基于变换器增强速度估计的农用拖拉机滑转率鲁棒控制

《Computers and Electronics in Agriculture》:Robust slip-ratio regulation for agricultural tractors with transformer-enhanced speed estimation

【字体: 大 中 小 】 时间:2026年09月27日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

   • Transformer-EKF 相对于参考速度的均方根误差为 0.1668–0.2167 km/h。 • 田间数据显示,其平均绝对误差比自适应 EKF 降低 29.1%–42.9%。 • 与基线方法相比,ASTSMC 将前/后轮滑移收敛时间缩短 53.7%/50.4%。

  

• Transformer-EKF 相对于参考速度的均方根误差为 0.1668–0.2167 km/h。
• 田间数据显示,其平均绝对误差比自适应 EKF 降低 29.1%–42.9%。
• 与基线方法相比,ASTSMC 将前/后轮滑移收敛时间缩短 53.7%/50.4%。
• 与 PID 控制器相比,ASTSMC 将前/后轮滑移标准差降低 32.8%/30.2%。
• NI-PXI 硬件在环(HIL)验证了估计与滑移控制的稳定实时集成。

引言

农业机械拖拉机通常在耕作、深松等田间作业中以低速、重牵引载荷工况运行。在这些工况下,牵引性能由驱动轮与变形土壤之间的力传递特性决定。该力传递特性受土壤含水率、轮胎下陷深度、垂直载荷变化和耕作阻力等因素影响(Sunusi 等,2020)。由于田间土壤具有变形性和空间变异性,驱动轮可获得的牵引能力在作业过程中可能发生显著变化。同时,驱动扭矩需求随牵引载荷和地形扰动而变化(Shao 等,2023)。当施加的驱动扭矩与土壤提供的牵引能力不匹配时,驱动轮可能运行在期望滑移率范围之外,导致牵引效率降低、牵引能耗增加、动力传递效率下降以及纵向稳定性受损(Kim 等,2021)。因此,滑移率不仅是拖拉机牵引性能的指标,也是主动牵引控制的关键反馈变量(Shafaei 等,2021)。

随着拖拉机电动化和电控传动系统的发展,与常规机械传动系统相比,驱动扭矩可以更快、更灵活地调整(Luo 等,2024a)。这为通过轮端或轴端扭矩控制直接调节车轮滑移提供了可行基础。在此背景下,一种组合式牵引—配重策略通过协调电池位置和耕作深度调整来重新分配轴荷、降低车轮滑移并保持耕作质量(Zhang 等,2023a)。一种速度—滑移切换策略根据当前滑移状态选择行驶速度调节或滑移率调节,并调整电机扭矩和电池位置以适应耕作阻力的变化(Wang 等,2023)。除上述基于配重和作业参数的调整外,独立可控的电动驱动系统在传动层面通过轮端扭矩分配提供了更直接的调节通道。协作式及基于最优滑移的扭矩控制策略已降低了车轮滑移并提高了牵引效率和能耗经济性(Li 等,2024;Wen 等,2024)。此外,轮端驱动控制和基于学习的控制方法已被应用于进一步增强滑移率调节性能(Baek 等,2026)。综上所述,这些研究通过载荷重新分配、作业状态切换和直接扭矩调整提高了滑移调节效果。然而,其效果仍受土壤附着力、耕作阻力、垂直载荷变化和驱动扭矩的耦合效应影响。因此,有效的滑移率调节应考虑这些相互作用的因子。

基于上述观察,现有拖拉机滑移调节方法仍面临若干局限性。配重、农具和耕作深度调整可以抑制过大的滑移,但可能损害耕作深度稳定性、作业质量或能效(Savitski 等,2020)。相比之下,驱动扭矩控制为电动化或电控拖拉机提供了更快、更直接的调节通道;然而,仅靠扭矩调节并不能消除对可靠纵向速度信息的需求,因为控制器使用的滑移率反馈同时依赖于车轮圆周速度和拖拉机纵向速度(He 等,2022;Wang 等,2026)。更一般地,鲁棒车辆控制依赖于准确和及时的状态反馈,因为测量误差和反馈延迟会改变闭环性能(Zhou 等,2026;Li 等,2025)。因此,近期农业机械研究从控制执行和状态信息两个方面研究了相关牵引控制问题。针对独立驱动农业机械,已开发出主动扭矩分配和速度—滑移协调控制策略,以提高牵引性能、作业稳定性和能效(Xu 等,2026b;Zhang 等,2023b),同时引入了基于观测器和辨识的方法,用于重构作业中难以可靠测量的车辆状态和轮胎—土壤相互作用量。特别是,自适应滑模观测已被应用于分布式驱动电动植保车辆的状态估计(Xu 等,2026a),轮端力估计与地形参数辨识已被集成到电动拖拉机的最优滑移与驱动扭矩调节中(Luo 等,2024b)。这些研究表明,当直接测量不可用或非理想时,基于观测器或估计器的辅助控制可以提高牵引控制算法可用状态和相互作用信息的可靠性。

