基于模糊神經網絡的農機自動轉向系統的設計

王 凱,王彥婷,胡延明

(黃河交通學院,河南 武陟 454950)

0 引言

我國是一個農業大國,農業人口眾多,農業機械化起步較晚[1-4],與國外發達國家相比,在技術發展與研究深度方面仍存在一定的差距,而提高農業機械水平的自動化與智能化是現代農業的重要標志[5]。目前,我國正在大力推進無人駕駛技術,故農業機械的自動駕駛與導航系統的精準性是無人駕駛中的重要環節與主要作業工序[6-7]。目前,國內外農業機械多采用人工駕駛方式進行田間作業,勞動效率低、駕駛人員勞動強度大及駕駛員疲勞等問題日益突出。因此,國內外開始進行無人駕駛農業機械的研制,綜合運用農業機械自動化、智能化、導航技術等進行研發[8-11]。

在農業機械轉向系統中主要包括執行機構及控制方法兩大部分。轉向控制系統的控制方法是決定污染駕駛技術整體性能的重要部分,是轉向控制系統的核心,對外界環境及時做出反應,并及時、準確地執行轉向命令[12-13]。傳統的控制技術主要是采用PID控制,但PID控制方法結構較為復雜,且在田間作業環境中缺乏較高的田間適應性和自主調控性,自動反應時間較長[14],隨著現代農業的快速發展,在田間應用過程中矛盾較為突出,已經被逐步替代。在拖拉機自動駕駛系統中,其運行、操作精度、準確性、響應靈敏性與中央控制器的優化設計密切相關,故對自動駕駛系統中央控制器進行優化是本研究的重點與難點[15-16]。模糊邏輯控制和神經網絡控制是農用車自動導航中常用的智能控制技術,在不需要建立精確的被控對象數學模型的前提下可以模擬人類的智能行為。

為此,以拖拉機為研究目標,對自動轉向系統進行優化設計,引進人工神經網絡技術對傳統的模糊控制技術進行優化,以提高農用拖拉機田間工作性能,提升整體系統的田間運動精度。通過田間試驗進行結果分析,旨在提高農業機械田間作業效率,推進我國現代化農業進程。

1 自動轉向控制系統的結構

1.1 整體結構

拖拉機中的自動轉向系統主要由定位導航系統、轉向角度傳感器及中央控制單元組成,如圖1所示。其中,中央控制系統是整個拖拉機自動轉向系統的決定性因素,能夠及時、迅速地對周圍環境信息進行響應并及時控制執行機構是提高整體性能精度的關鍵部分。

1.2 工作原理

在拖拉機導航控制系統中,導航控制器計算出拖拉機的實際轉向角度,并通過中央控制系統將計算轉角度信息及時傳送給執行系統,如圖2、圖3所示。拖拉機自動控制器可以將轉向控制算法與轉向系統執行機構進行綜合分析,中央控制系統通過控制執行機構進行實時角度調節,進而控制拖拉機轉向系統執行工作,從而完成農業拖拉機的自動角度調節與田間運行。其中,農業拖拉機自動轉向系統中,中央控制器實時控制過程可表示為[17]

(1)

其中,R(s)為目標角度;Y(s)為轉向角度;e、c、d為待定參數。

圖1 自動轉向控制系統Fig.1 Automatic steering control system

圖2 整機電動驅動系統控制流程圖Fig.2 Control flow chart of the electric drive system of the whole machine

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

2 模糊控制系統的設計

2.1 硬件選型

拖拉機自動轉向控制系統主要由控制處理器、電源電路、驅動電機及相關傳感器組成,如圖4所示。中央處理器主要是對傳感器采集的信息進行整體處理、收集與運算,STM32型電路為基本控制電路。

圖4 拖拉機自動轉向系統組成圖Fig.4 The composition diagram of the automatic steering system of the tractor

離合器可以控制拖拉機的開合,實現自動駕駛與人為操作的互相結合與替換,邏輯設計如圖5所示。其中,CAN總線主要用于上下位機的信息交換與傳輸。拖拉機驅動電機選擇直流電機,具體參數如表1所示。

圖5 離合器工作流程Fig.5 Clutch workflow

表1 驅動電機主要技術參數Table 1 Main technical parameters of drive motor

續表1

農業生產環境復雜,為了保證農業機械在田間的正常工作與機械性能,應該保證各個系統之間協調配合,才能滿足農業生產的要求。因此,選擇結構簡單、適應性較強的CAN總線作為控制系統的中央處理器,主要參數特征如表2所示。

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

2.2 人工神經網絡模型結構設計

根據農用拖拉機導航控制的特點,傳統的模糊控制系統與神經網絡預測模型[20-21],網絡結構如圖6所示。優化時,需不斷調整各參數的權重提高整體預測精度。

圖6 人工智能算法優化下的模糊控制結構圖Fig.6 Fuzzy control structure diagram under the optimization of artificial intelligence algorithm

