联合收割机物料流灰箱状态空间建模与七执行器实时模型预测控制（MPC）方法

《Smart Agricultural Technology》：Material-flow grey-box modeling and predictive control method for combine harvesters

　　

针对联合收割机的物料流灰箱建模与预测控制方法。灰箱模型（grey-box model）可刻画脱粒、分离与清选过程的耦合动力学。对损失、含杂率和破碎率的交叉图验证R²分别为0.9598、0.9150和0.9312。局部仿射模型预测控制（MPC）实时协调联合收割机的七个执行器。MPC使损失、含杂率和破碎率分别降低45.93%、54.08%和34.35%。MPC在保持吞吐量的同时实现平均求解时间0.60 s。

研究背景与问题：联合收割机需在短收获窗口和变化田间条件下同时保持吞吐量与谷物质量。作物密度、含水率、草谷比、喂入量和机器设置会改变物料在脱粒、分离和清选路径中的分布，导致非线性、时变和强耦合动态；前进速度、滚筒转速、风机转速、筛孔开度、脱粒间隙和分离间隙通过喂入、脱粒、分离和清选相互作用，过载会增加质量损失，保守设置会浪费能力，变化地形和速度下需要协调调整。现有静态优化和离线多项式模型虽简单可解释，但难以跟踪喂入量、含水率或作物密度的连续变化，且在过载和大执行器变化下精度下降。早期清选自动化以经验过程辨识和单子系统调节为主，后续模糊模型及模糊反馈控制建立了数据驱动基础，但控制器主要面向清选子系统，输入输出维度较低，未显式表达脱粒、分离和清选间的内部物料传输与动态耦合。近期基于支持向量回归（SVR）代理模型和粒子群优化-小波神经网络（PSO-WNN）状态空间辨识与MPC的研究提高了在线适应性，但预测模型多为经验或数据驱动，对物料流状态、处理能力、过载演化和杂质积累的显式表示有限，内部状态物理意义较弱，偏离辨识条件时预测可靠性可能下降，且多针对单子系统或弱耦合输入输出映射，缺少统一整机动态模型。因此，需要控制导向框架，将规定物料流动态、数据参数辨识和高效多执行器优化结合。研究人员据此建立了具有规定非线性过程结构的物料流灰箱状态空间模型，状态包括脱粒-分离负载x_th、清选负载x_c、杂质积累x_i以及清洗损失L、破碎B、含杂I，显式表示负载松弛、处理能力限制、过载增长、执行器非线性效应、杂质积累与释放及质量响应惯性；采用分层辨识估计15个有界非线性过程参数与条件线性观测系数；并在当前工作点局部线性化构建七输入灵敏度模型，结合MPC实时协调七个执行器。模型在大豆和小麦数据上辨识与验证，实时求解器比较和大豆闭环田间验证。结论表明，灰箱模型独立交叉图验证大豆R²为0.9598、0.9150、0.9312（分别对应清洗损失、含杂率、破碎率），优于复现PSO-WNN基线；局部仿射MPC相对静态响应面优化（Static-RSM）基线降低清洗损失45.93%、含杂54.08%、破碎34.35%，保持100.62%吞吐，平均求解0.60 s，P95为0.62 s，最大0.63 s，无调用超过1 s。其意义在于提供了物理可解释、可实时优化的整机质量预测与控制框架。

关键方法：采用CAN-bus数据采集与边缘计算；压电传感器测清洗损失、视觉模块测破碎与含杂、对射传感器测清洁谷物吞吐，并以36个稳定窗口（小麦18、大豆18）一阶线性校准、18个独立窗口评估；构建物料流灰箱状态空间模型，以差分进化（DE）和有界trust-constr优化15个有界过程参数、加权岭回归估计观测系数；用全数据辨识、五折留一运行验证（LORO）和独立交叉图验证；以局部仿射MPC和L-BFGS-B求解，并在山东GK-150联合收割机、大豆品种Zhengdou 1307上开展田间比较与闭环验证（比较试验水分12.3%，闭环12.6%）。样本队列：每作物5个1500 s辨识运行和5个300 s独立交叉图验证运行；大豆闭环3次重复。

