郭大方 杜岳峰 栗曉宇 李國(guó)潤(rùn) 陳 度 宋正河

(1.中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院, 北京 100083; 2.中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代農(nóng)業(yè)裝備優(yōu)化設(shè)計(jì)北京市重點(diǎn)實(shí)驗(yàn)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(shí)事物提供全生命周期服務(wù)[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(lǐng)域開(kāi)展數(shù)字孿生研究,有利于提高我國(guó)農(nóng)業(yè)裝備水平,有助于加速推進(jìn)農(nóng)業(yè)機(jī)械化和農(nóng)業(yè)裝備產(chǎn)業(yè)轉(zhuǎn)型升級(jí)。

近年來(lái),科研人員不斷推進(jìn)智能化設(shè)計(jì)[4]、智能測(cè)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(lǐng)域的落地實(shí)用,并積極促進(jìn)農(nóng)業(yè)裝備與智慧農(nóng)業(yè)、無(wú)人農(nóng)場(chǎng)[8]的建設(shè)快速融合發(fā)展,國(guó)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(shè)計(jì)制造管理水平也日益提高,已初步具備開(kāi)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(guò)程復(fù)雜導(dǎo)致模型開(kāi)發(fā)難度大,國(guó)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(jī)物聯(lián)網(wǎng)、大數(shù)據(jù)中心等新型基礎(chǔ)設(shè)施不完善,傳感采集、信息通信、數(shù)據(jù)存儲(chǔ)等重要環(huán)節(jié)尚未形成統(tǒng)一標(biāo)準(zhǔn)等,都為農(nóng)業(yè)裝備數(shù)字孿生的研究與應(yīng)用增加了困難。特別是數(shù)字孿生具有多元性的特點(diǎn),需要多維度、小粒度的實(shí)時(shí)數(shù)據(jù)作為支撐,對(duì)系統(tǒng)架構(gòu)的合理性要求更加嚴(yán)格。在結(jié)合數(shù)字孿生與農(nóng)業(yè)裝備特點(diǎn)的同時(shí),如何實(shí)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(wèn)題。

目前,農(nóng)業(yè)裝備領(lǐng)域內(nèi)的主流研究仍集中在建模仿真、智能測(cè)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(xiàn)中,ZHANG等[9]提出大功率拖拉機(jī)數(shù)字孿生的構(gòu)建方法和運(yùn)行機(jī)制,開(kāi)發(fā)了用于改善拖拉機(jī)機(jī)耕作業(yè)質(zhì)量的數(shù)字孿生系統(tǒng),并通過(guò)試驗(yàn)驗(yàn)證了方法的有效性。NEMTINOV等[10]提出了一種建立復(fù)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(jī)開(kāi)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?？傊?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(shí)用化的系統(tǒng)級(jí)解決方案和典型應(yīng)用案例。然而,在機(jī)床[12]、智能汽車[13]、移動(dòng)通信[14]等領(lǐng)域中,云計(jì)算和移動(dòng)邊緣計(jì)算等技術(shù)逐漸興起和應(yīng)用,云-霧-邊-端高效協(xié)同工作可以提供超低時(shí)延和高帶寬的服務(wù)環(huán)境和云計(jì)算能力,這為農(nóng)業(yè)裝備數(shù)字孿生的實(shí)用化提供了參考。

針對(duì)上述需求與問(wèn)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(yīng)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(jī)為對(duì)象,以降低脫粒過(guò)程中的籽粒破碎率為目標(biāo),開(kāi)發(fā)一個(gè)原型系統(tǒng),實(shí)現(xiàn)模型預(yù)測(cè)、模型更新、實(shí)時(shí)監(jiān)測(cè)和優(yōu)化決策等功能,并在田間作業(yè)環(huán)境中驗(yàn)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(lǐng)域中的應(yīng)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(shí)時(shí)數(shù)據(jù)驅(qū)動(dòng)的高保真虛擬模型,并利用信息技術(shù)的分析處理能力實(shí)現(xiàn)虛實(shí)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(fù)雜性和不確定性問(wèn)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(shí)體、虛擬模型、連接、孿生數(shù)據(jù)和服務(wù)5個(gè)核心要素,如圖1所示。其中,物理實(shí)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(shí)現(xiàn)系統(tǒng)各要素之間信息交互的基礎(chǔ)。孿生數(shù)據(jù)是系統(tǒng)中所有數(shù)據(jù)的集合,包括實(shí)時(shí)感知數(shù)據(jù)、模型仿真數(shù)據(jù)、虛實(shí)融合數(shù)據(jù)和孿生服務(wù)數(shù)據(jù)等。孿生服務(wù)既包括維持系統(tǒng)運(yùn)行的功能性服務(wù),也包括解決實(shí)際應(yīng)用需求的業(yè)務(wù)性服務(wù)。

