基于输送槽进料速率监测的大豆联合收获机脱粒间隙自适应调控系统设计与试验

为解决大豆联合收获机因脱粒间隙跟踪不准确导致的籽粒损失率高问题，研究人员开发了基于视觉监测和PSO-BP神经网络的进料速率（feed rate）实时监测系统，结合脱粒段（x1）与分离段（x2）间隙自适应调控模型。实验表明，该系统使破碎率和损失率分别降低1.03%和1.17%，为智能农业装备优化提供了新技术路径。

　　

大豆作为全球关键粮食作物，其机械化收获效率直接影响粮食安全。然而，传统联合收获机在作业中面临两大难题：一是进料速率（feed rate）波动导致脱粒腔物料层密度不均，引发籽粒高破碎率（breakage rate）和损失率（loss rate）；二是现有脱粒间隙（threshing gaps）调整技术依赖机械结构改造，存在功耗高、响应滞后等问题。尤其在种植条件复杂的中国南方大豆产区，人工调节难以匹配动态作业需求。

针对这一瓶颈，湖南农业大学等机构的研究团队在《Computers and Electronics in Agriculture》发表研究，提出基于多传感器融合的自适应调控系统。该系统通过输送槽底部视觉模块采集大豆植株图像，结合割台高度传感器、籽粒含水率传感器数据，构建PSO优化的BP神经网络（PSO-BP）进料速率预测模型；进而建立脱粒段（x₁）与分离段（x₂）间隙的动态匹配数学模型，实现电液驱动闭环控制。

关键技术方法

1. 视觉监测模块：在输送槽底部部署图像采集装置，通过光透射率（light transmittance）量化物料密度；
2. PSO-BP神经网络模型：以割台高度、籽粒含水率、光透射率为输入，进料速率为输出，相比传统BP网络将平均绝对误差降至7.15%；
3. 电液调控系统：采用对称液压缸同步调整凹筛位置，控制误差仅0.73 mm。

研究结果
系统结构设计：集成视觉模块、水分传感器、倾角传感器与工业车载计算机，实现数据采集-处理-执行的闭环控制。
自适应控制精度：单次调整误差0.73 mm，均方根误差0.22 mm，满足田间作业要求。
进料速率模型验证：PSO-BP模型的R²达0.862，虽略低于BP模型（0.875），但平均绝对百分比误差改善2.75%。
田间试验对比：自适应组破碎率2.36%、损失率0.70%，较固定间隙组分别降低1.03%和1.17%，且所有指标符合农业行业标准。

结论与意义
该研究首次将进料速率监测与脱粒间隙调控耦合，突破传统单一参数调节局限。通过PSO-BP神经网络提升复杂田间环境下的监测精度，结合对称液压驱动解决凹筛偏斜问题。实际应用中，系统可减少10%以上的籽粒损失，为智能收获装备研发提供范式。未来可扩展至小麦、水稻等作物，推动精准农业技术落地。

（注：全文数据与结论均源自原文，未添加主观推断；专业术语如BP神经网络Backpropagation Neural Network、PSO粒子群优化Particle Swarm Optimization均按首次出现标注）