郭大方 杜岳峰 栗曉宇 李國潤 陳 度 宋正河

(1.中國農(nóng)業(yè)大學工學院, 北京 100083; 2.中國農(nóng)業(yè)大學現(xiàn)代農(nóng)業(yè)裝備優(yōu)化設計北京市重點實驗室, 北京 100083)

0 引言

數(shù)字孿生是多種信息技術(shù)加速碰撞、融合而催生的全新理念,能夠打通物理世界與數(shù)字空間形成綜合決策,為現(xiàn)實事物提供全生命周期服務[1-3]。數(shù)字孿生正逐步成為新一輪科技革命和產(chǎn)業(yè)變革中,各行各業(yè)特別是制造業(yè)加快數(shù)字化轉(zhuǎn)型的重要力量。在農(nóng)業(yè)裝備領域開展數(shù)字孿生研究,有利于提高我國農(nóng)業(yè)裝備水平,有助于加速推進農(nóng)業(yè)機械化和農(nóng)業(yè)裝備產(chǎn)業(yè)轉(zhuǎn)型升級。

近年來,科研人員不斷推進智能化設計[4]、智能測控[5-6]、物聯(lián)網(wǎng)、大數(shù)據(jù)[7]和人工智能等數(shù)字孿生使能技術(shù)在農(nóng)業(yè)裝備領域的落地實用,并積極促進農(nóng)業(yè)裝備與智慧農(nóng)業(yè)、無人農(nóng)場[8]的建設快速融合發(fā)展,國內(nèi)農(nóng)業(yè)裝備企業(yè)的研發(fā)模式、研發(fā)手段、數(shù)據(jù)管控和設計制造管理水平也日益提高,已初步具備開展數(shù)字孿生研究的必要條件。然而,農(nóng)業(yè)裝備數(shù)字孿生仍面臨著不可忽視的挑戰(zhàn),農(nóng)業(yè)裝備及其作業(yè)過程復雜導致模型開發(fā)難度大,國產(chǎn)農(nóng)業(yè)裝備電氣化、信息化、智能化總體水平滯后,農(nóng)機物聯(lián)網(wǎng)、大數(shù)據(jù)中心等新型基礎設施不完善,傳感采集、信息通信、數(shù)據(jù)存儲等重要環(huán)節(jié)尚未形成統(tǒng)一標準等,都為農(nóng)業(yè)裝備數(shù)字孿生的研究與應用增加了困難。特別是數(shù)字孿生具有多元性的特點,需要多維度、小粒度的實時數(shù)據(jù)作為支撐,對系統(tǒng)架構(gòu)的合理性要求更加嚴格。在結(jié)合數(shù)字孿生與農(nóng)業(yè)裝備特點的同時,如何實現(xiàn)系統(tǒng)各要素的有效部署,是農(nóng)業(yè)裝備數(shù)字孿生首先要解決的問題。

目前,農(nóng)業(yè)裝備領域內(nèi)的主流研究仍集中在建模仿真、智能測控和人工智能等關(guān)鍵使能技術(shù),極少直接面向數(shù)字孿生本身。在檢索到的文獻中,ZHANG等[9]提出大功率拖拉機數(shù)字孿生的構(gòu)建方法和運行機制,開發(fā)了用于改善拖拉機機耕作業(yè)質(zhì)量的數(shù)字孿生系統(tǒng),并通過試驗驗證了方法的有效性。NEMTINOV等[10]提出了一種建立復雜農(nóng)業(yè)裝備數(shù)字孿生模型的方法,HOODOROZHKOV等[11]基于Matlab可視化編程為輪式拖拉機開發(fā)了高精度數(shù)字孿生模型,但未能將模型部署至數(shù)字孿生系統(tǒng)中。總之,農(nóng)業(yè)裝備數(shù)字孿生研究尚處于萌芽階段,農(nóng)業(yè)裝備數(shù)字孿生缺乏實用化的系統(tǒng)級解決方案和典型應用案例。然而,在機床[12]、智能汽車[13]、移動通信[14]等領域中,云計算和移動邊緣計算等技術(shù)逐漸興起和應用,云-霧-邊-端高效協(xié)同工作可以提供超低時延和高帶寬的服務環(huán)境和云計算能力,這為農(nóng)業(yè)裝備數(shù)字孿生的實用化提供了參考。