1)輸入層。根據拖拉機在田間行走路徑的特點,選取拖拉機轉向角度作為輸入因子,輸入層中的所有節點直接連接到輸入X1和X2,它直接將輸入值X1和X2傳遞到下一層,節點數N1=2。

2)輸入層的模糊控制。每個節點均表示一種編程語言,每個輸入層的模糊控制中有編程語言,如{NB,NM,NS,ZO,PS,PB},這一層的節點數N2=14。其函數是計算每個語言變量值的模糊集合中每個輸入分量的隸屬函數為[18-19]

(2)

隸屬度函數屬于正態分布函數為

(3)

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

(4)

3)去模糊化。首先,確定模糊控制結構的輸入量和輸出量,本研究中,選取二維模糊控制結構;其次,將輸入量和輸出量進行模糊化,轉化為模糊集合;同時,根據式(2)確定模糊自己,如{NB,NM,NS,ZO,PS,PB},并設置同一層的第3個節點的個數,即N3=N4=49,去模糊化計算公式為

(5)

4)本研究的輸出。輸出變量為農業拖拉機控制系統下的目標轉向角度,輸出目標值計算公式為

(6)

其中,r表示輸出層數,取值r=1。

2.3 模糊神經網絡算法設計

采用人工神經網絡訓練,應用最為廣泛的為BP神經網絡(BP neural network),模型結構較為簡單,可以基本滿足試驗所需精度,同時進行一些非線性化運算;但是,與其它人工神經網絡及相關優化算法相比,雖然神經網絡可以解決一些復雜、非線性映射問題,但是它也存在一些缺點,如過擬合、容易陷入局部最優解及收斂速度慢等問題。因此,利用遺傳算法、粒子群和蟻群算法等用于優化初始權重和閾值,更有利于可以提高模型學習效率并進行全局優化,改善原有網絡結構。

模糊神經網絡(Fuzzy Neural Network,FNN)本質是將模糊控制系統與人工神經網絡相互結合與優勢互補的一種控制方法,與傳統控制系統相比,可以對外界數據進行并行處理,具有更高的學習和自適應能力,可實現任意非線性問題的優化,具有廣闊的應用前景。在對神經網絡模型進行訓練時,還可以使用遺傳算法(Genetic Algorithm,GA)對前向網絡進行訓練。GA是目前應用最為廣泛的一種求解優化問題的自適應啟發式的搜索算法,它模仿了自然界的“物競天擇,優勝劣汰”的生物進化機制,即隨機搜索算法的自然選擇、適者生存和自然遺傳機制。在整個解空間中搜索最優解具有一定的概率,優化計算流程如圖8所示。

圖8 GA優化算法計算流程Fig.8 GA optimization algorithm calculation process

3 結果與分析

3.1 試驗設備

試驗平臺為東方紅LX1204型拖拉機,整體尺寸為5025mm(長)×2376mm(寬)×3075mm(高),配重質量為400kg,發動機型號為自吸式發動機(LR6M5U22/0882E)與增壓發動機(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,標定功率為89kW,額定轉速為2300r/min。為測試其自動轉向控制系統功能,在實驗過程中獲得較為準確的田間數據,在運行時將拖拉機前輪支撐起,離地間隙為480mm,以減少前輪在運行過程中與地面摩擦而產生的誤差。

圖9 東方紅LX1204拖拉機Fig.9 Dongfanghong LX1204 tractor

3.2 仿真結果與分析

在MatLab中,使用遺傳算法來優化模糊神經網絡的程序是經過多次迭代到100次。訓練數據、測試數據和數據的神經網絡控制器,擬合曲線如圖10所示。由圖10可以看出:實際產出和目標輸出一致的模糊神經網絡,訓練網絡具有良好的跟蹤結果,且所采用的FNN控制系統下農用拖拉機整體轉向系統性能得到明顯的提高。

圖10 測試的實際輸出和目標輸出Fig.10 Actual output and target output of the test

由表3可以看出,拖拉機自動轉向系統的響應時間得到了改善,響應時間縮短,響應更為靈敏、準確,FNN控制系統按照預設目標轉向角度進行自動執行,保證拖拉機自動轉向系統的轉向角度誤差為±2°。系統仿真結果如表4所示。

表3 拖拉機轉角測試結果Table 3 Tractor corner test results

表4 系統仿真結果Table 4 System simulation results

4 結論

基于傳統的模糊控制器,與人工神經網絡相結合,提出了模糊神經網絡系統(FNN),并在農用拖拉機東方紅LX1204進行試驗研究。試驗結果表明:基于MatLab的仿真過程,分別對應的目標輸出曲線和實際輸出曲線進行對比,在角點測試中記錄分析,輸入不同的目標值農業角度和響應時間,利用設計的FNN控制系統可以滿足農用拖拉機日常工作轉向需求,響應時間≤2s,預設轉角與實測轉角的誤差≤5%,響應時間與響應精度都得到提高。因此,應用FNN模糊神經網絡控制系統可以顯著提高拖拉機田間工作性能與自動駕駛精度,對于農業自動化與智能化發展具有重要的意義與參考價值。