首页 / 专利库 / 作物管理 / / 半悬挂犁 / 一种用于犁耕机组最优滑转率识别装置及其控制方法

一种用于耕机组最优滑转率识别装置及其控制方法

阅读:16发布:2020-05-18

专利汇可以提供一种用于耕机组最优滑转率识别装置及其控制方法专利检索,专利查询,专利分析的服务。并且本 发明 提供了一种用于 犁 耕机组最优滑转率识别装置,包括控制单元ECU和检测单元;所述控制单元ECU包括 牵引阻 力 预测模 块 、滑转率计算模块和最优滑转率识别模块;所述滑转率计算模块输入犁耕机组耕作速度v2和测量 驱动轮 转速n,输出滑转率S;所述牵引阻力预测模块输入滑转率S、 滚动阻力 Ff、下拉杆作用力F2和上拉杆作用力F1,通过 人工神经网络 训练得到犁耕机组牵引阻力Dp,所述牵引阻力预测模块将犁耕机组牵引阻力Dp转换为牵引效率ηd;所述最优滑转率识别模块输入滑转率S和牵引效率ηd,通过人工神经网络训练得到最优滑转率S1。本发明可以能够实时识别犁耕状态下的驱动轮滑转率。,下面是一种用于耕机组最优滑转率识别装置及其控制方法专利的具体信息内容。

1.一种用于耕机组最优滑转率识别装置,其特征在于,包括控制单元ECU和检测单元;所述检测单元用于测量犁耕机组耕作速度v2、驱动轮转速n、耕作深度h、上拉杆作用F1和下拉杆作用力F2;
所述控制单元ECU包括牵引阻力预测模、滑转率计算模块和最优滑转率识别模块;所述滑转率计算模块输入犁耕机组耕作速度v2和测量驱动轮转速n,输出滑转率S;所述牵引阻力预测模块输入滑转率S、滚动阻力Ff、下拉杆作用力F2和上拉杆作用力F1,通过人工神经网络训练得到犁耕机组牵引阻力Dp,所述牵引阻力预测模块将犁耕机组牵引阻力Dp转换为牵引效率ηd;所述最优滑转率识别模块输入滑转率S和牵引效率ηd,通过人工神经网络训练得到最优滑转率S1。
2.根据权利要求1所述的用于犁耕机组最优滑转率识别装置,其特征在于,所述检测单元包括车速传感器(1)、驱动轮转速传感器(2)、转传感器(3)、上拉杆传感器(4)和下拉杆传感器(5);所述车速传感器(1)安装于拖拉机底盘,用于测量犁耕机组耕作速度v2;所述驱动轮转速传感器(2)安装于驱动桥上,用于测量驱动轮转速n;所述转角传感器(3)固结于拖拉机上,用于计算耕作深度h;所述上拉杆传感器(4)安装于悬挂上拉杆轴销处,用于测量上拉杆作用力F1;所述下拉杆传感器(5)安装于悬挂下拉杆轴销处,用于测量下拉杆作用力F2。
3.一种根据权利要求1所述的用于犁耕机组最优滑转率识别装置的控制方法,其特征在于,包括如下步骤:
计算滑转率S:将犁耕机组耕作速度v2和测量驱动轮转速n输入所述滑转率计算模块,输出滑转率S;
确定犁耕机组牵引阻力Dp:将滑转率S、滚动阻力Ff、下拉杆作用力F2和上拉杆作用力F1输入所述牵引阻力预测模块,通过人工神经网络训练得到犁耕机组牵引阻力Dp;
确定牵引效率ηd:所述牵引阻力预测模块将犁耕机组牵引阻力Dp转换为牵引效率ηd;
确定最优滑转率S1:将滑转率S和牵引效率ηd输入所述最优滑转率识别模块,建立滑转率S和牵引效率ηd的模型,通过人工神经网络训练得到最优滑转率S1。
4.根据权利要求3所述的用于犁耕机组最优滑转率识别的控制方法,其特征在于,所述计算滑转率S按照下面公式计算:
其中:v1为驱动轮理论速度, r为驱动轮滚动半径,n为驱动轮转速;
v2为犁耕机组耕作速度。
5.根据权利要求3所述的用于犁耕机组最优滑转率识别的控制方法,其特征在于,所述人工神经网络训练得到犁耕机组牵引阻力Dp的步骤具体为:采用莱文贝格-夸特训练算法配置两层隐含层,每层包含12个神经元,传递函数Purelin,从而得到犁耕机组牵引阻力Dp。
6.根据权利要求3所述的用于犁耕机组最优滑转率识别的控制方法,其特征在于,所述犁耕机组牵引阻力Dp转换为牵引效率ηd按照下面公式计算:
其中:ηd为牵引效率;
Dp为犁耕机组牵引阻力;
S为滑转率;
Ff为滚动阻力,为常数;
ηc为机组传动系效率,为常数。
7.根据权利要求3所述的用于犁耕机组最优滑转率识别的控制方法,其特征在于,所述滑转率S和牵引效率ηd的模型为:
其中:ηd为牵引效率;
ηc为机组传动系效率,为常数;
S为滑转率;
Cn为土壤负荷系数,其Cn∈(1,2,3,……,100)。
8.根据权利要求3所述的用于犁耕机组最优滑转率识别的控制方法,其特征在于,所述确定最优滑转率S1具体为:根据所述滑转率S和牵引效率ηd的模型,绘制不同土壤负荷系数Cn的滑转率S与牵引效率ηd的曲线图;采用莱文贝格-马夸特算法进行人工神经网络训练,配置两层隐含层,第一层和第二层神经元数分别为12个和10个的网络,该配置网络输入层与隐含层之间的传递函数是Log-Sigmoid函数,隐含层与输出层间的传递函数是Pureline函数;通过输入计算出的所述滑转率S和牵引效率ηd,通过所述的人工神经网络训练得到最优滑转率S1。

