胡菊芬，尹強(qiáng)飛

(江西現(xiàn)代職業(yè)技術(shù)學(xué)院，南昌 330095)

?

水稻秸稈深埋整稈還田裝置設(shè)計(jì)
——基于數(shù)據(jù)庫(kù)集群系統(tǒng)框架

胡菊芬，尹強(qiáng)飛

(江西現(xiàn)代職業(yè)技術(shù)學(xué)院，南昌 330095)

農(nóng)作物的秸稈還田可以改良土壤性能，增強(qiáng)土壤肥力，進(jìn)而提高作物產(chǎn)量。為了提高水稻秸稈深埋還田裝置的性能，對(duì)裝置的性能和作業(yè)參數(shù)進(jìn)行深入研究，針對(duì)裝置埋深、土壤密度和裝置行進(jìn)速度3個(gè)影響因素水平，設(shè)計(jì)了裝置性能測(cè)試的正交試驗(yàn)，并在實(shí)驗(yàn)平臺(tái)上對(duì)不同方案的裝置阻力進(jìn)行了測(cè)試。為了有效地采集和保存?zhèn)鞲衅鞯臄?shù)據(jù)，提出了一種面向物聯(lián)網(wǎng)海量傳感器采樣數(shù)據(jù)管理的數(shù)據(jù)庫(kù)集群系統(tǒng)框架(IoT-ClusterDB)，傳感器的阻力歷次采樣值被保存為采樣數(shù)據(jù)序列，可以支持對(duì)數(shù)據(jù)的復(fù)雜邏輯查詢(xún)和分布式索引查詢(xún)，支并持關(guān)鍵字和時(shí)空查詢(xún)。最后，通過(guò)實(shí)驗(yàn)得到了不同影響因素水平正交試驗(yàn)的裝置阻力數(shù)值。實(shí)驗(yàn)表明：IoT-ClusterDB具有良好的傳感器數(shù)據(jù)接入與查詢(xún)處理性能，從而縮短了秸稈深埋裝置的整個(gè)設(shè)計(jì)周期，提高了設(shè)計(jì)效率。

水稻；秸稈還田；數(shù)據(jù)庫(kù)集群；數(shù)據(jù)序列

0 引言

隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，秸稈已成為一種可再生資源，加之糧食產(chǎn)量的穩(wěn)步提高，秸稈的產(chǎn)量也在大幅度地增加，近年來(lái)我國(guó)秸稈的產(chǎn)量達(dá)到了數(shù)億噸。秸稈可以作為新能源開(kāi)發(fā)、飼料或者直接還田；但我國(guó)對(duì)于秸稈的利用率較低，大部分采用直接廢棄或者焚燒等方式處理，不僅浪費(fèi)了資源，也引發(fā)了更多的環(huán)境污染問(wèn)題。將秸稈深埋還田可以有效地解決秸稈浪費(fèi)及環(huán)境污染問(wèn)題，對(duì)于循環(huán)農(nóng)業(yè)的發(fā)展具有重要的意義。秸稈深埋裝置是秸稈還田的重要設(shè)備，在進(jìn)行設(shè)計(jì)時(shí)，裝置行進(jìn)阻力是主要的作業(yè)性能指標(biāo)，但在利用傳感器對(duì)阻力值進(jìn)行采集時(shí)，需要借助傳感器采樣數(shù)據(jù)集中管理系統(tǒng)，使傳感器采集得到的數(shù)據(jù)按照傳輸規(guī)則傳遞采集數(shù)據(jù)，從而形成海量的異構(gòu)數(shù)據(jù)流，對(duì)于數(shù)據(jù)的保存和查詢(xún)具有重要的意義。

1 水稻秸稈深埋還田裝置設(shè)計(jì)

John Deere-HX 秸稈粉碎還田機(jī)，通過(guò)重型旋轉(zhuǎn)式刀具高速運(yùn)轉(zhuǎn)將秸稈粉碎還田，該粉碎機(jī)的動(dòng)力由拖拉機(jī)提供，其作業(yè)幅度大，效率高，機(jī)架可以向上折起，節(jié)省了設(shè)計(jì)空間和尺寸，并且運(yùn)輸也非常方便，如圖1所示。

圖1 秸稈粉碎還田機(jī)

秸稈還田的方式有多種，而深埋還田除了具有一般秸稈還田的優(yōu)點(diǎn)之外，還可以防治農(nóng)田的水肥流失，對(duì)土壤的蓄肥和保溫具有重要的作用。秸稈深埋還田裝置的主要結(jié)構(gòu)如圖2所示。