尽管取得了这些进展,许多现有设计仍假设滑移率计算所需的纵向速度可以直接从车载速度、轮速或卫星导航信号中获得。然而,在低速田间作业时,车轮滑移、有效滚动半径变化、土壤变形、内部信号处理、延迟和测量噪声可能导致车载指示速度偏离实际地面速度(Chen 等,2024)。这一局限性在我们的田间试验中也表现明显,车轮速度导出的 CAN 指示速度与独立 GNSS 地面速度参考存在偏差,特别是在明显车轮滑移和作业工况快速变化期间尤为突出。因此,本研究中 CAN 指示速度被用作非理想的在线观测值,而非地面速度的直接测量值。独立测量的 GNSS 速度仅作为监督训练目标和离线评估参考,在在线运行期间未提供给估计器或滑移率控制器。因此,此类速度误差会传播到滑移率估计和闭环扭矩控制中,从而降低调节性能(Bai 等,2025)。除可靠的滑移率反馈外,快速扭矩执行还应与滑移估计、扭矩约束和执行器动力学相协调(Yuan 等,2023)。尽管自适应和变增益控制器可以改善在粘着力变化条件下的鲁棒性(Guo 等,2021),但此类控制策略本身并不能解决用于构建滑移率反馈的纵向速度信息不准确的问题。此外,上述基于观测器和辨识的农业机械研究主要关注通用车辆状态估计、轮端力重构、地形参数辨识或传动层面的扭矩分配,而纵向速度估计在滑移率反馈环路中的具体作用,以及非理想速度测量对后续轮端扭矩调节的传播影响,在低速低附着田间工况下仍未得到充分解决。因此,农业机械拖拉机在低附着田间工况下的鲁棒滑移率调节应将可靠的纵向速度估计集成到扭矩控制反馈环路中,使得用于扭矩调节的滑移率基于修正后的因果速度估计值计算,而非将原始车载速度测量值视为理想反馈信号。

因此,准确的纵向速度估计对于可靠的滑移率反馈至关重要。鉴于基于 GNSS 的速度测量在野外和非结构化环境中可能受信号衰减、中断或延迟影响,而基于轮速的估计在驱动轮显著滑移时可能变得不可靠,多传感器融合已被广泛用于提高车辆纵向速度和运动状态估计的可靠性。在几种融合方法中,基于 EKF 的融合通过结合互补测量来提高纵向速度估计(Ding 等,2020)。轮速传感器/惯性测量单元融合结合车轮滑移识别也被证明可以提高滑移事件期间的估计精度(Yuan 等,2024)。进一步的研究通过降低模型依赖性和增强物理一致性来提高估计器鲁棒性。无动态模型的 EKF 方法使用惯性测量单元、转向角和轮速测量来减少对不确定系统参数的依赖(Seo 和 Kang,2025)。模型约束综合估计器将物理约束纳入其中,以提高运动状态估计的一致性和可靠性(Ye 等,2025)。总之,这些研究通过互补传感、降低模型依赖性和物理一致性来增强估计鲁棒性。然而,基于卡尔曼滤波的性能仍对假设的过程噪声协方差敏感。适用于某一工况的协方差设置可能在低附着田间条件下因轮胎—土壤相互作用和牵引载荷变化而变得不匹配。

