基于物理约束与注意力机制深度融合的高功率动力换挡拖拉机状态预测模型研究

本文创新性地提出融合物理一致性约束(PA)和注意力机制的LSTM-GRU双通道神经网络模型(PA-LSTM-GRU)，通过引入速度微分物理损失项和换挡触发注意力机制，实现了拖拉机车速与变速箱倒档轴转速的高精度联合预测。实验表明该模型在五种典型路面条件下预测精度评分均超95分，噪声干扰下稳定性优异，为农业机械智能化控制提供了可靠的状态反馈方案。

　　

Highlight亮点

为开发高功率动力换挡拖拉机更可靠的动态预测模型，本研究提出具有物理一致性约束(Physics-Aware)和注意力机制增强的LSTM-GRU网络模型(PA-LSTM-GRU)。该模型通过实际车辆测试数据系统验证，主要创新点包括：1）采用基于LSTM和GRU的并行架构；2）从速度微分推导物理一致性损失项；3）设计由换挡事件触发的条件激活注意力机制。

Data collection test for high-power power-shift tractors高功率动力换挡拖拉机数据采集试验

研究选择拖拉机速度和变速箱倒档轴转速作为模型预测参数——前者反映车辆层面的动力传递终端响应，后者直接关联变速箱内部关键部件的动态特性。试验涵盖5种典型路面条件，每种条件下进行3种稳态行驶速度测试，共采集包含油门开度、道路坡度、离合器状态等7维度的超11万条数据。

Results of tractor field test data collection拖拉机田间试验数据采集结果

在90次田间试验中，研究人员特别关注动力换挡过程中主副变速箱多离合器状态切换导致的动力冲击现象。数据集完整记录了不同档位组合下车辆状态的强非线性和非平稳特征，为模型训练提供了包含动态突变过程的真实工况数据。

Conclusion结论

1）通过融合物理模型推导的微分约束项，有效提升了数据驱动模型在有限样本条件下的泛化能力；2）条件触发的注意力机制显著增强了模型对换挡瞬态特征的捕捉能力；3）综合评估显示该模型在所有测试条件下平均预测精度达95.59分，较基准模型提升显著。