《Journal of Terramechanics》：Tractive performance prediction of a track-type walking tractor using machine learning
编辑推荐：
摘要牵引效率是履带式步行拖拉机的关键性能参数，尤其是在多变工况下的重载牵引作业中。传统的经验性牵引模型由于其简化假设和对非线性土壤-履带相互作用的不足表示，往往准确性有限。本研究提出了一种基于机器学习的框架，利用实验现场数据来预测履带式步行拖拉机的牵引效率。该步行拖拉机配备了用于
摘要
牵引效率是履带式步行拖拉机的关键性能参数，尤其是在多变工况下的重载牵引作业中。传统的经验性牵引模型由于其简化假设和对非线性土壤-履带相互作用的不足表示，往往准确性有限。本研究提出了一种基于机器学习的框架，利用实验现场数据来预测履带式步行拖拉机的牵引效率。该步行拖拉机配备了用于测量关键牵引性能参数的仪器。开发并评估了多种机器学习算法，这些算法使用了基于物理的输入数据，包括圆锥指数、履带打滑、牵引杆拉力、发动机转速和齿轮选择，以牵引效率作为输出变量。共有176个数据样本被用于模型的训练和测试（比例为80:20），另外还收集了88个独立样本用于验证。在评估的算法中，支持向量机（SVM）表现出最高的预测精度，在独立数据集上的平均百分比变异率为0.57%。敏感性分析和Shapley加性解释表明，履带打滑、牵引杆拉力和土壤强度是影响牵引效率的主要参数。经过验证的SVM模型通过图形用户界面实现，以帮助在不同地形条件下操作履带式步行拖拉机时进行性能评估和决策支持。
引言
步行拖拉机，通常被称为动力耕作机，是小规模和边缘农民的重要农用动力来源，特别是在亚洲和其他发展中国家。然而，由于只有少量的发动机制动力能够转化为可用牵引杆功率，因此它们在重载牵引作业中的使用仍然受到限制，这主要是由于过度打滑、接触面积有限以及土壤-轮子之间的相互作用不良（Narang和Varshney, 1995; Narang和Varshney, 2006）。因此，提高步行拖拉机的牵引性能对于提升其作业效率和野外适用性至关重要。
橡胶履带已被证明可以通过增加接触面积、改善负载分布和降低地面压力来增强越野车辆的牵引力。对比研究一致表明，与轮式配置相比，履带系统在软质和粘性土壤条件下的牵引性能更优越（Esch等人，1990；Zoz，1997；Bashford和Kocher，1999；Wong和Huang，2006；Molari等人，2012）。随后，对装有橡胶履带的步行拖拉机进行的实验研究表明，在广泛的土壤强度范围内，其牵引杆拉力和牵引效率都得到了显著提升，最佳牵引效率（TE）出现在较低的打滑值和较宽的净牵引比范围内（Rasool和Raheman，2016；Rasool和Raheman，2018）。
已经提出了多种基于经验和回归的模型来预测轮式和履带车辆的牵引性能参数（Wismer和Luth，1973；Brixius，1987；Al-Hamed等人，1994；Grisso等人，2006）。尽管这些模型有用，但它们往往受到简化假设的限制，并且对不同的土壤和工况适应性较差，从而导致预测精度降低。土壤-履带相互作用本质上是非线性的，受多种相互依赖因素的影响，这些因素难以用传统的分析方法充分表示。
最近的研究表明，包括机器学习（ML）在内的数据驱动方法可以补充传统的地形力学方法，尤其是在非线性车辆-地形相互作用占主导的情况下。ML方法在农业工程中成功应用于预测牵引力、滚动阻力、土壤-工具相互作用和机器性能，通常优于传统的经验性和分析模型（Gharibkhani等人，2012；Taghavifar和Mardani，2014；Mahore等人，2024；Yadav和Raheman，2023；Golanbari等人，2024）。尽管取得了这些进展，但基于ML的方法在评估车辆和履带类型车辆的性能和优化方面仍大多未被探索。
因此，本文旨在利用实验现场数据开发一个基于ML的模型来预测履带式步行拖拉机的牵引效率（TE），并通过合适的图形用户界面（GUI）部署该模型，以便在不同工况下进行可靠的性能评估。此外，本研究的结果预计将提供一种强大的决策支持工具，以提升履带式步行拖拉机的性能。
章节摘录
材料与方法
在本研究中，一台改装后的9.7千瓦履带式步行拖拉机配备了各种传感器，以评估其牵引性能。该拖拉机的规格列在表1中。
牵引杆拉力和TE随履带打滑的变化
图6和图7分别展示了不同地形条件下牵引杆拉力和TE随履带打滑的变化情况。数据集包括Rasool和Raheman（2018）报告的结果，涉及CI值为250、500和1000千帕的土壤以及本研究中CI值为1200和1600千帕的土壤，共计264个数据点。牵引杆拉力随着打滑的增加而增加，达到一个临界限值后趋于稳定。
结论
本研究开发并验证了一个基于ML的框架，利用实验现场数据来预测履带式步行拖拉机的牵引效率（TE）。TE在5%到17%的打滑范围内达到峰值，而在更高打滑水平时下降；同时，牵引杆拉力随着打滑的增加而增加，直到达到一个稳定的最大值，这个最大值取决于土壤强度。在评估的ML模型中，SVM的准确性最高，平均百分比变异率为0.57%，优于现有的经验方法。
作者贡献声明
Swastik Mahakur：撰写——原始稿件、验证、软件、方法论、调查、正式分析、数据整理。Hifjur Raheman：撰写——审阅与编辑、监督、方法论、数据整理、概念化。Showkat Rasool：方法论、调查、数据整理。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
Swastik Mahakur|Hifjur Raheman|Showkat Rasool