说明书全文

一种用于耕机组最优滑转率识别装置及其控制方法

技术领域

[0001] 本发明涉及犁耕机组控制研究领域,特别涉及一种用于犁耕机组最优滑转率识别装置及其控制方法。

背景技术

[0002] 拖拉机犁耕作业是农业生产中的重要环节,主要通过调整电液悬挂装置来完成耕地作业的农艺要求。作业过程中,由于受土壤环境、负载波动较大等的影响,工作阻变化范围较大,极易产生过大的驱动轮滑转。合理控制拖拉机滑转率能够改善犁耕机组牵引效率和燃油消耗,从而显著提高拖拉机燃油经济性(约能降低油耗20%~30%)。随着农业现代化、绿色化的发展,对拖拉机的油耗提出了更高的要求。拖拉机在不同路面的滑转特性不同,而且滑转特性跟燃油消耗密切相关。拖拉机传动效率(约占发动机输出功率75%~81%)和发动机效率(占发动机输出功率30%~35%)几乎很难提高,而牵引效率是唯一可以提高的。
[0003] 农用拖拉机在不同作业类型、不同作业下滑转率是不同的,拖拉机只有工作在最佳滑转率下才能充分发挥驱动能力,保证较高的牵引效率和工作效率。近年来国内外开始对基于滑转率的悬挂控制进行研究,通过调节耕深将滑转率控制在目标值,该种控制方式即没考虑滑转率与牵引效率间的关系,也不能保证耕深均匀。本方法以耕深稳定为前提,提出了拖拉机电控液压悬挂滑转率自适应控制,始终将犁耕机组牵引效率维持在最大值。因此,非常有必要识别出不同作业条件下的最高牵引效率,在保证耕深恒定的条件下将牵引效率维持在较高的范围。

