《Sensors》:Artificial Intelligence Powered End-to-End Agricultural Machinery: Intelligent Transformation of Design and Maintenance Systems
编辑推荐:
农业机械的可靠状态监测与故障诊断依赖于对田间多变条件下传感器测量数据的解译。噪声、遮挡、负载变化和传感器性能退化可能掩盖相关特征,而互补性测量则提供了减少信息缺口的机会。本范围综述整合了2014年至2026年初发表的147篇纳入证据来源,并补充了11篇背景性文
农业机械的可靠状态监测与故障诊断依赖于对田间多变条件下传感器测量数据的解译。噪声、遮挡、负载变化和传感器性能退化可能掩盖相关特征,而互补性测量则提供了减少信息缺口的机会。本范围综述整合了2014年至2026年初发表的147篇纳入证据来源,并补充了11篇背景性文献。综述系统考察了机械建模与设计、感知、自动化与控制以及运行与维护中的传感、特征提取和信息融合。建模与设计为测量数据解译提供物理背景,感知与控制则将状态估计与运行反馈相连接。堵塞检测和多部件监测等应用实例说明,互补信号如何支持异常状态识别和运行干预。然而,感知精度或控制性能的提升并不能独立证明故障诊断能力的改进。所报告的结果往往依赖于局部数据集或受控平台,而标定误差、时间错位和变化的运行条件可能损害融合估计的可靠性。在传感退化条件下实现可靠早期预警、精确定位故障以及稳健诊断的证据仍然有限。未来评估应在匹配条件下比较融合输入与单传感器输入,包括噪声、部分传感器失效以及跨机器和跨季节的变化。将这些比较与误报、漏报、预警提前量和维护决策相关联,对于确立传感器融合的实际贡献至关重要。
本文对2014年至2026年初农业机械中的人工智能应用进行了系统综述,围绕传感与信息融合如何贯通感知、运行控制、状态监测与故障诊断展开分析。全文主体内容总结如下。
**1. 引言**
农业正面临需求增长与供给侧约束的双重压力。依赖人工经验的生产模式难以精确判断灌溉、施肥和病害防治等关键环节的实时田间状态,导致资源投入过量与产量波动。引入实时田间信息获取与作业参数调整的技术手段成为提升农业生产效率的必然选择。多传感器信息融合能够减少信息盲区,支持稳健的状态估计、早期故障预警和故障定位。尽管人工智能在农业机械的环境感知、运动控制和系统级状态估计方面取得了显著进展,但大多数成果仍局限于受控场景下的独立技术验证。实际田间部署面临硬件限制、环境诱导、机械设计和系统集成等多层级障碍,这些障碍构成了本综述区分讨论的核心框架。
**2. 材料与方法**
本范围综述按照PRISMA-ScR指南进行报告,采用PCC框架界定纳入标准,覆盖农业机械、农业机器人、无人车辆及其子系统,关注人工智能在建模、感知、控制、运行、状态监测、故障诊断或维护中的贡献。检索在Web of Science核心合集进行,检索式按主题字段执行,共获得76,358条记录。筛选流程包括去重、标题与摘要评估以及全文评估三个步骤,最终纳入147篇图表化证据来源和11篇背景性出版物。数据提取采用结构化表格记录文献特征与技术信息,并利用来源级证据表呈现各研究的机器类型、验证条件、基线、硬件平台和指标。由于研究在机器平台、任务、数据集、传感器配置和方法上的异质性,本文未进行定量元分析,而是采用叙述性综合方法。
**3. 结果**
在76,358条检索记录中,经标题和摘要筛选排除76,206条,152篇进入全文评估,最终从数据库途径纳入145篇,另有2篇通过其他方法纳入,合计147篇图表化证据来源。其中69篇涉及农业机械自动化,40篇涉及智能感知,15篇涉及动力学建模与机械系统设计,3篇涉及智能运行与维护,其余20篇为跨领域来源。证据分布显示,自动化与感知领域的研究数量远多于运行与维护领域。