为解决这一局限性,学习增强滤波为在不同工况下提高状态估计的适应性提供了一种有前景的方法。例如,基于深度集成的自适应卡尔曼滤波将学习机制引入传统滤波结构,以提高不同条件下的车辆运动状态估计(Kim 等,2020),而基于人工智能的惯性测量单元航位推算展示了神经网络从惯性测量中提取运动信息的潜力(Brossard 等,2020)。此外,自适应滤波框架,包括自适应卡尔曼信息 Transformer 和混合模型与学习的导航滤波器,表明学习模型可以与卡尔曼滤波集成以在线适应噪声相关参数(Cohen 和 Klein,2025;Or 和 Klein,2022)。然而,这些研究主要关注车辆和导航状态估计,其主要应用场景与农业机械拖拉机在低附着田间作业中遇到的场景存在显著差异。在这些条件下,轮胎与土壤相互作用、牵引载荷变化和间歇性车轮滑移引入了强非线性、时变的过程扰动。因此,本研究提出了一种 Transformer 增强 EKF,从历史拖拉机状态和 EKF 内部变量中提取时序特征,从而自适应缩放过程噪声协方差,改善复杂牵引条件下的纵向速度估计。

在可靠的速度估计以提高滑移率反馈质量的基础上,应合理设计控制器以跟踪期望滑移率。从控制算法设计的角度来看,低附着田间条件下的基于扭矩的滑移率调节还必须处理强非线性、参数不确定性、执行器约束和外部扰动。传统滑模控制(SMC)因其鲁棒性而具有吸引力,但其不连续切换项可能引起驱动扭矩抖动,且固定增益选择往往导致扰动抑制与扭矩平滑性之间的权衡。为解决这一问题,自适应和高阶滑模方法提供了一种通过动态增益调整来减少对保守扰动边界信息依赖的手段。例如,基于障碍函数的自适应超螺旋控制可以在无需预先知道扰动导数上界的情况下实现有限时间收敛(Obeid 等,2020;Laghrouche 等,2021)。因此,这些研究为在未知且变化的扰动下调节滑模增益提供了理论依据(Cruz-Ancona 等,2022)。除这些理论发展外,应用研究也表明自适应增益调节可以改善动态性能,同时缓解传统 SMC 的抖动问题。例如,自适应广义超螺旋滑模控制在电机驱动系统中展现了瞬态响应与抖动衰减之间的更好平衡(Lin 等,2023)。此外,基于扰动观测器的超螺旋控制研究表明,将扰动估计纳入滑模框架可以进一步增强鲁棒性(Hou 和 Ding,2022),而确定性噪声下的障碍函数分析进一步支持了自适应滑模控制在存在噪声反馈时的适用性(Ovalve 等,2025)。总之,自适应增益和高阶滑模方法减少了对预定义扰动边界的依赖,同时提高了鲁棒性并衰减了抖动。然而,拖拉机滑移率调节还要求在时变轮胎—土壤附着力和噪声反馈下实现快速收敛和平滑扭矩执行,这促使本研究开发了边界层自适应超螺旋滑模控制器。

针对上述局限性,本研究提出了一种农业机械拖拉机在低附着牵引条件下的闭环滑移率调节方法,该方法集成了 Transformer 增强 EKF 纵向速度估计与边界层自适应超螺旋滑模控制。在提出的框架中,Transformer 从历史拖拉机状态和 EKF 内部变量中提取时序特征,以自适应缩放过程噪声协方差。然后,Transformer 增强 EKF 利用车辆模型和车载观测值估计拖拉机纵向速度。估计速度随后用于计算滑移率,并将其反馈至边界层自适应超螺旋滑模控制器,以实现期望的滑移率调节的进一步驱动扭矩控制。通过将速度估计与基于扭矩的滑移控制耦合,所提方法形成了连接纵向速度估计、滑移率反馈、驱动扭矩调整和拖拉机动态响应的集成估计—控制环路。本工作的主要贡献总结如下:

• 针对低附着田间作业的农业机械拖拉机开发了一种 Transformer 增强 EKF 纵向速度估计器。通过结合拖拉机纵向动力学、Brixius 轮胎—土壤模型和基于 Transformer 的过程噪声协方差缩放,该估计器改善了时变土壤和载荷条件下的速度估计鲁棒性。

• 设计了用于基于驱动扭矩滑移率调节的边界层自适应超螺旋滑模控制器。自适应增益改善了变附着力条件下的鲁棒性,而边界层饱和函数衰减了扭矩抖动。

• 所提 Transformer-EKF 使用真实拖拉机田间实验数据进行了验证。ASTSMC 控制器通过 NI-PXI 实时平台上的 HIL 测试进行了验证,测试中使用基于实验拖拉机参数化的拖拉机模型,并配置四轮独立驱动以实现单轮扭矩调节。

