农业拖拉机负载信号的自适应去噪方法研究及特性分析

《Computers and Electronics in Agriculture》：Research on adaptive denoising methods and characteristic analysis of load signals in agricultural tractors

　　•10赫兹以下的能量来源于随机性源（<2赫兹）和特征性周期性源。•耕作时出现的2.0–2.5赫兹的峰值表明土壤存在周期性剪切破坏现象。•旋耕产生的4.6–4.9赫兹峰值与刀片轴的旋转频率一致。•工况变化会改变随机载荷的幅值，但不会改变其周期性特征。

引言
在拖拉机运行过程中，发动机、传动系统以及动力输出装置等部件都会承受复杂的动态载荷（Angelucci和Mattetti，2024）。这些载荷源于土壤与农具之间的复杂相互作用、瞬态运行过程以及多变的作业环境。准确描述这些载荷的时频特性及统计参数，对于预测部件的疲劳寿命、优化结构设计以及确保传动系统各部件的匹配至关重要（Wen等人，2020）。此外，这类特性分析还有助于根据载荷特点制定精准的控制策略，提升农业机械系统的能源效率（Angelucci等人，2025；Zhuang等人，2025）。

大量实验研究已系统地阐明了拖拉机传动系统载荷的固有特性。Li（1982）分析了东风-50型拖拉机驱动轴上的扭矩数据。由于当时缺乏分析非平稳随机过程的可靠方法，该研究将轴扭矩视为平稳随机过程来建模。所得到的功率谱密度主要集中于20赫兹以下，其幅值分布近似正态分布。Wang和Sha（1987）进一步证明，在车辆启动或犁具开始作业等瞬态工况下，传动系统载荷表现出明显的非平稳性。这种特性表现为与离合器结合相关的剧烈波动和机械冲击。在这种工况下，系统的动态响应类似于受到阶跃输入的线性系统。

在土壤与农具相互作用层面，John和Page（1988）对犁具所受的力进行了频谱分析，发现其载荷频率低于10赫兹，这主要是由土壤的周期性剪切破坏造成的。Glancey等人（1989）进一步表明，凿形犁刀的牵引力呈周期性变化，这一变化与土壤的周期性断裂直接相关，其主导频率与作业速度及土壤的物理性质密切相关。Owen等人（1990）指出，在深松作业过程中，垂直方向的力有88%的波动以及水平方向力的95%的波动都发生在3赫兹以下，而5–10赫兹范围内的明显频谱峰则与土壤剪切面的形成直接相关。Hussain等人（1991）观察到，在重黏土土壤中，耕作时的犁具牵引力存在0.4到2.5赫兹之间的周期性波动。低频成分反映了整体的土壤断裂过程，而高频成分则与犁面上土壤团块的破碎有关。Chen等人（1997）将耕作载荷的频率分为两个主要区间：0–2赫兹，这一区间与土壤的不均匀性以及土壤破坏的随机性有关；2–15赫兹，则以系统引发的随机振动为主。Fang等人（1999）发现，在耕作作业中，发动机的载荷表现为随机信号，其能量集中在5赫兹以下，而旋耕的载荷则是由周期性谐波成分与随机波动共同构成的。Kosti?等人（2014）通过频谱分析证实，耕作时犁具所受牵引阻力的主导频率范围不超过5赫兹。总体而言，这些研究都一致揭示了拖拉机作业载荷的固有特性：它们主要以低频为主，由多个重叠的频率带构成，同时兼具周期性和随机性特征，且往往具有明显的非平稳性。

要有效提取载荷特性并抑制测量噪声，就离不开合适的信号处理技术。传统方法大多采用时域滤波或固定参数的频域滤波器。例如，Hussain等人（1991）就采用了移动平均法对信号进行平滑处理。Hayhoe等人（2002）则使用截止频率为10赫兹的四阶低通滤波器来处理耕作时的犁具牵引力数据。然而，这类方法本质上都假定信号是平稳的。在实际的田间作业中，由于作业工况频繁变化，载荷往往具有高度的非平稳性。因此，那些无法适应信号动态变化的传统滤波技术，往往会导致信号失真过度或噪声抑制不足。

此外，拖拉机载荷通常是由周期性成分与多频段随机波动共同构成的。这种组成反映了复杂的物理机制，给传统滤波方法有效分离多种成分的信号带来了很大挑战。而且，维纳滤波需要准确了解信号的统计特性，卡尔曼滤波则依赖于对噪声特性及其协方差的精确建模，小波阈值去噪则严重依赖对母小波及分解级的经验选择（Zhou等人，2023）。在复杂且多变的田间条件下，噪声特性往往难以预测，这就限制了这些方法的应用，也降低了它们的去噪效果。总之，拖拉机载荷本质上是多成分、非线性且非平稳的信号，是由多种物理机制的共同作用产生的。那些基于平稳性假设且需要手动指定参数的传统滤波方法，在处理这类复杂信号时存在固有局限。因此，迫切需要更先进的自适应信号处理方法。黄等人（1998）提出的经验模态分解方法作为一种完全自适应的时频分析技术，极大地推动了该领域的发展。Yan等人（2019）将基于EMD的软阈值去噪方法应用于载荷信号处理，并采用了边界局部特征尺度扩展算法来消除端点效应。他们的方法相比传统方法具有更好的去噪效果。不过，该方法也存在模态混合和过度分解等问题，从而降低了去噪效率。为了解决这些缺陷，研究人员随后开发出了几种改进版本，包括局部均值分解、集成EMD、互补集成EMD、带有自适应噪声的完整集成EMD以及改进型的带有自适应噪声的完整集成EMD（ICEEMDAN）（Bommidi等人，2023）。尽管这些方法在减轻模态混合方面较为有效，但它们仍然对噪声和采样条件较为敏感，且缺乏严谨的数学基础（Yang等人，2023）。