**4. 动力学建模与机械系统设计**
该部分首先讨论动力学建模与数据驱动仿真。动力学模型描述农业机械对地形、作物特性和作业载荷的响应,为解读测量信号的变化提供物理背景。系统级动力学与局部接触机制通过载荷传递相互连接。仿真与数据驱动方法相结合可支持内部分析,例如利用离散元法仿真和神经网络优化联合收割机振动筛导流槽角度,以及基于计算流体力学仿真图像应用YOLOv8进行区域分割。物理信息学习被视为在变化条件下约束预测的可能扩展方向。其次,机械系统设计与自适应部件优化涉及地形自适应底盘、平台稳定、末端执行器和制造方法等。地形自适应底盘需适应坡度和土壤牵引力约束;平台稳定通过液压框架和实时控制修正车体倾斜;末端执行器设计需平衡抓取效率与作物损伤。制造方面,增材制造虽可实现定制化部件,但受精度和成本限制。内部气流传感为测量机器内部运行变量提供了直接案例,例如采用柱状风速计结合压力传感模块和深度学习表示非线性测量关系。
**5. 农业场景中的智能感知与多传感器融合**
该部分首先回顾了基于机器视觉的目标检测与识别。早期方法使用手工颜色和形态特征配合支持向量机等分类器,卷积神经网络的出现实现了学习特征表示。后续发展聚焦于计算效率(如轻量级YOLO)、特征判别能力(如Transformer和注意力模块)以及互补信息获取(如多模态感知和三维姿态估计)。感知指标需根据预期输出进行解读,从目标检测过渡到运行变量估计会改变感知误差的影响后果。其次,无人机遥感与多模态数据融合将感知扩展到空间分布测量。时序模型如LSTM和门控循环单元用于捕获作物发育变化,混合CNN-LSTM模型组合多模态数据。特征选择方法通过注意力机制对光谱波段加权,环境协变量如土壤表面粗糙度和叶面积指数用于解释田间变异。数据采集选择如激光雷达航迹优化和飞行高度设置对信息质量具有约束作用。最后,导航相关场景理解的感知算法将观测转换为障碍物、作物边界、可通行空间和车辆-地形交互的表征。轻量级视觉模型降低嵌入式检测的计算负担,场景结构提取结合B样条拟合和共享编码器多任务网络用于边界分割与障碍物检测。几何与本体感觉测量,如LiDAR点云分布和车辆振动加速度分类,提供了不同于视觉外观的信息。多传感器集成需保持测量的时空关系并考虑可靠性变化。
**6. 传感器信息驱动的自动化与运行监测**
自主导航系统架构将传感器信息转换为机器位置、周围几何和任务相关边界的估计,常用方案包括RTK GNSS/INS定位、视觉作物行检测和LiDAR点云处理。在GNSS信号不可用的环境下,SLAM支持自主导航,例如结合AprilTag视觉标记修正累积漂移。任务特定导航进一步整合作业感知与人机交互,如联合收割机的紧耦合双目SLAM和单神经元PID转向控制。路径规划需在密集果园和温室中保证高效安全运行,相关方法包括分层代价地图、快速探索随机树、Voronoi中心线引导的D* Lite和混合A*轨迹优化。UAV全局信息与历史作业日志结合马尔可夫链模型可支持自适应的机械调度。路径跟踪与运动控制分为三个子方面:一是鲁棒扰动抑制与抖振抑制,采用滑模控制、高阶观测器和超螺旋策略以平衡误差收敛速度与控制信号平滑性;二是在线参数自适应与预测约束处理,通过侧滑估计、模糊增益优化、动态前视选择和自适应反步控制提升不同地形下的跟踪性能,MPC在有限时域内显式处理约束;三是系统级动态耦合与多部件协同控制,协调底盘运动与割台、脱粒滚筒、喷雾装置等功能部件的运行,例如基于递归最小二乘辨识的脱粒滚筒转速控制可减少负载引起的转速偏差。智能收获利用作物属性和机器运行状态信息引导执行机构,包括点云分割解决重叠目标、多模态融合估计含杂率、遗传算法-SVM用于薯土分离装置堵塞检测。末端执行器层面,强化学习用于多臂系统动态任务分配,粘弹性模型与神经网络预测结合实现抓取力实时调节。精密田间管理通过作物状态感知到作业参数调节的完整流程实现变量喷药和施肥,例如3D LiDAR提取树冠体积并同步调节流量、风量和雾滴大小,精密除草系统集成CNN/Transformer检测模型与多源传感数据,可减少除草剂用量30-90%。
