水稻秸稈深埋整稈還田裝置設計——基于數據庫集群系統框架

胡菊芬，尹強飛

(江西現代職業技術學院，南昌 330095)

?

水稻秸稈深埋整稈還田裝置設計
——基于數據庫集群系統框架

胡菊芬，尹強飛

(江西現代職業技術學院，南昌 330095)

農作物的秸稈還田可以改良土壤性能，增強土壤肥力，進而提高作物產量。為了提高水稻秸稈深埋還田裝置的性能，對裝置的性能和作業參數進行深入研究，針對裝置埋深、土壤密度和裝置行進速度3個影響因素水平，設計了裝置性能測試的正交試驗，并在實驗平臺上對不同方案的裝置阻力進行了測試。為了有效地采集和保存傳感器的數據，提出了一種面向物聯網海量傳感器采樣數據管理的數據庫集群系統框架(IoT-ClusterDB)，傳感器的阻力歷次采樣值被保存為采樣數據序列，可以支持對數據的復雜邏輯查詢和分布式索引查詢，支并持關鍵字和時空查詢。最后，通過實驗得到了不同影響因素水平正交試驗的裝置阻力數值。實驗表明：IoT-ClusterDB具有良好的傳感器數據接入與查詢處理性能，從而縮短了秸稈深埋裝置的整個設計周期，提高了設計效率。

水稻；秸稈還田；數據庫集群；數據序列

0 引言

隨著現代農業的發展，秸稈已成為一種可再生資源，加之糧食產量的穩步提高，秸稈的產量也在大幅度地增加，近年來我國秸稈的產量達到了數億噸。秸稈可以作為新能源開發、飼料或者直接還田；但我國對于秸稈的利用率較低，大部分采用直接廢棄或者焚燒等方式處理，不僅浪費了資源，也引發了更多的環境污染問題。將秸稈深埋還田可以有效地解決秸稈浪費及環境污染問題，對于循環農業的發展具有重要的意義。秸稈深埋裝置是秸稈還田的重要設備，在進行設計時，裝置行進阻力是主要的作業性能指標，但在利用傳感器對阻力值進行采集時，需要借助傳感器采樣數據集中管理系統，使傳感器采集得到的數據按照傳輸規則傳遞采集數據，從而形成海量的異構數據流，對于數據的保存和查詢具有重要的意義。

1 水稻秸稈深埋還田裝置設計

John Deere-HX 秸稈粉碎還田機，通過重型旋轉式刀具高速運轉將秸稈粉碎還田，該粉碎機的動力由拖拉機提供，其作業幅度大，效率高，機架可以向上折起，節省了設計空間和尺寸，并且運輸也非常方便，如圖1所示。

圖1 秸稈粉碎還田機

秸稈還田的方式有多種，而深埋還田除了具有一般秸稈還田的優點之外，還可以防治農田的水肥流失，對土壤的蓄肥和保溫具有重要的作用。秸稈深埋還田裝置的主要結構如圖2所示。

1.梳壓裝置 2.連桿機構 3.前滑輪 4.后滑輪 5.提升臂 6.下拉桿 7.上拉桿 8.深埋犁

圖2中，梳壓結構主要負責把秸稈梳順，其動力來源于拖拉機，深埋犁通過深翻土，將水稻秸稈進行掩埋，其設計流程如圖3所示。

圖3 秸稈深埋裝置設計技術路線圖

設計時，首先需要確立設計目標，然后對裝置進行詳細設計，利用實驗樣機對裝置進行實驗，結合建模仿真分析，驗證實驗數據的可靠性。在裝置的設計過程中，裝置性能的好壞主要可以通過土壤對深犁裝置的阻力來進行表征，而阻力需要利用傳感器來測量，在傳感器測量過程中會產生大量的實時數據，針對數據的存儲、處理以及后續的查詢問題，提出了一種面向物聯網海量傳感器采樣數據管理的數據庫集群系統框架。在IoT-ClusterDB中，對于同一個被測試的對象，傳感器的歷次采樣值被保存為采樣數據序列，利用時空計算和查詢操作，可以支持對數據的復雜邏輯查詢。此外，IoT-ClusterDB是一個分布式的大數據系統，可以通過分布式索引和查詢，支持關鍵字和時空查詢。