針對上述需求與問題,本研究旨在探索農(nóng)業(yè)裝備與數(shù)字孿生結(jié)合的方式,面向?qū)嶋H落地應用提出云-霧-邊-端協(xié)同的農(nóng)業(yè)裝備數(shù)字孿生系統(tǒng)架構(gòu),并以籽粒直收型玉米聯(lián)合收獲機為對象,以降低脫粒過程中的籽粒破碎率為目標,開發(fā)一個原型系統(tǒng),實現(xiàn)模型預測、模型更新、實時監(jiān)測和優(yōu)化決策等功能,并在田間作業(yè)環(huán)境中驗證系統(tǒng)的有效性,為數(shù)字孿生或類似的信息物理系統(tǒng)在農(nóng)業(yè)裝備領域中的應用提供參考。

1 系統(tǒng)架構(gòu)

1.1 數(shù)字孿生框架

農(nóng)業(yè)裝備數(shù)字孿生旨在為農(nóng)業(yè)裝備建立實時數(shù)據(jù)驅(qū)動的高保真虛擬模型,并利用信息技術(shù)的分析處理能力實現(xiàn)虛實同步演化與交互融合,從而洞察農(nóng)業(yè)裝備的屬性、狀態(tài)與行為,建立綜合決策能力,解決農(nóng)業(yè)裝備全生命周期中的復雜性和不確定性問題。

根據(jù)GRIEVES[15]提出的三維模型和陶飛等[16]提出的五維模型,農(nóng)業(yè)裝備數(shù)字孿生系統(tǒng)中包括物理實體、虛擬模型、連接、孿生數(shù)據(jù)和服務5個核心要素,如圖1所示。其中,物理實體是具備感知與執(zhí)行功能的農(nóng)業(yè)裝備。虛擬模型是農(nóng)業(yè)裝備的高保真虛擬模型。連接是實現(xiàn)系統(tǒng)各要素之間信息交互的基礎。孿生數(shù)據(jù)是系統(tǒng)中所有數(shù)據(jù)的集合,包括實時感知數(shù)據(jù)、模型仿真數(shù)據(jù)、虛實融合數(shù)據(jù)和孿生服務數(shù)據(jù)等。孿生服務既包括維持系統(tǒng)運行的功能性服務,也包括解決實際應用需求的業(yè)務性服務。

圖1 基于五維模型的農(nóng)業(yè)裝備數(shù)字孿生框架Fig.1 Framework of digital twin for agricultural machinery based on 5D model

農(nóng)業(yè)裝備數(shù)字孿生系統(tǒng)的運行機制如下:①虛擬模型在數(shù)據(jù)驅(qū)動下精確追蹤和同步農(nóng)業(yè)裝備狀態(tài)。②孿生服務評估農(nóng)業(yè)裝備的運行狀態(tài),利用虛擬模型仿真開展優(yōu)化決策,并交由農(nóng)業(yè)裝備執(zhí)行。③孿生服務利用數(shù)據(jù)對自身和虛擬模型進行校驗和更新。④系統(tǒng)運行所積累的模型和數(shù)據(jù)可以在農(nóng)業(yè)裝備全生命周期中發(fā)揮作用。

1.2 云-霧-邊-端架構(gòu)與機制

研究實踐發(fā)現(xiàn),構(gòu)建農(nóng)業(yè)裝備數(shù)字孿生系統(tǒng)面臨以下問題: ①數(shù)字孿生系統(tǒng)需要高效處理海量數(shù)據(jù)和運行大量復雜的模型和算法。②數(shù)字孿生對數(shù)據(jù)和運算準確性、時效性要求很高。③農(nóng)業(yè)裝備在田間移動作業(yè),必須通過無線通信接入系統(tǒng)。④農(nóng)業(yè)裝備對安全性、穩(wěn)定性、低時延要求很高。⑤農(nóng)業(yè)生產(chǎn)的季節(jié)性強,系統(tǒng)在作業(yè)季壓力巨大。