研究结果：3.1 在线检测系统精度验证结果。通过18个未参与校准的独立稳定窗口比较在线与人工参考，平均测量精度为清洗损失92.03%、含杂89.94%、破碎91.97%、吞吐93.72%；吞吐最准，含杂较低，原因包括轻杂质异质和人工分选不确定性；测量误差可能影响辨识和闭环触发，双采样触发可降低对孤立噪声的敏感性，但未显式纳入测量噪声模型。3.2 模型辨识与验证结果。通过全数据辨识、五折LORO和独立交叉图验证，复现PSO-WNN基线状态矩阵最大特征值模为0.9664，小于1；基线可捕捉趋势，但独立交叉图存在幅度衰减和滞后。灰箱参数未触及边界；脱粒-分离时间常数大于清选，负载敏感性较高；清选损失过载系数较大，支持采用分离负载与过载状态。大豆独立交叉图R²为0.9598、0.9150、0.9312，均方根误差（RMSE）为0.0218、0.0089、0.1005；LORO汇总R²为0.9402、0.9351、0.9468；小麦LORO汇总R²为0.8989、0.9269、0.9372，五折均为正。结论是规定动态结构提高了跨工况预测能力。3.3 预测时域敏感性分析结果。通过回放大豆田间记录序列、固定N_c=1并比较N_p=1、3、5、7、10，发现N_p=1时清洗损失、破碎、含杂分别降低78.64%、50.17%、70.72%，吞吐保持100.01%；延长N_p未改善整体质量-吞吐性能，损失和破碎略降，而平均求解时间由0.53 s增至4.18 s；在本文MPC结构和扰动持续性假设下选用N_p=1，并非一般最优。3.4 实时MPC求解方法比较。在N_p=N_c=1下比较全候选枚举、快速候选枚举、坐标贪心搜索和局部仿射L-BFGS-B；全枚举需7.14 s且全部超过1 s，快速枚举需0.47 s且无超时，坐标贪心需2.20 s且全部超时，L-BFGS-B需0.60 s且无超时。相对Static-RSM，L-BFGS-B降低清洗损失45.93%、含杂54.08%、破碎34.35%，吞吐保持100.62%；全枚举吞吐保持97.93%。结论是局部仿射同时优化七执行器联合效应，更好兼顾实时性与多指标性能。3.5 多参数MPC闭环田间验证结果。通过大豆闭环田间试验，MPC在20 s激活，清洗损失和破碎快速降至约1.2–1.5%，含杂约10 s内低于1.0%；控制器增加风机转速、略降前进和滚筒速度、调整筛孔和间隙；指标回到目标范围后仅间歇修正，符合双采样触发和目标型MPC目标。

讨论与结论：该研究通过将脱粒-分离负载、清选负载、处理能力限制、过载发展和杂质积累嵌入统一状态空间，保留了物理可解释过程结构，并提供适用于控制的非线性预测器。预测时域分析表明，在当前MPC配置下，一步滚动时域在控制性能与计算成本间具有有利平衡；由于仅优化当前控制动作且未来扰动采用持续性假设，延长时域会增加状态传播和不确定性而未增加未来控制自由度，因此该结果特定于当前控制器结构。局部仿射方法的主要实际贡献是避免在线反复求解完整非线性预测模型，而在当前工作点附近构建输入-输出灵敏度模型用于有界优化，降低计算负担并保留局部预测信息。局限包括：灰箱建模框架在小麦和大豆评估，但物理闭环MPC仅在大豆验证；系数为作物特异；田间性能来自单台GK-150、单一试验点和单一收获季；局部仿射仅在当前工作点附近有效，在线传感不确定性会影响状态更新和触发；结果展示测试操作域内可行性而非普适可迁移性。未来需跨机器、作物、地点、季节及更宽喂入和水分条件验证，并研究参数迁移、在线适应和不确定性感知控制。研究结论部分可译为：本研究建立了面向联合收割机协调质量调节的物料流灰箱状态空间模型，并与局部仿射模型预测控制相结合。通过将脱粒-分离负载、清选负载、处理能力限制、过载发展和杂质积累嵌入统一状态空间表示，该模型保留了物理可解释的过程结构，同时提供了适用于控制的非线性预测器。在完整独立大豆交叉图验证数据集上，模型对清洗损失、含杂率和破碎率的R²分别为0.9598、0.9150和0.9312，高于复现PSO-WNN基线的0.8022、0.8255和0.8621。预测时域分析表明，在当前MPC配置下，一步滚动时域在控制性能与计算成本之间提供了有利平衡。田间试验中，局部仿射MPC协调七个操作变量，相对Static-RSM基线使清洗损失、含杂率和破碎率分别降低45.93%、54.08%和34.35%，同时保持基线清洁谷物吞吐量的100.62%；平均优化时间为0.60 s，P95为0.62 s，最大值为0.63 s，无优化调用超过1 s控制间隔。局部仿射方法的主要实际贡献在于避免在线反复求解完整非线性预测模型，而是在当前工作点附近对非线性灰箱模型进行局部近似，构建输入-输出灵敏度模型用于有界优化，从而在降低计算负担的同时保留与协调控制相关的局部预测信息。