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(yùn)行機(jī)制如下:①虛擬模型在數(shù)據(jù)驅(qū)動(dòng)下精確追蹤和同步農(nóng)業(yè)裝備狀態(tài)。②孿生服務(wù)評(píng)估農(nóng)業(yè)裝備的運(yùn)行狀態(tài),利用虛擬模型仿真開(kāi)展優(yōu)化決策,并交由農(nóng)業(yè)裝備執(zhí)行。③孿生服務(wù)利用數(shù)據(jù)對(duì)自身和虛擬模型進(jìn)行校驗(yàn)和更新。④系統(tǒng)運(yùn)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(jī)制

研究實(shí)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(wèn)題: ①數(shù)字孿生系統(tǒng)需要高效處理海量數(shù)據(jù)和運(yùn)行大量復(fù)雜的模型和算法。②數(shù)字孿生對(duì)數(shù)據(jù)和運(yùn)算準(zhǔn)確性、時(shí)效性要求很高。③農(nóng)業(yè)裝備在田間移動(dòng)作業(yè),必須通過(guò)無(wú)線通信接入系統(tǒng)。④農(nóng)業(yè)裝備對(duì)安全性、穩(wěn)定性、低時(shí)延要求很高。⑤農(nóng)業(yè)生產(chǎn)的季節(jié)性強(qiáng),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(zhǎng)、系統(tǒng)彈性差,很難滿足上述需求。移動(dòng)邊緣計(jì)算通過(guò)在網(wǎng)絡(luò)邊緣部署計(jì)算和存儲(chǔ)資源,能為移動(dòng)網(wǎng)絡(luò)提供超低時(shí)延和高帶寬的服務(wù)環(huán)境和云計(jì)算能力[17-18],為解決上述問(wèn)題提供了思路。利用云服務(wù)器、霧服務(wù)器[19]、邊緣設(shè)備和農(nóng)業(yè)裝備組成云-霧-邊-端協(xié)同的異構(gòu)計(jì)算系統(tǒng),將瑣碎的低算力數(shù)據(jù)處理任務(wù)和高實(shí)時(shí)性需求的孿生服務(wù)向農(nóng)業(yè)裝備一側(cè)傾斜,有利于緩解時(shí)延大、穩(wěn)定性差和安全性低等問(wèn)題,有助于實(shí)現(xiàn)數(shù)字孿生系統(tǒng)的快速部署、高效運(yùn)行、云端協(xié)同和有機(jī)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(shè)備,一方面能夠?qū)崿F(xiàn)本地?cái)?shù)據(jù)處理,緩解服務(wù)器壓力,另一方面可以部署與測(cè)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(chǎng)通信基站的機(jī)房中的霧服務(wù)器,分擔(dān)“云”端壓力,實(shí)現(xiàn)數(shù)據(jù)算法、虛擬模型和實(shí)時(shí)孿生服務(wù)的高效運(yùn)行,同時(shí)協(xié)同“云”端服務(wù);“云”指部署在遠(yuǎn)程機(jī)房中的云服務(wù)器,具備強(qiáng)大的計(jì)算存儲(chǔ)資源和可擴(kuò)展性,用于部署高算力、準(zhǔn)/非實(shí)時(shí)的孿生服務(wù)。具體地,農(nóng)業(yè)裝備與邊緣設(shè)備通過(guò)現(xiàn)場(chǎng)總線通信,邊緣設(shè)備與霧服務(wù)器通過(guò)4G/5G網(wǎng)絡(luò)通信,霧服務(wù)器與云服務(wù)器通過(guò)光纖寬帶網(wǎng)絡(luò)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(yùn)行機(jī)制如圖3所示。首先,農(nóng)業(yè)裝備感知“人-機(jī)-物-環(huán)境”的運(yùn)行狀態(tài)。邊緣設(shè)備處理數(shù)據(jù)后上傳至霧服務(wù)器。霧服務(wù)器利用數(shù)據(jù)和虛擬模型開(kāi)展實(shí)時(shí)業(yè)務(wù)服務(wù),將決策結(jié)果下發(fā)至邊緣設(shè)備與農(nóng)業(yè)裝備。運(yùn)行過(guò)程中,霧服務(wù)器在數(shù)據(jù)的驅(qū)動(dòng)下定時(shí)評(píng)估虛擬模型并進(jìn)行小版本的模型參數(shù)更新,同時(shí)向云服務(wù)器反饋運(yùn)行情況。云服務(wù)器依據(jù)所有霧服務(wù)器的反饋數(shù)據(jù)對(duì)虛擬模型和算法進(jìn)行大版本的迭代和優(yōu)化,然后下發(fā)并部署至霧服務(wù)器。