1.梳壓裝置 2.連桿機(jī)構(gòu) 3.前滑輪 4.后滑輪 5.提升臂 6.下拉桿 7.上拉桿 8.深埋犁

圖2中，梳壓結(jié)構(gòu)主要負(fù)責(zé)把秸稈梳順，其動(dòng)力來(lái)源于拖拉機(jī)，深埋犁通過(guò)深翻土，將水稻秸稈進(jìn)行掩埋，其設(shè)計(jì)流程如圖3所示。

圖3 秸稈深埋裝置設(shè)計(jì)技術(shù)路線圖

設(shè)計(jì)時(shí)，首先需要確立設(shè)計(jì)目標(biāo)，然后對(duì)裝置進(jìn)行詳細(xì)設(shè)計(jì)，利用實(shí)驗(yàn)樣機(jī)對(duì)裝置進(jìn)行實(shí)驗(yàn)，結(jié)合建模仿真分析，驗(yàn)證實(shí)驗(yàn)數(shù)據(jù)的可靠性。在裝置的設(shè)計(jì)過(guò)程中，裝置性能的好壞主要可以通過(guò)土壤對(duì)深犁裝置的阻力來(lái)進(jìn)行表征，而阻力需要利用傳感器來(lái)測(cè)量，在傳感器測(cè)量過(guò)程中會(huì)產(chǎn)生大量的實(shí)時(shí)數(shù)據(jù)，針對(duì)數(shù)據(jù)的存儲(chǔ)、處理以及后續(xù)的查詢(xún)問(wèn)題，提出了一種面向物聯(lián)網(wǎng)海量傳感器采樣數(shù)據(jù)管理的數(shù)據(jù)庫(kù)集群系統(tǒng)框架。在IoT-ClusterDB中，對(duì)于同一個(gè)被測(cè)試的對(duì)象，傳感器的歷次采樣值被保存為采樣數(shù)據(jù)序列，利用時(shí)空計(jì)算和查詢(xún)操作，可以支持對(duì)數(shù)據(jù)的復(fù)雜邏輯查詢(xún)。此外，IoT-ClusterDB是一個(gè)分布式的大數(shù)據(jù)系統(tǒng)，可以通過(guò)分布式索引和查詢(xún)，支持關(guān)鍵字和時(shí)空查詢(xún)。

2 秸稈深埋裝置結(jié)構(gòu)和強(qiáng)度校核

為了合理的優(yōu)化秸稈深埋裝置的結(jié)構(gòu)和強(qiáng)度，設(shè)計(jì)了秸稈深埋裝置的實(shí)驗(yàn)樣機(jī)，主要由伺服電機(jī)、控制柜、導(dǎo)軌、土槽和滑動(dòng)小車(chē)等構(gòu)成，其主要部件是深埋秸稈的犁刀。整機(jī)模型的示意圖如圖4所示。

試驗(yàn)中，秸稈深施裝置安裝在滑動(dòng)小車(chē)上，行進(jìn)的速度可以通過(guò)伺服電機(jī)的轉(zhuǎn)速進(jìn)行調(diào)節(jié)，深度可以通過(guò)改變導(dǎo)軌的高度來(lái)實(shí)現(xiàn)。

1.懸掛裝置 2.變速箱 3.秸稈粉碎滾筒 4.甩刀 5.殼體

在對(duì)秸稈深埋裝置的結(jié)構(gòu)進(jìn)行設(shè)計(jì)時(shí)，主要需要對(duì)變速箱的齒輪進(jìn)行校核。齒輪的載荷系數(shù)選擇kt=1.6，材料的彈性影響系數(shù)ZE=189.8，節(jié)點(diǎn)區(qū)域系數(shù)ZH=2.42。根據(jù)齒面的硬度，小齒輪的接觸疲勞強(qiáng)度極限設(shè)計(jì)為σHlim1=650MPa，大齒輪的接觸疲勞強(qiáng)度極限設(shè)計(jì)為σHlim2=550MPa。其中，齒輪的接觸疲勞壽命系數(shù)為KHN1=0.97，KHN2=1.03，安全系數(shù)為SH=1，則許用應(yīng)力的大小為

(1)

(2)

設(shè)計(jì)時(shí)，齒輪的最大應(yīng)力不能超過(guò)許用應(yīng)力。為了增加設(shè)計(jì)的可靠性，本研究通過(guò)數(shù)值仿真模擬的方式對(duì)犁刀鏟體進(jìn)行了三維建模。假設(shè)鏟體的單元應(yīng)力為u和v，利用虛功原理可以得到單元的剛度矩陣，當(dāng)應(yīng)力的狀態(tài)為平面應(yīng)力時(shí)，單元的應(yīng)變可以寫(xiě)成