云-端架構(gòu)物聯(lián)網(wǎng)的數(shù)據(jù)傳輸距離長、系統(tǒng)彈性差,很難滿足上述需求。移動邊緣計算通過在網(wǎng)絡邊緣部署計算和存儲資源,能為移動網(wǎng)絡提供超低時延和高帶寬的服務環(huán)境和云計算能力[17-18],為解決上述問題提供了思路。利用云服務器、霧服務器[19]、邊緣設備和農(nóng)業(yè)裝備組成云-霧-邊-端協(xié)同的異構(gòu)計算系統(tǒng),將瑣碎的低算力數(shù)據(jù)處理任務和高實時性需求的孿生服務向農(nóng)業(yè)裝備一側(cè)傾斜,有利于緩解時延大、穩(wěn)定性差和安全性低等問題,有助于實現(xiàn)數(shù)字孿生系統(tǒng)的快速部署、高效運行、云端協(xié)同和有機統(tǒng)一。

圖2展示了云-霧-邊-端協(xié)同的農(nóng)業(yè)裝備數(shù)字孿生系統(tǒng)的概念原型。其中,“端”指農(nóng)業(yè)裝備;“邊”指安裝在農(nóng)業(yè)裝備上的嵌入式邊緣設備,一方面能夠?qū)崿F(xiàn)本地數(shù)據(jù)處理,緩解服務器壓力,另一方面可以部署與測控相關(guān)的智能算法,提升農(nóng)業(yè)裝備的能力;“霧”指放置在背靠農(nóng)場通信基站的機房中的霧服務器,分擔“云”端壓力,實現(xiàn)數(shù)據(jù)算法、虛擬模型和實時孿生服務的高效運行,同時協(xié)同“云”端服務;“云”指部署在遠程機房中的云服務器,具備強大的計算存儲資源和可擴展性,用于部署高算力、準/非實時的孿生服務。具體地,農(nóng)業(yè)裝備與邊緣設備通過現(xiàn)場總線通信,邊緣設備與霧服務器通過4G/5G網(wǎng)絡通信,霧服務器與云服務器通過光纖寬帶網(wǎng)絡通信。

基于云-霧-邊-端架構(gòu)的農(nóng)業(yè)裝備數(shù)字孿生系統(tǒng)的運行機制如圖3所示。首先,農(nóng)業(yè)裝備感知“人-機-物-環(huán)境”的運行狀態(tài)。邊緣設備處理數(shù)據(jù)后上傳至霧服務器。霧服務器利用數(shù)據(jù)和虛擬模型開展實時業(yè)務服務,將決策結(jié)果下發(fā)至邊緣設備與農(nóng)業(yè)裝備。運行過程中,霧服務器在數(shù)據(jù)的驅(qū)動下定時評估虛擬模型并進行小版本的模型參數(shù)更新,同時向云服務器反饋運行情況。云服務器依據(jù)所有霧服務器的反饋數(shù)據(jù)對虛擬模型和算法進行大版本的迭代和優(yōu)化,然后下發(fā)并部署至霧服務器。

圖3 系統(tǒng)的運行機制Fig.3 Operating mechanism of system

根據(jù)上述架構(gòu)、概念原型和運行機制,圖4給出了一個理想化的農(nóng)業(yè)裝備數(shù)字孿生系統(tǒng)在云、霧、邊、端方面的細節(jié),可以作為系統(tǒng)實現(xiàn)的參考。

2 系統(tǒng)實現(xiàn)

大型玉米籽粒直收聯(lián)合收獲機融合機、電、液等技術(shù),可以一次完成摘穗、剝皮、脫粒、清選、收集和還田等工序,能夠降低農(nóng)民勞動強度、提高農(nóng)業(yè)生產(chǎn)率和減少糧食損失,是復雜農(nóng)業(yè)機械的典型代表。因此,以聯(lián)合收獲機為對象開發(fā)原型系統(tǒng)具有廣泛的參考價值,并且對農(nóng)業(yè)裝備精準化、智能化作業(yè)具有重要的意義。