圖3 系統(tǒng)的運(yùn)行機(jī)制Fig.3 Operating mechanism of system

根據(jù)上述架構(gòu)、概念原型和運(yùn)行機(jī)制,圖4給出了一個(gè)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(xì)節(jié),可以作為系統(tǒng)實(shí)現(xiàn)的參考。

2 系統(tǒng)實(shí)現(xiàn)

大型玉米籽粒直收聯(lián)合收獲機(jī)融合機(jī)、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(dòng)強(qiáng)度、提高農(nóng)業(yè)生產(chǎn)率和減少糧食損失,是復(fù)雜農(nóng)業(yè)機(jī)械的典型代表。因此,以聯(lián)合收獲機(jī)為對(duì)象開(kāi)發(fā)原型系統(tǒng)具有廣泛的參考價(jià)值,并且對(duì)農(nóng)業(yè)裝備精準(zhǔn)化、智能化作業(yè)具有重要的意義。

本研究針對(duì)玉米聯(lián)合收獲機(jī)作業(yè)過(guò)程中籽粒破碎率高這一關(guān)系到糧食損失的重要問(wèn)題,選擇五征4LZ-8型玉米聯(lián)合收獲機(jī),參考圖4開(kāi)發(fā)一個(gè)簡(jiǎn)單的數(shù)字孿生原型系統(tǒng),驗(yàn)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(jī)的感知與執(zhí)行功能如圖5所示,檢測(cè)了谷物產(chǎn)量Q、發(fā)動(dòng)機(jī)負(fù)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(jì)6個(gè)參數(shù)[20-21],還開(kāi)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(jī)的感知與執(zhí)行功能Fig.5 Sensing and executive function of corn kernel harvester

2.2 邊緣設(shè)備(邊)

基于研華UNO-3000G型工控機(jī)開(kāi)發(fā)了邊緣設(shè)備原型機(jī)(圖6)。該邊緣設(shè)備安裝在聯(lián)合收獲機(jī)的駕駛室中。其中,工控機(jī)是中央處理單元,通過(guò)PCle-CAN卡和4G路由器分別實(shí)現(xiàn)總線通信和移動(dòng)網(wǎng)絡(luò)通信。設(shè)備能夠?qū)崿F(xiàn)CAN報(bào)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(shè)備原型機(jī)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(gè)值,即x2≤…≤xk≤…≤xN

x′——濾波后數(shù)據(jù)

2.3 霧服務(wù)器(霧)

在配置如表1所示的戴爾T7920型工作站上開(kāi)發(fā)了霧服務(wù)器,實(shí)際部署有物聯(lián)網(wǎng)平臺(tái)、虛擬模型、模型更新服務(wù)和實(shí)時(shí)業(yè)務(wù)服務(wù)4部分。

表1 霧服務(wù)器配置Tab.1 Configuration of fog server

2.3.1物聯(lián)網(wǎng)平臺(tái)

物聯(lián)網(wǎng)平臺(tái)是霧服務(wù)器的數(shù)據(jù)中心和連接中心,集成有通信服務(wù)器程序和MySQL&Redis數(shù)據(jù)庫(kù),實(shí)現(xiàn)霧服務(wù)器與邊緣設(shè)備、云服務(wù)器之間的通信,以及數(shù)據(jù)存儲(chǔ)。為了方便用戶管理接入霧服務(wù)器的農(nóng)業(yè)裝備,開(kāi)發(fā)了Web服務(wù)器程序和頁(yè)面(圖7),包括新增設(shè)備、設(shè)備管理、數(shù)據(jù)管理等功能。