(3)

(4)

假定是各向同性的線彈性材料，對(duì)于平面應(yīng)力狀態(tài)，有

σ=Dε

(5)

(6)

其中，E為楊氏模量，μ為泊松比。三維建模和裝置優(yōu)化過(guò)程如圖5所示。

圖5 三維建模和裝置優(yōu)化流程示意圖

根據(jù)試驗(yàn)樣機(jī)的各種尺寸參數(shù)，可以確定虛擬仿真的樣機(jī)尺寸；然后，根據(jù)試驗(yàn)條件對(duì)樣機(jī)施加邊界條件，通過(guò)模擬計(jì)算可以得到鏟體受到的阻力；最后，通過(guò)與試驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比，驗(yàn)證數(shù)據(jù)的可靠性。

3 秸稈深埋裝置試驗(yàn)

為了研究秸稈深埋裝置設(shè)計(jì)的影響因素，建立秸稈深埋裝置參數(shù)優(yōu)化的數(shù)據(jù)庫(kù)系統(tǒng)，設(shè)計(jì)了秸稈深埋裝置的實(shí)驗(yàn)平臺(tái)，秸稈經(jīng)切碎裝置切碎后直接進(jìn)入深埋裝置的秸稈箱里。秸稈深埋是秸稈還田的最后一道工序，深埋犁刀鏟體安裝在主機(jī)架上。試驗(yàn)平臺(tái)的總體結(jié)構(gòu)如圖6所示。

圖6 秸稈深埋性能測(cè)試試驗(yàn)臺(tái)

本次試驗(yàn)主要對(duì)犁刀鏟體的阻力進(jìn)行測(cè)試，力大小主要通過(guò)傳感器進(jìn)行采集，然后將傳感器和IoT-ClusterDB建立數(shù)據(jù)接口，實(shí)現(xiàn)實(shí)驗(yàn)數(shù)據(jù)的實(shí)時(shí)分析。試驗(yàn)中使用的傳感器如圖7所示。

圖7 拉壓力傳感器

該傳感器的型號(hào)為BLR-1/300，適用范圍為動(dòng)力和靜力的測(cè)試，具有體積小和測(cè)試穩(wěn)定等優(yōu)點(diǎn)。拉力傳感器測(cè)試的結(jié)果可以直接存儲(chǔ)到IoT-ClusterDB系統(tǒng)中，該系統(tǒng)提供了傳感器測(cè)試阻力的查詢(xún)和處理功能，從而提高了整個(gè)設(shè)計(jì)的效率。

為了驗(yàn)證試驗(yàn)的可靠性，設(shè)計(jì)了仿真模擬作為對(duì)照，使用Pro/E5.0軟件進(jìn)行三維建模，并將模型保存為Parasolid(*.x_t)格式，然后導(dǎo)入到ADAMS 軟件中進(jìn)行運(yùn)動(dòng)學(xué)仿真。犁刀鏟體三維模型如圖8所示。仿真之前設(shè)置了零件和土壤的材料屬性，設(shè)計(jì)了接觸運(yùn)動(dòng)副，并添加了運(yùn)動(dòng)速度。通過(guò)仿真計(jì)算，得到了犁刀開(kāi)始運(yùn)動(dòng)時(shí)的阻力隨時(shí)間變化曲線，將其和試驗(yàn)值進(jìn)行對(duì)比，得到了如圖9所示的結(jié)果對(duì)比曲線。

圖8 犁刀鏟體三維模型

圖9 試驗(yàn)和仿真結(jié)果對(duì)比

由圖9可以看出：試驗(yàn)和仿真的結(jié)果基本吻合，從而驗(yàn)證了試驗(yàn)的可靠性。秸稈深埋裝置作業(yè)性能的主要影響因素包括埋深、土壤密度和裝置行進(jìn)速度。為了研究3個(gè)因素對(duì)裝置的影響，利用3個(gè)試驗(yàn)因素設(shè)計(jì)了3水平的正交試驗(yàn)。影響因素的水平如表1所示。

表1 影響因素水平表

表1表示影響秸稈深埋裝置性能參數(shù)的3個(gè)因素，包括埋深、土壤密度和速度。不考慮這3個(gè)因素之間的相互作用，通過(guò)正交試驗(yàn)，將傳感器測(cè)得的數(shù)據(jù)利用IoT-ClusterDB系統(tǒng)進(jìn)行處理，可以實(shí)時(shí)得到實(shí)驗(yàn)處理結(jié)果，如表2所示。