发明内容

[0004] 针对现有技术中存在不足,本发明提供了一种用于犁耕机组最优滑转率识别装置及其控制方法,能够实时识别犁耕状态下的驱动轮滑转率,能够实时预测犁耕状态下的牵引阻力
[0005] 本发明是通过以下技术手段实现上述技术目的的。
[0006] 一种用于犁耕机组最优滑转率识别装置,包括控制单元ECU和检测单元;所述检测单元用于测量犁耕机组耕作速度v2、驱动轮转速n、耕作深度h、上拉杆作用力F1和下拉杆作用力F2;所述控制单元ECU包括牵引阻力预测模块、滑转率计算模块和最优滑转率识别模块;所述滑转率计算模块输入犁耕机组耕作速度v2和测量驱动轮转速n,输出滑转率S;所述牵引阻力预测模块输入滑转率S、滚动阻力Ff、下拉杆作用力F2和上拉杆作用力F1,通过人工神经网络训练得到犁耕机组牵引阻力Dp,所述牵引阻力预测模块将犁耕机组牵引阻力Dp转换为牵引效率ηd;所述最优滑转率识别模块输入滑转率S和牵引效率ηd,通过人工神经网络训练得到最优滑转率S1。
[0007] 进一步,所述检测单元包括车速传感器、驱动轮转速传感器、转传感器、上拉杆传感器和下拉杆传感器;所述车速传感器安装于拖拉机底盘,用于测量犁耕机组耕作速度v2;所述驱动轮转速传感器安装于驱动桥上,用于测量驱动轮转速n;所述转角传感器固结于拖拉机上,用于计算耕作深度h;所述上拉杆传感器安装于悬挂上拉杆轴销处,用于测量上拉杆作用力F1;所述下拉杆传感器安装于悬挂下拉杆轴销处,用于测量下拉杆作用力F2。
[0008] 一种用于犁耕机组最优滑转率识别的控制方法,包括如下步骤:
[0009] 计算滑转率S:将犁耕机组耕作速度v2和测量驱动轮转速n输入所述滑转率计算模块,输出滑转率S;
[0010] 确定犁耕机组牵引阻力Dp:将滑转率S、滚动阻力Ff、下拉杆作用力F2和上拉杆作用力F1输入所述牵引阻力预测模块,通过人工神经网络训练得到犁耕机组牵引阻力Dp;
[0011] 确定牵引效率ηd:所述牵引阻力预测模块将犁耕机组牵引阻力Dp转换为牵引效率ηd;
[0012] 确定最优滑转率S1:将滑转率S和牵引效率ηd输入所述最优滑转率识别模块,建立滑转率S和牵引效率ηd的模型,通过人工神经网络训练得到最优滑转率S1。
[0013] 进一步,所述计算滑转率S按照下面公式计算:
[0014]
[0015] 其中:v1为驱动轮理论速度, r为驱动轮滚动半径,n为驱动轮转速;
[0016] v2为犁耕机组耕作速度。
[0017] 进一步,所述人工神经网络训练得到犁耕机组牵引阻力Dp的步骤具体为:采用莱文贝格-夸特训练算法配置两层隐含层,每层包含12个神经元,传递函数Purelin,从而得到犁耕机组牵引阻力Dp。
[0018] 进一步,所述犁耕机组牵引阻力Dp转换为牵引效率ηd按照下面公式计算:
[0019]
[0020] 其中:ηd为牵引效率;
[0021]      Dp为犁耕机组牵引阻力;
[0022]      S为滑转率;
[0023]      Ff为滚动阻力,为常数;
[0024]      ηc为机组传动系效率,为常数。
[0025] 进一步,所述滑转率S和牵引效率ηd的模型为:
[0026] 其中:ηd为牵引效率;
[0027]      ηc为机组传动系效率,为常数;
[0028]      S为滑转率;
[0029]      Cn为土壤负荷系数,其Cn∈(1,2,3,……,100);
[0030] 进一步,最优滑转率S1具体为:根据所述滑转率S和牵引效率ηd的模型,绘制不同土壤负荷系数Cn的滑转率S与牵引效率ηd的曲线图;采用莱文贝格-马夸特算法进行人工神经网络训练,配置两层隐含层,第一层和第二层神经元数分别为12个和10个的网络,该配置网络输入层与隐含层之间的传递函数是Log-Sigmoid函数,隐含层与输出层间的传递函数是Pureline函数;通过输入计算出的所述滑转率S和牵引效率ηd,通过所述的人工神经网络训练得到最优滑转率S1。
[0031] 本发明的有益效果在于:
[0032] 1.本发明所述的用于犁耕机组最优滑转率识别装置及其控制方法,通过滑转率计算模块,能够实时识别犁耕状态下的驱动轮滑转率。
[0033] 2.本发明所述的用于犁耕机组最优滑转率识别装置及其控制方法,通过牵引阻力预测模块输入滑转率S、滚动阻力Ff、下拉杆作用力F2和上拉杆作用力F1,通过人工神经网络训练得到犁耕机组牵引阻力Dp。
[0034] 3.本发明所述的用于犁耕机组最优滑转率识别装置及其控制方法,通过最优滑转率识别模块,能够判断出当前作业条件下驱动轮牵引效率发挥最大时的最优滑转率。附图说明
[0035] 图1为本发明所述的用于犁耕机组最优滑转率识别装置示意图。
[0036] 图2为本发明所述的用于犁耕机组最优滑转率识别控制方法的流程图
[0037] 图3为本发明所述的所述滑转率S和牵引效率ηd的曲线图。
[0038] 图中:
[0039] 1-车速传感器;2-驱动轮转速传感器;3-转角传感器;4-上拉杆传感器;5-下拉杆传感器。