2 秸稈深埋裝置結構和強度校核

為了合理的優化秸稈深埋裝置的結構和強度，設計了秸稈深埋裝置的實驗樣機，主要由伺服電機、控制柜、導軌、土槽和滑動小車等構成，其主要部件是深埋秸稈的犁刀。整機模型的示意圖如圖4所示。

試驗中，秸稈深施裝置安裝在滑動小車上，行進的速度可以通過伺服電機的轉速進行調節，深度可以通過改變導軌的高度來實現。

1.懸掛裝置 2.變速箱 3.秸稈粉碎滾筒 4.甩刀 5.殼體

在對秸稈深埋裝置的結構進行設計時，主要需要對變速箱的齒輪進行校核。齒輪的載荷系數選擇kt=1.6，材料的彈性影響系數ZE=189.8，節點區域系數ZH=2.42。根據齒面的硬度，小齒輪的接觸疲勞強度極限設計為σHlim1=650MPa，大齒輪的接觸疲勞強度極限設計為σHlim2=550MPa。其中，齒輪的接觸疲勞壽命系數為KHN1=0.97，KHN2=1.03，安全系數為SH=1，則許用應力的大小為

(1)

(2)

設計時，齒輪的最大應力不能超過許用應力。為了增加設計的可靠性，本研究通過數值仿真模擬的方式對犁刀鏟體進行了三維建模。假設鏟體的單元應力為u和v，利用虛功原理可以得到單元的剛度矩陣，當應力的狀態為平面應力時，單元的應變可以寫成

(3)

(4)

假定是各向同性的線彈性材料，對于平面應力狀態，有

σ=Dε

(5)

(6)

其中，E為楊氏模量，μ為泊松比。三維建模和裝置優化過程如圖5所示。

圖5 三維建模和裝置優化流程示意圖

根據試驗樣機的各種尺寸參數，可以確定虛擬仿真的樣機尺寸；然后，根據試驗條件對樣機施加邊界條件，通過模擬計算可以得到鏟體受到的阻力；最后，通過與試驗數據進行對比，驗證數據的可靠性。

3 秸稈深埋裝置試驗

為了研究秸稈深埋裝置設計的影響因素，建立秸稈深埋裝置參數優化的數據庫系統，設計了秸稈深埋裝置的實驗平臺，秸稈經切碎裝置切碎后直接進入深埋裝置的秸稈箱里。秸稈深埋是秸稈還田的最后一道工序，深埋犁刀鏟體安裝在主機架上。試驗平臺的總體結構如圖6所示。

圖6 秸稈深埋性能測試試驗臺

本次試驗主要對犁刀鏟體的阻力進行測試，力大小主要通過傳感器進行采集，然后將傳感器和IoT-ClusterDB建立數據接口，實現實驗數據的實時分析。試驗中使用的傳感器如圖7所示。

圖7 拉壓力傳感器

該傳感器的型號為BLR-1/300，適用范圍為動力和靜力的測試，具有體積小和測試穩定等優點。拉力傳感器測試的結果可以直接存儲到IoT-ClusterDB系統中，該系統提供了傳感器測試阻力的查詢和處理功能，從而提高了整個設計的效率。

為了驗證試驗的可靠性，設計了仿真模擬作為對照，使用Pro/E5.0軟件進行三維建模，并將模型保存為Parasolid(*.x_t)格式，然后導入到ADAMS 軟件中進行運動學仿真。犁刀鏟體三維模型如圖8所示。仿真之前設置了零件和土壤的材料屬性，設計了接觸運動副，并添加了運動速度。通過仿真計算，得到了犁刀開始運動時的阻力隨時間變化曲線，將其和試驗值進行對比，得到了如圖9所示的結果對比曲線。