本文其余部分组织如下。

第 2 节建立了拖拉机的滑转率调节模型,包括纵向动力学和轮土相互作用特性。第 3 节提出了基于 Transformer 增强的扩展卡尔曼滤波(EKF)纵向速度估计器。第 4 节开发了边界层自适应超扭曲滑模滑转率控制器,并提供了相应的稳定性分析。第 5 节展示了速度估计器的现场数据验证和滑转率控制器的硬件在环(HIL)验证。最后,第 6 节对本文进行了总结。

**章节片段**

**拖拉机纵向动力学模型**
为了描述拖拉机低速运行期间的纵向动力学,建立了一个纵向动力学模型。图 1 展示了相应的模型结构。根据牛顿第二定律,拖拉机运行期间的纵向动力学方程为:$m\dot{v}_x = F_{x,net} - F_{load}$,其中 $m$ 是拖拉机总质量,$v_x$ 是拖拉机纵向速度,$F_{x,net}$ 是所有四个车轮的净纵向牵引力,$F_{load}$ 是外部牵引负载(即作业

**基于自适应 EKF 的拖拉机速度估计模型**
为了获得滑转率计算所需的拖拉机纵向速度,采用拖拉机纵向速度 $v_x$ 作为扩展卡尔曼滤波(EKF)的状态变量,定义为:$x_k = v_{x,k}$,其中 $x_k$ 是第 $k$ 个采样时刻的系统状态。拖拉机的车载显示速度,记为 $v_{CAN,k}$,被采用为 EKF 的观测变量:$z_k = v_{CAN,k}$。车载显示速度通过拖拉机 CAN 总线提供,并由与传动系统或车轮速度相关的信号内部生成。它直接

**滑转率调节目标与控制系统结构**
在本研究考虑的田间低附着力牵引条件下,滑转率参考设定点设置为 $\lambda_d = 0.20$。根据 Brixius 轮胎 - 土壤相互作用模型,该数值位于高牵引效率区域,在此区域净牵引比保持相对较高,同时避免了过度的车轮滑转。因此,在本研究考虑的运行条件下,采用 $\lambda_d = 0.20$ 作为控制器的参考设定点。最佳滑转范围可能会有所变化

**现场数据收集与预处理**
现场数据是在使用全尺寸 2204 型四轮驱动拖拉机在潮湿玉米茬田中进行的测试期间收集的。拖拉机在全油门工况下运行,有效作业宽度约为 2.0 米。如图 5 所示,数据采集平台包括一个独立的 GNSS 接收机、拖拉机 CAN 总线、四个车轮速度通道和一个六分量轮力测量系统。CAN 总线提供了车载显示速度 $v_{CAN}$,该速度由

**结论**
本研究为在低附着条件下运行的农业拖拉机开发了一种集成的纵向速度估计和滑转率调节框架。提出的 Transformer-EKF 利用从拖拉机历史运行状态和已完成的更新生成的 EKF 变量中提取的时间特征,自适应地调整过程噪声协方差。由于每个采样时刻的协方差仅由先验信息确定,该估计器保持了因果性

**CRediT 作者贡献声明**
Yan Xianghai:撰写 – 初稿、可视化、软件、方法学、正式分析、概念化。Tong Zijian:可视化、验证、软件、调查、数据管理。Wang Hang:撰写 – 审阅与编辑、监督、项目管理、方法学、经费获取、概念化。Xu Liyou:撰写 – 审阅与编辑、监督、资源、项目管理、经费获取。Wu Yiwei:撰写 – 审阅与编辑、验证、调查、数据

**生成式人工智能及人工智能辅助技术声明**
在稿件准备过程中,作者使用了 ChatGPT (GPT-5.6, OpenAI) 协助进行英语编辑和部分段落的组织。所有人工智能辅助内容均由作者进行了批判性审查、核实和修订,作者对最终稿件承担全部责任。

**利益冲突声明**
作者声明不存在已知的可能影响本论文报告工作的竞争性财务利益或个人关系。

**致谢**
本工作得到了河南省高校科技创新人才计划(资助号 25HASTIT037)、中原科技创新青年拔尖人才计划、智能农业动力装备国家重点实验室基金(资助号 SKLIAPE 2025017)、河南省高校青年骨干教师培养计划(资助号 2024GGJS051)、黄河青年人才支持项目(资助号 2024HLTJ03)以及中国的

Xianghai Yan|Zijian Tong|Hang Wang|Liyou Xu|Yiwei Wu|Di Ao
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号