表2 試驗(yàn)結(jié)果表

續(xù)表2

按照表2所示的試驗(yàn)方案在實(shí)驗(yàn)臺(tái)上進(jìn)行正交試驗(yàn)，將試驗(yàn)得到的阻力數(shù)據(jù)填入到表2中。性能指標(biāo)為阻力數(shù)值，阻力的值越小，裝置的性能越好。由表2可以看出：

1)對(duì)于因素A，埋深12cm時(shí)效果最佳；

2)對(duì)于因素A，土壤密度1.2g/cm3時(shí)效果最佳；

3)對(duì)于因素A，行進(jìn)速度0.8km/h的效果最佳。

3個(gè)因素的最佳水平組合為A3B3C3，將試驗(yàn)結(jié)果導(dǎo)入IoT-ClusterDB系統(tǒng)，并進(jìn)行阻力的響應(yīng)曲面的分析，以提高設(shè)計(jì)的效率和準(zhǔn)確性。

4 結(jié)語(yǔ)

針對(duì)秸稈深埋還田裝置作業(yè)水平的影響因素，以埋深、土壤密度和裝置行進(jìn)速度3項(xiàng)作為影響因素，設(shè)計(jì)了裝置性能測(cè)試的正交試驗(yàn)。為了有效地采集和保存?zhèn)鞲衅鞯臄?shù)據(jù)，將傳感器的阻力歷次采樣值保存為采樣數(shù)據(jù)序列，該方案可以支持對(duì)數(shù)據(jù)的復(fù)雜邏輯查詢(xún)和分布式索引查詢(xún)，并支持關(guān)鍵字和時(shí)空查詢(xún)。通過(guò)試驗(yàn)得到了不同影響因素水平正交試驗(yàn)的裝置阻力數(shù)值。通過(guò)數(shù)據(jù)采集試驗(yàn)發(fā)現(xiàn)：IoT-ClusterDB具有良好的傳感器數(shù)據(jù)接入與查詢(xún)處理性能。由于時(shí)間和計(jì)算條件的限制，沒(méi)有考慮秸稈深埋裝置性能的更多影響因素，對(duì)于IoT-ClusterDB也沒(méi)有做更加深入和系統(tǒng)的研究。在后續(xù)的研究工作中，可以結(jié)合數(shù)據(jù)庫(kù)集群框架，得到試驗(yàn)因素對(duì)行進(jìn)阻力的響應(yīng)曲面，進(jìn)一步建立裝置的優(yōu)化參數(shù)數(shù)據(jù)庫(kù)系統(tǒng)，提高裝置的設(shè)計(jì)精度和效率。

[1] 史俊茹,黑敏星,楊軍.一種物聯(lián)網(wǎng)數(shù)據(jù)管理框架研究[J].計(jì)算機(jī)科學(xué),2015,10(12):294-298.

[2] 李昕龍,張玲,李坤,等.面向物聯(lián)網(wǎng)傳感器信息的數(shù)據(jù)分配策略[J].計(jì)算機(jī)研究與發(fā)展,2013,10(15): 297-305.

[3] 張燕.基于物聯(lián)網(wǎng)海量數(shù)據(jù)處理的數(shù)據(jù)庫(kù)技術(shù)分析與研究[J].計(jì)算機(jī)光盤(pán)軟件與應(yīng)用,2014,2(19):97- 99.

[4] 鄭孝國(guó).秸稈利用技術(shù)與現(xiàn)狀分析[J].華章,2012(36): 364.

[5] 曹瑩,王秀英,孟軍,等.秸稈利用現(xiàn)狀及其生物炭化前景探析—以遼寧省彰武縣為例[J].作物雜志, 2012(4):9-12.

[6] 謝文艷,樊貴盛,周懷平.秸稈還田方式對(duì)旱地玉米產(chǎn)量和水分利用效率的影響[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011, 42(11):60-67.

[7] 慕平,張恩和,王漢寧,等.不同年限全量玉米秸稈還田對(duì)玉米生長(zhǎng)發(fā)育及土壤理化性狀的影響[J].中國(guó)生態(tài)應(yīng)用學(xué)報(bào),2012,20(3):291-296.

[8] 趙偉,陳雅君,王宏燕,等.不同秸稈還田方式對(duì)黑土土壤氮素和物理性狀的影響[J].玉米科學(xué),2012,20 (6):98-102.

[9] 鄭建斌.秸稈還田對(duì)水稻產(chǎn)量與土壤性狀的研究初探[J].中國(guó)農(nóng)業(yè)信息,2012(11):55.