本研究針對玉米聯(lián)合收獲機作業(yè)過程中籽粒破碎率高這一關(guān)系到糧食損失的重要問題,選擇五征4LZ-8型玉米聯(lián)合收獲機,參考圖4開發(fā)一個簡單的數(shù)字孿生原型系統(tǒng),驗證所提出架構(gòu)的可行性。

2.1 農(nóng)業(yè)裝備(端)

五征4LZ-8型玉米聯(lián)合收獲機的感知與執(zhí)行功能如圖5所示,檢測了谷物產(chǎn)量Q、發(fā)動機負載率η、行駛速度v、脫粒滾筒轉(zhuǎn)速n、凹板間隙δ和籽粒破碎率Zs總計6個參數(shù)[20-21],還開發(fā)了v、n和δ的PID閉環(huán)控制系統(tǒng)。

圖5 玉米聯(lián)合收獲機的感知與執(zhí)行功能Fig.5 Sensing and executive function of corn kernel harvester

2.2 邊緣設備(邊)

基于研華UNO-3000G型工控機開發(fā)了邊緣設備原型機(圖6)。該邊緣設備安裝在聯(lián)合收獲機的駕駛室中。其中,工控機是中央處理單元,通過PCle-CAN卡和4G路由器分別實現(xiàn)總線通信和移動網(wǎng)絡通信。設備能夠?qū)崿F(xiàn)CAN報文和JSON格式的雙向轉(zhuǎn)換,并且內(nèi)置了防脈沖干擾平均值濾波算法

圖6 邊緣設備原型機Fig.6 Prototype of edge device

(1)

式中N——采樣數(shù),N>2,取10

xk——所有采樣數(shù)據(jù)按照由小到大排列后的第k個值,即x2≤…≤xk≤…≤xN

x′——濾波后數(shù)據(jù)

2.3 霧服務器(霧)

在配置如表1所示的戴爾T7920型工作站上開發(fā)了霧服務器,實際部署有物聯(lián)網(wǎng)平臺、虛擬模型、模型更新服務和實時業(yè)務服務4部分。

表1 霧服務器配置Tab.1 Configuration of fog server

2.3.1物聯(lián)網(wǎng)平臺

物聯(lián)網(wǎng)平臺是霧服務器的數(shù)據(jù)中心和連接中心,集成有通信服務器程序和MySQL&Redis數(shù)據(jù)庫,實現(xiàn)霧服務器與邊緣設備、云服務器之間的通信,以及數(shù)據(jù)存儲。為了方便用戶管理接入霧服務器的農(nóng)業(yè)裝備,開發(fā)了Web服務器程序和頁面(圖7),包括新增設備、設備管理、數(shù)據(jù)管理等功能。

圖7 物聯(lián)網(wǎng)平臺Web頁面Fig.7 Web page of IoT platform

2.3.2虛擬模型

理論分析、試驗分析和數(shù)據(jù)分析是構(gòu)建虛擬模型的3種主要手段。數(shù)據(jù)模型相較于試驗模型和理論模型[22-23],具有結(jié)果準確、時效性高和使用便捷的特點,因此采用基于數(shù)據(jù)的建模方法。

在聯(lián)合收獲機脫?！白魑?機械”系統(tǒng)中,Q、η、v、n和δ是系統(tǒng)輸入,Zs是系統(tǒng)輸出。選用多層感知機(Multilayer perceptron,MLP)神經(jīng)網(wǎng)絡構(gòu)建描述輸入量與輸出量間關(guān)系的虛擬模型(圖8)

圖8 基于MLP神經(jīng)網(wǎng)絡的虛擬模型Fig.8 Virtual model based on MLP neural network

(2)

式中X——MLP神經(jīng)網(wǎng)絡輸入

H(i)——第i個隱藏層輸出,i∈(0,imax]

W(i)——第i個隱藏層權(quán)重,i∈(0,imax]

b(i)——第i個隱藏層偏置,i∈(0,imax]