圖7 物聯(lián)網(wǎng)平臺(tái)Web頁(yè)面Fig.7 Web page of IoT platform

2.3.2虛擬模型

理論分析、試驗(yàn)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(yàn)?zāi)Ｐ秃屠碚撃Ｐ蚚22-23],具有結(jié)果準(zhǔn)確、時(shí)效性高和使用便捷的特點(diǎn),因此采用基于數(shù)據(jù)的建模方法。

在聯(lián)合收獲機(jī)脫?！白魑?機(jī)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(jī)(Multilayer perceptron,MLP)神經(jīng)網(wǎng)絡(luò)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(luò)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(luò)輸入

H(i)——第i個(gè)隱藏層輸出,i∈(0,imax]

W(i)——第i個(gè)隱藏層權(quán)重,i∈(0,imax]

b(i)——第i個(gè)隱藏層偏置,i∈(0,imax]

σi——第i個(gè)隱藏層激活函數(shù)

Y——MLP神經(jīng)網(wǎng)絡(luò)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(jī)神經(jīng)網(wǎng)絡(luò)模型的現(xiàn)有研究[24-25]中,為了避免過(guò)擬合,一般采用隱藏層數(shù)量小于等于3個(gè)和單層神經(jīng)元數(shù)量小于等于10個(gè)的“小”模型。但是,數(shù)字孿生要求虛擬模型具有通過(guò)更新來(lái)適應(yīng)物理實(shí)體最新?tīng)顟B(tài)的潛力,同時(shí)模型的更新機(jī)制可以改善過(guò)擬合問(wèn)題,所以應(yīng)設(shè)法得到一個(gè)較“大”的模型。因此,為了使模型盡可能學(xué)習(xí)到更深層次的規(guī)律,采用了遷移學(xué)習(xí)中的“預(yù)訓(xùn)練-微調(diào)”方法[26]。首先,利用來(lái)自不同機(jī)型、時(shí)間、地域的數(shù)據(jù)得到粗糙的預(yù)訓(xùn)練模型。然后在預(yù)訓(xùn)練模型的基礎(chǔ)上,利用來(lái)自目標(biāo)聯(lián)合收獲機(jī)的數(shù)據(jù)繼續(xù)做針對(duì)性訓(xùn)練,最終得到一個(gè)精度滿足訓(xùn)練要求且具有更新潛力的模型。

表2展示了訓(xùn)練數(shù)據(jù)的來(lái)源,其中數(shù)據(jù)的采樣頻率為0.5 Hz。在數(shù)據(jù)預(yù)處理中,首先采用雙線性插值法填補(bǔ)缺失數(shù)據(jù),再通過(guò)

表2 訓(xùn)練數(shù)據(jù)來(lái)源Tab.2 Source of training data

(3)

式中xj,k——第j個(gè)輸入特征xj的第k個(gè)值

μj——xj中所有數(shù)據(jù)均值

σj——xj中所有數(shù)據(jù)標(biāo)準(zhǔn)差

將每個(gè)輸入特征標(biāo)準(zhǔn)化,最后分別對(duì)預(yù)訓(xùn)練和微調(diào)訓(xùn)練兩個(gè)階段的數(shù)據(jù)集按照7∶3的比例劃分訓(xùn)練集和驗(yàn)證集。

籽粒破碎率Zs通常在5%左右。在模型訓(xùn)練中,若直接采用均方根誤差(RMSE)作為損失函數(shù)訓(xùn)練模型,會(huì)導(dǎo)致訓(xùn)練損失很快收斂到一個(gè)很小的范圍,從而影響訓(xùn)練效果。為了避免這種情況發(fā)生,使模型訓(xùn)練更多地考慮相對(duì)誤差,采用先將真實(shí)值和預(yù)測(cè)值各自取對(duì)數(shù)后再求RMSE的方式計(jì)算模型損失,計(jì)算式為

(4)

式中yk——模型第k個(gè)輸出量真實(shí)值

M——模型輸出量個(gè)數(shù),取1

L——模型損失值

采用初始學(xué)習(xí)率為1×10-3,學(xué)習(xí)倍率為0.9的Adam梯度下降算法[27]訓(xùn)練模型。經(jīng)過(guò)反復(fù)嘗試,訓(xùn)練得到隱藏層個(gè)數(shù)imax為5,隱藏層神經(jīng)元個(gè)數(shù)依次為10、15、15、10、4的MLP神經(jīng)網(wǎng)絡(luò)模型。

2.3.3模型更新服務(wù)