[10] 楊濱娟,錢(qián)海燕,黃國(guó)勤,等.秸稈還田及其研究進(jìn)展[J].農(nóng)學(xué)學(xué)報(bào),2012,2(5):1-4.

[11] 孔德剛,張超,張帥,等.秸稈深施機(jī)單體設(shè)計(jì)及秸稈深施裝置的試驗(yàn)研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2013, 44(2):115-120.

[12] 楊林,楊斌,康金波.SGTN-160 型滅茬旋耕起壟機(jī)的研發(fā)簡(jiǎn)介[J].農(nóng)業(yè)機(jī)械,2009(6):86-87.

[13] 戴飛,張鋒偉,趙春花,等.快速腐熟秸稈還田機(jī)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(4):47-51.

[14] 王文明,王春光.彈齒滾筒撿拾裝置的研究與發(fā)展[J].農(nóng)機(jī)化研究,2012,34(10):221-225.

[15] 王慶惠,王學(xué)農(nóng),陳發(fā),等.滾刀式秸稈粉碎裝置的設(shè)計(jì)及實(shí)驗(yàn)研究[J].新疆農(nóng)業(yè)科學(xué),2012,49(2): 279- 284.

[16] 孔德剛,翟利民,劉立意,等.秸稈深施還田歷經(jīng)時(shí)間對(duì)蓄水效果的影響[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,44 (5):90-97.

[17] 陳運(yùn)鵬,龍慧,劉志杰.我國(guó)施肥技術(shù)與施肥機(jī)械的研究現(xiàn)狀及對(duì)策[J].農(nóng)機(jī)化研究,2015,37(4):255-260.

[18] 姬江濤,鄭治華,杜蒙蒙.農(nóng)業(yè)機(jī)器人的發(fā)展現(xiàn)狀及趨勢(shì)[J].農(nóng)機(jī)化研究,2014,36(12):1-4.

[19] 喬永亮,何東鍵,趙川源,等.基于多光譜圖像和SVM的玉米田間雜草識(shí)別[J].農(nóng)機(jī)化研究,2013,35(8):30-34.

[20] 姬長(zhǎng)英,周俊.農(nóng)業(yè)機(jī)械導(dǎo)航技術(shù)發(fā)展分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(9):44-54.

[21] 孟慶寬,何潔,仇瑞承,等.基于機(jī)器視覺(jué)的自然環(huán)境下作物行識(shí)別與導(dǎo)航線提取[J].光學(xué)學(xué)報(bào),2014,34(7): 1-7.

[22] 劉金龍,鄭澤鋒,丁為民,等.對(duì)靶噴霧紅外探測(cè)器的設(shè)計(jì)與探測(cè)距離測(cè)試[J].江蘇農(nóng)業(yè)科學(xué),2013,41(7): 368-370.

[23] 傅錫敏,薛新宇.基于我國(guó)施藥技術(shù)與裝備現(xiàn)狀的發(fā)展思路[J].中國(guó)農(nóng)機(jī)化,2008(6):72-76.

[24] 傅澤田,祁力鈞,王俊紅.精確施藥拉術(shù)研究進(jìn)展與對(duì)策[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2007,38(1):189-192.

[25] 胡煉,羅錫文,曾山,等.基于機(jī)器視覺(jué)的株間機(jī)械除草裝置的作物識(shí)別與定位方法[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(10):12-18.

Design of Deep Buried and Whole Straw Returning Device of Rice Straw Based on Database Cluster System

Hu Jufen, Yin Qiangfei

(Jiangxi Modern Ploytechnic College，Nanchang 330095,China)

Crop straw returning to the field can improve the soil properties, enhance the soil fertility, and then increase the yield of crops.In order to improve the performance of the deep buried device of rice straw, the performance and operating parameters of the device were studied. The orthogonal test was designed to test the performance of the device, and the resistance of the device was tested on the experimental platform. In order to effectively collect and store the data of sensors, a database cluster system framework (IoT-ClusterDB) is proposed, which is based on data management of mass sensor sampling data. The resistance of sensor is saved as a sampling data sequence. It can support complex logical query and query of distributed index, and supports keywords and spatio-temporal query. The experimental results show that the IoT-ClusterDB has good sensor data access and query processing performance, thus reducing the whole design cycle of the straw deep buried device and improving the design efficiency.

rice; straw returning; database cluster; data sequence

2015-12-11

江西省教育廳科技項(xiàng)目(2015GZ0455)

胡菊芬(1979- )，女，江西修水人，副教授，碩士。

尹強(qiáng)飛(1982- )，男，江西永新人，副教授，碩士，(E-mail)strongflyok@sina.com。

S224.29

A

1003-188X(2017)02-0094-05