σi——第i個隱藏層激活函數(shù)

Y——MLP神經(jīng)網(wǎng)絡輸出

W(imax+1)——輸出層權(quán)重

b(imax+1)——輸出層偏置

在關(guān)于構(gòu)建聯(lián)合收獲機神經(jīng)網(wǎng)絡模型的現(xiàn)有研究[24-25]中,為了避免過擬合,一般采用隱藏層數(shù)量小于等于3個和單層神經(jīng)元數(shù)量小于等于10個的“小”模型。但是,數(shù)字孿生要求虛擬模型具有通過更新來適應物理實體最新狀態(tài)的潛力,同時模型的更新機制可以改善過擬合問題,所以應設法得到一個較“大”的模型。因此,為了使模型盡可能學習到更深層次的規(guī)律,采用了遷移學習中的“預訓練-微調(diào)”方法[26]。首先,利用來自不同機型、時間、地域的數(shù)據(jù)得到粗糙的預訓練模型。然后在預訓練模型的基礎上,利用來自目標聯(lián)合收獲機的數(shù)據(jù)繼續(xù)做針對性訓練,最終得到一個精度滿足訓練要求且具有更新潛力的模型。

表2展示了訓練數(shù)據(jù)的來源,其中數(shù)據(jù)的采樣頻率為0.5 Hz。在數(shù)據(jù)預處理中,首先采用雙線性插值法填補缺失數(shù)據(jù),再通過

表2 訓練數(shù)據(jù)來源Tab.2 Source of training data

(3)

式中xj,k——第j個輸入特征xj的第k個值

μj——xj中所有數(shù)據(jù)均值

σj——xj中所有數(shù)據(jù)標準差

將每個輸入特征標準化,最后分別對預訓練和微調(diào)訓練兩個階段的數(shù)據(jù)集按照7∶3的比例劃分訓練集和驗證集。

籽粒破碎率Zs通常在5%左右。在模型訓練中,若直接采用均方根誤差(RMSE)作為損失函數(shù)訓練模型,會導致訓練損失很快收斂到一個很小的范圍,從而影響訓練效果。為了避免這種情況發(fā)生,使模型訓練更多地考慮相對誤差,采用先將真實值和預測值各自取對數(shù)后再求RMSE的方式計算模型損失,計算式為

(4)

式中yk——模型第k個輸出量真實值

M——模型輸出量個數(shù),取1

L——模型損失值

采用初始學習率為1×10-3,學習倍率為0.9的Adam梯度下降算法[27]訓練模型。經(jīng)過反復嘗試,訓練得到隱藏層個數(shù)imax為5,隱藏層神經(jīng)元個數(shù)依次為10、15、15、10、4的MLP神經(jīng)網(wǎng)絡模型。

2.3.3模型更新服務

在大部分情況下,一個適應能力強、更新潛力大的虛擬模型無需改動自身結(jié)構(gòu),僅通過模型更新服務微調(diào)即可適應物理實體實際變化。

圖9展示了模型更新服務的運行流程。T1為每相鄰兩次模型更新服務的時間間隔。若不考慮外界因素導致突發(fā)狀況,“作物-機械”系統(tǒng)的變化是一個持續(xù)而緩慢的過程,模型更新服務的工作頻率無需太高,這里取T1為1 200 s。首先,獲取T1內(nèi)的監(jiān)測數(shù)據(jù),并整理為數(shù)據(jù)集D。然后,將D作為測試集,評估當前模型在D上的損失L。取閾值Lt為0.01,若L

圖9 模型更新服務的運行流程圖Fig.9 Running flow chart of model update service

2.3.4實時業(yè)務服務

為了降低籽粒破碎率,提出基于數(shù)字孿生的控制決策優(yōu)化方法,并開發(fā)相應的業(yè)務服務。利用實時數(shù)據(jù)和虛擬模型實現(xiàn)對v、n和δ控制目標值的優(yōu)化決策。