圖8 犁刀鏟體三維模型

圖9 試驗和仿真結果對比

由圖9可以看出：試驗和仿真的結果基本吻合，從而驗證了試驗的可靠性。秸稈深埋裝置作業性能的主要影響因素包括埋深、土壤密度和裝置行進速度。為了研究3個因素對裝置的影響，利用3個試驗因素設計了3水平的正交試驗。影響因素的水平如表1所示。

表1 影響因素水平表

表1表示影響秸稈深埋裝置性能參數的3個因素，包括埋深、土壤密度和速度。不考慮這3個因素之間的相互作用，通過正交試驗，將傳感器測得的數據利用IoT-ClusterDB系統進行處理，可以實時得到實驗處理結果，如表2所示。

表2 試驗結果表

續表2

按照表2所示的試驗方案在實驗臺上進行正交試驗，將試驗得到的阻力數據填入到表2中。性能指標為阻力數值，阻力的值越小，裝置的性能越好。由表2可以看出：

1)對于因素A，埋深12cm時效果最佳；

2)對于因素A，土壤密度1.2g/cm3時效果最佳；

3)對于因素A，行進速度0.8km/h的效果最佳。

3個因素的最佳水平組合為A3B3C3，將試驗結果導入IoT-ClusterDB系統，并進行阻力的響應曲面的分析，以提高設計的效率和準確性。

4 結語

針對秸稈深埋還田裝置作業水平的影響因素，以埋深、土壤密度和裝置行進速度3項作為影響因素，設計了裝置性能測試的正交試驗。為了有效地采集和保存傳感器的數據，將傳感器的阻力歷次采樣值保存為采樣數據序列，該方案可以支持對數據的復雜邏輯查詢和分布式索引查詢，并支持關鍵字和時空查詢。通過試驗得到了不同影響因素水平正交試驗的裝置阻力數值。通過數據采集試驗發現：IoT-ClusterDB具有良好的傳感器數據接入與查詢處理性能。由于時間和計算條件的限制，沒有考慮秸稈深埋裝置性能的更多影響因素，對于IoT-ClusterDB也沒有做更加深入和系統的研究。在后續的研究工作中，可以結合數據庫集群框架，得到試驗因素對行進阻力的響應曲面，進一步建立裝置的優化參數數據庫系統，提高裝置的設計精度和效率。

[1] 史俊茹,黑敏星,楊軍.一種物聯網數據管理框架研究[J].計算機科學,2015,10(12):294-298.

[2] 李昕龍,張玲,李坤,等.面向物聯網傳感器信息的數據分配策略[J].計算機研究與發展,2013,10(15): 297-305.

[3] 張燕.基于物聯網海量數據處理的數據庫技術分析與研究[J].計算機光盤軟件與應用,2014,2(19):97- 99.

[4] 鄭孝國.秸稈利用技術與現狀分析[J].華章,2012(36): 364.

[5] 曹瑩,王秀英,孟軍,等.秸稈利用現狀及其生物炭化前景探析—以遼寧省彰武縣為例[J].作物雜志, 2012(4):9-12.

[6] 謝文艷,樊貴盛,周懷平.秸稈還田方式對旱地玉米產量和水分利用效率的影響[J].農業機械學報,2011, 42(11):60-67.

[7] 慕平,張恩和,王漢寧,等.不同年限全量玉米秸稈還田對玉米生長發育及土壤理化性狀的影響[J].中國生態應用學報,2012,20(3):291-296.

[8] 趙偉,陳雅君,王宏燕,等.不同秸稈還田方式對黑土土壤氮素和物理性狀的影響[J].玉米科學,2012,20 (6):98-102.

[9] 鄭建斌.秸稈還田對水稻產量與土壤性狀的研究初探[J].中國農業信息,2012(11):55.