为克服上述局限性，Dragomiretskiy和Zosso（2014）提出了VMD方法。VMD建立在严谨的数学框架之上，在噪声识别和成分分离方面表现优于EMD及其各种改进版本。此后，该方法被广泛应用于多个领域，包括心电图信号处理（Li等人，2022a）、滚动轴承故障诊断（Shen等人，2025）、雷达杂波抑制（Tang等人，2024），以及植物电生理信号和地震信号的去噪处理（Gu等人，2024；Ran等人，2024）。不过，VMD本身也存在一些局限性（Qi等人，2022）。具体来说，它的两个关键参数——内在模态函数的数量K以及二次惩罚系数α——如果选择不当，就会显著影响分解质量。

因此，当前的研究中还存在两个尚未解决的关键问题：其一，缺乏一种专为复杂田间条件下拖拉机高度非平稳载荷信号设计的完全自适应去噪框架；其二，目前还未能建立起从提取出的去噪频谱特征到其背后的土壤与农具相互作用机制之间的联系。为应对这两大挑战，本研究的主要目标是开发并验证一种适用于拖拉机载荷信号的完全自适应去噪框架，从而建立起去噪频谱特征与土壤-农具作用机制之间更为清晰的关联。本研究的具体目标有三：第一，通过将MPSO与VMD相结合，无需事先掌握相关参数即可自动确定K和α的最佳值；第二，利用基于熵的指标以及IWTD方法，系统地筛选并过滤出相关的内在模态函数；第三，在实际的田间作业条件下，重建高质量的去噪信号，并对载荷特性进行深入分析，最终阐明去噪后的特征与土壤-农具相互作用之间的内在联系。本研究的整体工作流程如图1所示。与现有研究相比，本研究的主要贡献如下：
1）10赫兹以下的能量来源于随机性源（<2赫兹）和特征性周期性源。
2）耕作时出现的2.0–2.5赫兹的峰值表明土壤存在周期性剪切破坏现象。
3）旋耕产生的4.6–4.9赫兹峰值与刀片轴的旋转频率一致。
4）工况变化会改变随机载荷的幅值，但不会改变其周期性特征。

本文的其余部分结构如下。第2节介绍了研究材料与方法，包括土壤与机械的相互作用机制、自适应去噪的数学框架、仿真试验的设置、田间试验的设置以及去噪效果的评估指标。第3节展示了研究结果与讨论内容，首先通过参数优化和方法比较对仿真信号的去噪处理结果进行了详细分析，随后又分析了不同作业工况和工况转换过程中的载荷信号特性。最后，第4节总结了本研究的主要发现，并对整个研究工作进行了总结。

土壤与机械的相互作用机制
在耕作作业过程中，拖拉机会带动耕犁沿着直线前进。犁头会插入土壤中，在牵引力的作用下，其切割面会对土壤施加推力，从而导致土壤破碎，进而完成土壤切割作业。Saunders等人（2000）提出了一种用于计算耕犁牵引力的解析方法。该方法全面考虑了犁头和犁刃对土壤施加的力，以及……VMD参数优化与去噪过程
为了评估初始阶段的全局搜索能力以及后期执行过程中的收敛性能，本研究使用模拟载荷信号，在四种不同的信噪比水平（0分贝、5分贝、15分贝和25分贝）下，对比了基于MPSO的VMD参数优化方法与传统PSO算法的性能。为了便于比较，两种算法均采用相同的初始参数：种群规模为10，最大迭代次数为30，分解模式的数量K为……

结论
本研究针对农业机械中田间载荷信号失真的问题，提出了一种整合了MPSO、VMD和IWTD技术的系统性自适应去噪框架，有效解决了这一问题。本研究得出的主要结论如下：
1）根据拖拉机作业过程中随机载荷的功率谱特性，本研究提出了一种仿真信号构建方法，该方法是在基于目标功率谱密度生成的随机载荷信号上叠加高斯白噪声。

CRediT作者贡献说明
Shenghui Lei：撰写——初稿、方法论、研究实施、数据整理。Mengnan Liu：撰写——审阅与编辑、研究指导、资源提供、项目管理、资金申请、概念构思。Yanxin Yin：撰写——审阅与编辑、结果验证、形式化分析。Jing Liang：撰写——审阅与编辑、结果可视化、软件应用。

资金支持
本研究得到了中国机械工业集团有限公司青年科技基金（项目编号QNJJ-ZD-2022-03）以及国家自然科学基金（项目编号U23A20340）的资助。

利益冲突声明
作者声明不存在任何可能影响本研究结果的已知财务利益或个人关系。

致谢
作者感谢匿名审稿人提出的宝贵意见和建议，这些意见和建议有助于提升论文的质量。

Shenghui Lei|Mengnan Liu|Yanxin Yin|Jing Liang