具体实施方式

[0040] 下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
[0041] 如图1所示,本发明所述的用于犁耕机组最优滑转率识别装置,包括控制单元ECU和检测单元;所述检测单元用于测量犁耕机组耕作速度v2、驱动轮转速n、耕作深度h、上拉杆作用力F1和下拉杆作用力F2;所述检测单元包括车速传感器1、驱动轮转速传感器2、转角传感器3、上拉杆传感器4和下拉杆传感器5;所述车速传感器1安装于拖拉机底盘,用于测量犁耕机组耕作速度v2;所述驱动轮转速传感器2安装于驱动桥上,用于测量驱动轮转速n;所述转角传感器3固结于拖拉机上,转角传感器转动轴与拖拉机提升臂的提升轴固结,用于测量提升臂转角,通过悬挂机构杆件运动规律的几何关系描述,得到耕深与提升臂转角的关系,从而计算出耕作深度h;所述上拉杆传感器4安装于悬挂上拉杆轴销处,用于测量上拉杆作用力F1;所述下拉杆传感器5安装于悬挂下拉杆轴销处,用于测量下拉杆作用力F2。
[0042] 所述控制单元ECU包括牵引阻力预测模块、滑转率计算模块和最优滑转率识别模块;所述滑转率计算模块输入犁耕机组耕作速度v2和测量驱动轮转速n,输出滑转率S;所述牵引阻力预测模块输入滑转率S、滚动阻力Ff、下拉杆作用力F2和上拉杆作用力F1,通过人工神经网络训练得到犁耕机组牵引阻力Dp,所述牵引阻力预测模块将犁耕机组牵引阻力Dp转换为牵引效率ηd;所述最优滑转率识别模块输入滑转率S和牵引效率ηd,通过人工神经网络训练得到最优滑转率S1。
[0043] 如图2所示,本发明所述的用于犁耕机组最优滑转率识别的控制方法,包括如下步骤:
[0044] 计算滑转率S:将犁耕机组耕作速度v2和测量驱动轮转速n输入所述滑转率计算模块,按照下面公式计算输出滑转率S:
[0045]
[0046] 其中:v1为驱动轮理论速度, r为驱动轮滚动半径,n为驱动轮转速;
[0047] v2为犁耕机组耕作速度。
[0048] 确定犁耕机组牵引阻力Dp:将滑转率S、滚动阻力Ff、下拉杆作用力F2和上拉杆作用力F1输入所述牵引阻力预测模块,通过人工神经网络训练得到犁耕机组牵引阻力Dp;具体采用莱文贝格-马夸特训练算法配置两层隐含层,每层包含12个神经元,传递函数Purelin,从而得到犁耕机组牵引阻力Dp。
[0049] 确定牵引效率ηd:所述牵引阻力预测模块将犁耕机组牵引阻力Dp转换为牵引效率ηd;具体公式如下:
[0050]
[0051] 其中:ηd为牵引效率;
[0052]      Dp为犁耕机组牵引阻力;
[0053]      S为滑转率;
[0054]      Ff为滚动阻力,为常数;
[0055]      ηc为机组传动系效率,为常数。
[0056] 确定最优滑转率S1:将滑转率S和牵引效率ηd输入所述最优滑转率识别模块,建立滑转率S和牵引效率ηd的模型,所述滑转率S和牵引效率ηd的模型为:
[0057] 其中:ηd为牵引效率;
[0058]      ηc为机组传动系效率,为常数;
[0059]      S为滑转率;
[0060]      Cn为土壤负荷系数,其Cn∈(1,2,3,……,100);
[0061] 根据所述滑转率S和牵引效率ηd的模型,绘制不同土壤负荷系数Cn的滑转率S与牵引效率ηd的曲线图,如图3所示;采用莱文贝格-马夸特算法进行人工神经网络训练,配置两层隐含层,第一层和第二层神经元数分别为12个和10个的网络,该配置网络输入层与隐含层之间的传递函数是Log-Sigmoid函数,隐含层与输出层间的传递函数是Pureline函数;通过输入计算出的所述滑转率S和牵引效率ηd,通过所述的人工神经网络训练得到最优滑转率S1。
[0062] 所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