**7. 基于传感器的智能运行与维护**
智能运维的首要步骤是故障特征提取与噪声抑制。研究人员采用经验模态分解或变分模态分解对混合信号进行分解,再结合CNN或循环神经网络捕获故障特征的时空演化模式,在电机轴承故障诊断中取得了最高98%的实验准确率。田间故障样本稀缺是限制模型泛化能力的关键瓶颈,生成对抗网络用于数据集扩充,改进粒子群优化的SVM用于小样本分类。结构寿命预测与数字孪生驱动的修复为解决关键位置传感器安装困难和损伤后快速恢复提供了新途径。基于有限元分析和多体动力学仿真生成的动态载荷谱可估计无法直接测量位置的应力响应。数字孪生框架集成智能诊断和增材制造,但高保真多物理场模型的在线求解速度仍是主要瓶颈。多传感器监测将故障检测与运行干预关联起来,例如霍尔效应传感器测量的转速信号转换为滑转率指标,由IPSO-SVM模型共同处理以评估堵塞风险,并结合喂入量信息通过模糊控制调节行驶速度。从故障诊断到面向状态的维护方面,一次性迁移学习被用于轴承部件故障诊断,混合VGG-LSTM模型用于液压泵磨损缺陷检测,独立计量控制系统作为改善移动机械流量调节和能量效率的手段。物理信息和闭环评估可提高维护可靠性,健康指标应针对具有物理意义的机器状态和运行后果进行评估。现有研究仍缺乏完整的维护管理框架,需将健康估计转化为剩余寿命预测、维护时机选择和生命周期决策。
**8. 挑战与未来展望**
当前主要障碍源于算法复杂度与机载硬件之间的不匹配、实验室训练条件与真实农业环境之间的差异、孤立模块开发与整机运行之间的割裂,以及性能优化与安全可预测行为之间的张力。计算可行性方面,云-边-端架构可分配计算任务,但安全关键功能必须保持本地可执行。模型泛化方面,需要多区域、多作物基准数据集和域知识编码来提高跨场景适应性,评估应扩展到留一区域、留一季节和留一作物测试。系统集成方面,缺乏统一接口规范导致子系统通过逐案工程妥协连接,需要建立模块间的定时和不确定性契约。安全保证方面,物理约束可嵌入网络架构以限制输出范围,分级回退策略和可解释人工智能方法可提升信任度,但解释不能替代验证。端到端信息与误差传播表明,感知误差会通过决策和控制层影响任务质量和维护决策,因此模块级指标应与任务级和维护级结果相关联。未来发展方向集中于面向决策的智能维护,包括剩余寿命预测、基于状态的维护决策、传感器健康监测、维护计划优化和全生命周期经济性评估。综述的局限性在于证据在各技术域分布不均,智能运维相关的直接证据来源较少,结论应视为新兴证据的综合和研究优先级的识别。
**9. 结论**
本综述揭示了测量改进、运行性能与诊断能力之间的重要区别。目标识别、导航或控制的进步提供了使能技术,但不能独立确证故障诊断能力的提升。诊断效益需要通过匹配条件下隔离互补输入贡献的比较来建立。噪声、变化载荷、标定误差、时间错位和传感器退化可能掩盖有用特征或在融合估计中引入不一致性。跨机器和跨季节持续诊断性能的证据仍然有限,尤其是在退化传感条件下的早期预警和精确定位。克服实验室到田间的鸿沟需要协调的传感、计算和在代表性运行条件下的验证。融合系统应在组合信息时考虑测量时序、标定和输入可靠性,并为退化传感或通信定义回退行为。未来进展应通过可验证的系统级目标评估,包括融合与单输入的对比、预警提前量、误报率、回退响应时间和经济可行性。