圖10 優(yōu)化決策服務流程圖Fig.10 Process of decision-making service

此外,為了直觀地展示機器運行過程,基于Unity3D開發(fā)了農(nóng)業(yè)裝備數(shù)字孿生服務平臺(圖11)。其中,交互界面分為運行參數(shù)監(jiān)測區(qū)域和幾何模型動態(tài)展示區(qū)域。幾何模型動態(tài)展示區(qū)域定義了機器尤其是脫粒系統(tǒng)關(guān)鍵部件的運動關(guān)系,模型的動作和姿態(tài)可以在實時數(shù)據(jù)的驅(qū)動下與物理實體保持一致。

圖11 農(nóng)業(yè)裝備數(shù)字孿生服務平臺交互界面Fig.11 Interactive interface of digital twin service platform for agricultural machinery

2.4 云服務器(云)

在配置如表3所示的阿里云GPU服務器部署了系統(tǒng)管理平臺和模型迭代服務。

表3 云服務器配置Tab.3 Configuration of cloud server

2.4.1系統(tǒng)管理平臺

系統(tǒng)管理平臺用于實現(xiàn)霧服務器與云服務器間的網(wǎng)絡連接、實時通信、數(shù)據(jù)存儲和設備管理,為其開發(fā)了具有設備管理、設備監(jiān)測和系統(tǒng)配置等功能的Web頁面,幫助管理人員維持數(shù)字孿生系統(tǒng)的正常運轉(zhuǎn)。

2.4.2模型迭代服務

模型迭代服務是從原理架構(gòu)的角度上徹底更新虛擬模型,其工作頻率相對模型更新服務更低。通過集成來自所有霧服務器的反饋數(shù)據(jù),擴充數(shù)據(jù)集或優(yōu)化模型結(jié)構(gòu)開發(fā)和訓練新一代數(shù)據(jù)模型,經(jīng)過驗證后將新模型部署至霧服務器運行。

當前系統(tǒng)仍處在原型驗證階段,僅有一臺聯(lián)合收獲機和霧服務器接入,所以模型迭代服務中僅提供了一個定向部署虛擬模型的接口。數(shù)據(jù)分析、模型開發(fā)、模型訓練等工作需要人工手動進行。待系統(tǒng)進一步完善后,將有更多的聯(lián)合收獲機接入系統(tǒng),屆時將考慮以自動化方式[29]實現(xiàn)模型迭代。

3 試驗驗證

2022年10月在山東省日照市五蓮縣采用五征4LZ-8型玉米聯(lián)合收獲機開展田間試驗。采用五點法測量試驗區(qū)域內(nèi)玉米籽粒含水率為29.36%。試驗參照GB/T 21962—2020《玉米收獲機械》中的方法開展,圖12展示了試驗現(xiàn)場具體情況。

圖12 田間試驗現(xiàn)場Fig.12 Field test situation

3.1 虛擬模型預測效果驗證

為了驗證虛擬模型的預測效果,將聯(lián)合收獲機設置為手動控制模式,待駕駛員按照正常收獲操作規(guī)程作業(yè)1 h后,從模型更新記錄中查詢模型更新的具體時刻,導出更新前后的籽粒破碎率真實值和虛擬模型預測值,如圖13所示(時間取負值表示更新前,時間取正值表示更新后)。

圖13 模型預測效果Fig.13 Prediction effects of model

為了評估虛擬模型的準確性與模型更新方法的有效性,利用式(4)計算模型更新前后各200 s內(nèi)的損失值,如表4所示。

表4 模型損失值Tab.4 Loss of model

試驗結(jié)果顯示,在模型更新前,虛擬模型對籽粒破碎率的預測損失值均大于0.01,達到模型更新閾值。在模型更新后,模型預測值損失降低,預測效果明顯改善。試驗結(jié)果表明,虛擬模型的更新潛力和適應能力良好,模型更新服務能夠正常觸發(fā)和運行,改善了模型的預測效果。