在大部分情況下,一個(gè)適應(yīng)能力強(qiáng)、更新潛力大的虛擬模型無(wú)需改動(dòng)自身結(jié)構(gòu),僅通過(guò)模型更新服務(wù)微調(diào)即可適應(yīng)物理實(shí)體實(shí)際變化。

圖9展示了模型更新服務(wù)的運(yùn)行流程。T1為每相鄰兩次模型更新服務(wù)的時(shí)間間隔。若不考慮外界因素導(dǎo)致突發(fā)狀況,“作物-機(jī)械”系統(tǒng)的變化是一個(gè)持續(xù)而緩慢的過(guò)程,模型更新服務(wù)的工作頻率無(wú)需太高,這里取T1為1 200 s。首先,獲取T1內(nèi)的監(jiān)測(cè)數(shù)據(jù),并整理為數(shù)據(jù)集D。然后,將D作為測(cè)試集,評(píng)估當(dāng)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(wù)的運(yùn)行流程圖Fig.9 Running flow chart of model update service

2.3.4實(shí)時(shí)業(yè)務(wù)服務(wù)

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(kāi)發(fā)相應(yīng)的業(yè)務(wù)服務(wù)。利用實(shí)時(shí)數(shù)據(jù)和虛擬模型實(shí)現(xiàn)對(duì)v、n和δ控制目標(biāo)值的優(yōu)化決策。

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

此外,為了直觀地展示機(jī)器運(yùn)行過(guò)程,基于Unity3D開(kāi)發(fā)了農(nóng)業(yè)裝備數(shù)字孿生服務(wù)平臺(tái)(圖11)。其中,交互界面分為運(yùn)行參數(shù)監(jiān)測(cè)區(qū)域和幾何模型動(dòng)態(tài)展示區(qū)域。幾何模型動(dòng)態(tài)展示區(qū)域定義了機(jī)器尤其是脫粒系統(tǒng)關(guān)鍵部件的運(yùn)動(dòng)關(guān)系,模型的動(dòng)作和姿態(tài)可以在實(shí)時(shí)數(shù)據(jù)的驅(qū)動(dòng)下與物理實(shí)體保持一致。

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

2.4 云服務(wù)器(云)

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

表3 云服務(wù)器配置Tab.3 Configuration of cloud server

2.4.1系統(tǒng)管理平臺(tái)

系統(tǒng)管理平臺(tái)用于實(shí)現(xiàn)霧服務(wù)器與云服務(wù)器間的網(wǎng)絡(luò)連接、實(shí)時(shí)通信、數(shù)據(jù)存儲(chǔ)和設(shè)備管理,為其開(kāi)發(fā)了具有設(shè)備管理、設(shè)備監(jiān)測(cè)和系統(tǒng)配置等功能的Web頁(yè)面,幫助管理人員維持?jǐn)?shù)字孿生系統(tǒng)的正常運(yùn)轉(zhuǎn)。

2.4.2模型迭代服務(wù)

模型迭代服務(wù)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(duì)模型更新服務(wù)更低。通過(guò)集成來(lái)自所有霧服務(wù)器的反饋數(shù)據(jù),擴(kuò)充數(shù)據(jù)集或優(yōu)化模型結(jié)構(gòu)開(kāi)發(fā)和訓(xùn)練新一代數(shù)據(jù)模型,經(jīng)過(guò)驗(yàn)證后將新模型部署至霧服務(wù)器運(yùn)行。

當(dāng)前系統(tǒng)仍處在原型驗(yàn)證階段,僅有一臺(tái)聯(lián)合收獲機(jī)和霧服務(wù)器接入,所以模型迭代服務(wù)中僅提供了一個(gè)定向部署虛擬模型的接口。數(shù)據(jù)分析、模型開(kāi)發(fā)、模型訓(xùn)練等工作需要人工手動(dòng)進(jìn)行。待系統(tǒng)進(jìn)一步完善后,將有更多的聯(lián)合收獲機(jī)接入系統(tǒng),屆時(shí)將考慮以自動(dòng)化方式[29]實(shí)現(xiàn)模型迭代。

3 試驗(yàn)驗(yàn)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(jī)開(kāi)展田間試驗(yàn)。采用五點(diǎn)法測(cè)量試驗(yàn)區(qū)域內(nèi)玉米籽粒含水率為29.36%。試驗(yàn)參照GB/T 21962—2020《玉米收獲機(jī)械》中的方法開(kāi)展,圖12展示了試驗(yàn)現(xiàn)場(chǎng)具體情況。