[10] 楊濱娟,錢海燕,黃國勤,等.秸稈還田及其研究進展[J].農學學報,2012,2(5):1-4.

[11] 孔德剛,張超,張帥,等.秸稈深施機單體設計及秸稈深施裝置的試驗研究[J].東北農業大學學報,2013, 44(2):115-120.

[12] 楊林,楊斌,康金波.SGTN-160 型滅茬旋耕起壟機的研發簡介[J].農業機械,2009(6):86-87.

[13] 戴飛,張鋒偉,趙春花,等.快速腐熟秸稈還田機設計與試驗[J].農業機械學報,2010,41(4):47-51.

[14] 王文明,王春光.彈齒滾筒撿拾裝置的研究與發展[J].農機化研究,2012,34(10):221-225.

[15] 王慶惠,王學農,陳發,等.滾刀式秸稈粉碎裝置的設計及實驗研究[J].新疆農業科學,2012,49(2): 279- 284.

[16] 孔德剛,翟利民,劉立意,等.秸稈深施還田歷經時間對蓄水效果的影響[J].東北農業大學學報,2013,44 (5):90-97.

[17] 陳運鵬,龍慧,劉志杰.我國施肥技術與施肥機械的研究現狀及對策[J].農機化研究,2015,37(4):255-260.

[18] 姬江濤,鄭治華,杜蒙蒙.農業機器人的發展現狀及趨勢[J].農機化研究,2014,36(12):1-4.

[19] 喬永亮,何東鍵,趙川源,等.基于多光譜圖像和SVM的玉米田間雜草識別[J].農機化研究,2013,35(8):30-34.

[20] 姬長英,周俊.農業機械導航技術發展分析[J].農業機械學報,2014,45(9):44-54.

[21] 孟慶寬,何潔,仇瑞承,等.基于機器視覺的自然環境下作物行識別與導航線提取[J].光學學報,2014,34(7): 1-7.

[22] 劉金龍,鄭澤鋒,丁為民,等.對靶噴霧紅外探測器的設計與探測距離測試[J].江蘇農業科學,2013,41(7): 368-370.

[23] 傅錫敏,薛新宇.基于我國施藥技術與裝備現狀的發展思路[J].中國農機化,2008(6):72-76.

[24] 傅澤田,祁力鈞,王俊紅.精確施藥拉術研究進展與對策[J].農業機械學報,2007,38(1):189-192.

[25] 胡煉,羅錫文,曾山,等.基于機器視覺的株間機械除草裝置的作物識別與定位方法[J].農業工程學報,2013,29(10):12-18.

Design of Deep Buried and Whole Straw Returning Device of Rice Straw Based on Database Cluster System

Hu Jufen, Yin Qiangfei

(Jiangxi Modern Ploytechnic College，Nanchang 330095,China)

Crop straw returning to the field can improve the soil properties, enhance the soil fertility, and then increase the yield of crops.In order to improve the performance of the deep buried device of rice straw, the performance and operating parameters of the device were studied. The orthogonal test was designed to test the performance of the device, and the resistance of the device was tested on the experimental platform. In order to effectively collect and store the data of sensors, a database cluster system framework (IoT-ClusterDB) is proposed, which is based on data management of mass sensor sampling data. The resistance of sensor is saved as a sampling data sequence. It can support complex logical query and query of distributed index, and supports keywords and spatio-temporal query. The experimental results show that the IoT-ClusterDB has good sensor data access and query processing performance, thus reducing the whole design cycle of the straw deep buried device and improving the design efficiency.

rice; straw returning; database cluster; data sequence

2015-12-11

江西省教育廳科技項目(2015GZ0455)

胡菊芬(1979- )，女，江西修水人，副教授，碩士。

尹強飛(1982- )，男，江西永新人，副教授，碩士，(E-mail)strongflyok@sina.com。

S224.29

A

1003-188X(2017)02-0094-05