎn)角與實(shí)測(cè)轉(zhuǎn)角的誤差≤5%,響應(yīng)時(shí)間與響應(yīng)精度都得到提高。因此,應(yīng)用FNN模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)可以顯著提高拖拉機(jī)田間工作性能與自動(dòng)駕駛精度,對(duì)于農(nóng)業(yè)自動(dòng)化與智能化發(fā)展具有重要的意義與參考價(jià)值。