圖12 田間試驗(yàn)現(xiàn)場(chǎng)Fig.12 Field test situation

3.1 虛擬模型預(yù)測(cè)效果驗(yàn)證

為了驗(yàn)證虛擬模型的預(yù)測(cè)效果,將聯(lián)合收獲機(jī)設(shè)置為手動(dòng)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(shí)刻,導(dǎo)出更新前后的籽粒破碎率真實(shí)值和虛擬模型預(yù)測(cè)值,如圖13所示(時(shí)間取負(fù)值表示更新前,時(shí)間取正值表示更新后)。

圖13 模型預(yù)測(cè)效果Fig.13 Prediction effects of model

為了評(píng)估虛擬模型的準(zhǔn)確性與模型更新方法的有效性,利用式(4)計(jì)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(yàn)結(jié)果顯示,在模型更新前,虛擬模型對(duì)籽粒破碎率的預(yù)測(cè)損失值均大于0.01,達(dá)到模型更新閾值。在模型更新后,模型預(yù)測(cè)值損失降低,預(yù)測(cè)效果明顯改善。試驗(yàn)結(jié)果表明,虛擬模型的更新潛力和適應(yīng)能力良好,模型更新服務(wù)能夠正常觸發(fā)和運(yùn)行,改善了模型的預(yù)測(cè)效果。

3.2 控制決策優(yōu)化效果驗(yàn)證

通過(guò)與聯(lián)合收獲機(jī)的其他脫?？刂品椒?模式對(duì)比,驗(yàn)證本研究中基于數(shù)字孿生的控制決策優(yōu)化方法,評(píng)價(jià)該方法對(duì)降低籽粒破碎率的有效性。

試驗(yàn)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(dòng)控制模式,由具有作業(yè)經(jīng)驗(yàn)的駕駛員通過(guò)手動(dòng)調(diào)整作業(yè)參數(shù)完成收獲作業(yè)。模式Ⅱ?yàn)榉答伩刂颇Ｊ?依據(jù)籽粒破碎率的反饋值,按照預(yù)設(shè)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(yù)設(shè)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(yàn)中,聯(lián)合收獲機(jī)分別采用3種模式縱向穿越整個(gè)地塊各1次,取每次/每種模式試驗(yàn)中籽粒破碎率傳感器檢測(cè)結(jié)果的平均值。為了減小隨機(jī)誤差,重復(fù)對(duì)比試驗(yàn)10次,試驗(yàn)結(jié)果如圖14所示。

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

通過(guò)圖14可以看出,采用模式Ⅰ收獲作業(yè)時(shí),籽粒破碎率開(kāi)始時(shí)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(yīng)性調(diào)整。采用模式Ⅱ收獲作業(yè)時(shí),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(shí),籽粒破碎率低于模式Ⅱ,遠(yuǎn)低于模式Ⅰ,且比模式Ⅰ和模式Ⅱ的波動(dòng)更小。

根據(jù)試驗(yàn)結(jié)果,計(jì)算10次試驗(yàn)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(kāi)發(fā)的數(shù)字孿生系統(tǒng),利用實(shí)時(shí)數(shù)據(jù)驅(qū)動(dòng)的虛擬模型優(yōu)化調(diào)控機(jī)器的運(yùn)行參數(shù),能夠穩(wěn)定地降低玉米聯(lián)合收獲機(jī)脫粒時(shí)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(yàn)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(yùn)行原理。通過(guò)分析數(shù)字孿生和農(nóng)業(yè)裝備的特點(diǎn)和需求,融合移動(dòng)邊緣計(jì)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(yùn)行機(jī)制。

(2)以籽粒直收型玉米聯(lián)合收獲機(jī)為對(duì)象,以降低玉米脫粒過(guò)程中的籽粒破碎率為目標(biāo),通過(guò)完善聯(lián)合收獲機(jī)的感知與執(zhí)行功能,開(kāi)發(fā)邊緣設(shè)備、霧服務(wù)器和云服務(wù)器,實(shí)現(xiàn)了模型預(yù)測(cè)、模型更新、實(shí)時(shí)監(jiān)測(cè)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(yàn)結(jié)果表明,模型更新能夠提高模型的適應(yīng)能力,降低預(yù)測(cè)誤差,改善預(yù)測(cè)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(jī)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(yùn)行,既驗(yàn)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。