基于多传感器数据融合(PCA-WOA-SVR)的联合收割机吞吐量高精度估测方法研究

为解决联合收割机吞吐量监测系统架构不完善、运行参数监测不足导致的模型精度低问题，研究人员开发了多传感器数据监测采集系统，提出基于PCA-WOA-SVR（主成分分析-鲸鱼优化算法-支持向量回归）的融合估测方法。结果表明：测试集MAE为0.258 kg/s，R2达0.985，在线监测单组耗时24.31 ms，为联合收割机智能监控提供了高精度、强鲁棒性的技术方案。

　　

联合收割机的吞吐量（Throughput）是衡量其作业效率的核心指标，但传统监测方法依赖单一传感器信号，易受信号波动和耦合参数干扰，导致估测误差高达19.6%。随着无人农场的快速发展，亟需突破多单元协同监测的技术瓶颈。中国农业科学院智能农业动力装备全国重点实验室的研究团队在《Computers and Electronics in Agriculture》发表论文，通过创新传感器设计与算法融合，实现了吞吐量的高精度实时监测。

研究团队采用三项关键技术：1）开发了链轮/皮带轮/花键式扭矩-转速-功率集成传感器，构建覆盖喂入、脱粒、行走、发动机单元的监测系统；2）提出PCA-WOA-SVR三级融合架构，先通过主成分分析（PCA）消除冗余特征，再用鲸鱼优化算法（WOA）优化支持向量回归（SVR）超参数；3）基于移动平均-马氏距离-K近邻算法进行数据稳定性预处理。

数据稳定性分析
经移动平均等算法处理后，功率和燃油消耗信号的异常波动降低80%，验证了系统抗干扰能力。

模型性能验证
PCA-WOA-SVR在测试集的MAE（0.258 kg/s）较单一SVR降低0.367 kg/s，R²提升6.7%，在线监测波动范围控制在[-0.02, 0.015] kg/s。

单元贡献度分析
发动机单元对模型贡献度达42%，多单元输入使MAPE（平均绝对百分比误差）降低7.4%，证实耦合参数协同监测的必要性。

该研究首次将鲸鱼优化算法引入农业装备监测领域，通过物理传感器与数据驱动模型的深度融合，解决了复杂工况下的非线性耦合问题。24.31 ms的单次监测耗时满足实时控制需求，为联合收割机自动驾驶和精准作业提供了核心技术支撑。论文中披露的链轮式扭矩传感器设计参数（如量程200 N·m，精度±0.3%）可直接用于产业化开发，推动智能收获装备的技术升级。