3.2 控制決策優(yōu)化效果驗證

通過與聯(lián)合收獲機的其他脫粒控制方法/模式對比,驗證本研究中基于數(shù)字孿生的控制決策優(yōu)化方法,評價該方法對降低籽粒破碎率的有效性。

試驗采用3種模式交替的方式完成同一地塊的玉米籽粒收獲。其中,模式Ⅰ為手動控制模式,由具有作業(yè)經(jīng)驗的駕駛員通過手動調(diào)整作業(yè)參數(shù)完成收獲作業(yè)。模式Ⅱ為反饋控制模式,依據(jù)籽粒破碎率的反饋值,按照預設控制策略,逐一調(diào)節(jié)滾筒轉(zhuǎn)速、凹板間隙和作業(yè)速度,保證籽粒破碎率始終滿足預設條件。模式Ⅲ采用本研究中基于數(shù)字孿生的控制決策優(yōu)化方法。每次試驗中,聯(lián)合收獲機分別采用3種模式縱向穿越整個地塊各1次,取每次/每種模式試驗中籽粒破碎率傳感器檢測結(jié)果的平均值。為了減小隨機誤差,重復對比試驗10次,試驗結(jié)果如圖14所示。

圖14 籽粒破碎率試驗結(jié)果Fig.14 Test results of broken grain rate

通過圖14可以看出,采用模式Ⅰ收獲作業(yè)時,籽粒破碎率開始時較高,然后逐漸下降,最后趨于平穩(wěn),這是由于駕駛員逐漸熟悉田間情況并作出了適應性調(diào)整。采用模式Ⅱ收獲作業(yè)時,籽粒破碎率總體低于模式Ⅰ,且更加平穩(wěn)。采用模式Ⅲ收獲作業(yè)時,籽粒破碎率低于模式Ⅱ,遠低于模式Ⅰ,且比模式Ⅰ和模式Ⅱ的波動更小。

根據(jù)試驗結(jié)果,計算10次試驗中每種模式下籽粒破碎率平均值和方差如表5所示,可以得出:模式Ⅲ下的籽粒破碎率平均值最小,相較于模式Ⅰ降低24.24%,相較于模式Ⅱ降低15.78%;模式Ⅲ下的籽粒破碎率方差也最小,相較于模式Ⅰ降低0.036,相較于模式Ⅱ降低0.01。因此,基于所開發(fā)的數(shù)字孿生系統(tǒng),利用實時數(shù)據(jù)驅(qū)動的虛擬模型優(yōu)化調(diào)控機器的運行參數(shù),能夠穩(wěn)定地降低玉米聯(lián)合收獲機脫粒時籽粒破碎率,有效改善糧食的收獲質(zhì)量。

表5 籽粒破碎率試驗結(jié)果分析Tab.5 Analysis of test results of broken grain rate

4 結(jié)論

(1)基于數(shù)字孿生五維模型,明確了農(nóng)業(yè)裝備數(shù)字孿生的核心要素和運行原理。通過分析數(shù)字孿生和農(nóng)業(yè)裝備的特點和需求,融合移動邊緣計算技術(shù),提出一種云-霧-邊-端協(xié)同的農(nóng)業(yè)裝備數(shù)字孿生系統(tǒng),并闡明了系統(tǒng)架構(gòu)、概念原型和運行機制。

(2)以籽粒直收型玉米聯(lián)合收獲機為對象,以降低玉米脫粒過程中的籽粒破碎率為目標,通過完善聯(lián)合收獲機的感知與執(zhí)行功能,開發(fā)邊緣設備、霧服務器和云服務器,實現(xiàn)了模型預測、模型更新、實時監(jiān)測和優(yōu)化決策等功能,構(gòu)建了數(shù)字孿生原型系統(tǒng)。

(3)田間試驗結(jié)果表明,模型更新能夠提高模型的適應能力,降低預測誤差,改善預測效果;利用數(shù)字孿生模型和遺傳算法,優(yōu)化聯(lián)合收獲機行駛速度、滾筒轉(zhuǎn)速和凹板間隙的控制決策,能夠降低籽粒破碎率。數(shù)字孿生原型系統(tǒng)能夠有效運行,既驗證了所提出系統(tǒng)架構(gòu)的可行性,又證明了數(shù)字孿生有助于改善農(nóng)業(yè)裝備作業(yè)質(zhì)量。