Method for Determining the Initial Values of the Adjustable Parameters of the Combine Harvester Cutting Unit

Full Text

Введение

Качество процесса уборки зерновых и других сельскохозяйственных культур в значительной мере определяется тем, насколько установленные регулируемые параметры комбайна соответствуют условиям уборки. Зерноуборочный комбайн – одна из самых сложных сельскохозяйственных машин, обеспечивающих механизацию уборочных работ в растениеводстве. Задача технологической регулировки машины далеко не простая, так как отношения между внешними факторами, регулируемыми параметрами и характеристиками качества уборки характеризуются многосвязностью, неоднозначностью, исходная информация носит нечеткий характер и не определена система предпочтений лица, принимающего решения. В результате этого на практике зачастую наблюдаются потери зерна, засорение и дробление, что обусловлено неадекватностью технологической настройки конкретным условиям [1].

Поскольку внешние условия, в которых работает комбайн, существенно влияют на установочные параметры, то к информации о внешних факторах предъявляются высокие требования в части достоверности и адекватности. Информация поступает в виде оценок экспертов, а также в результате обработки данных датчиков и анализа изображений, что говорит о ее нечетком характере. Взаимосвязи регулируемых параметров комбайна с внешними условиями еще более очевидно можно отнести к нечетким в силу неконкретного описания внешних условий, а также неоднозначности и наличия сложных корреляционных зависимостей. Для описания функционирования подобных систем традиционные методы математического моделирования, такие как построение регрессионных моделей и другие статистические методы, опирающиеся на экспериментальные данные и цифровую обработку [2–6], практически непригодны, поскольку применимы только в рассматриваемом диапазоне величин, а оперативное перестроение модели, необходимое в полевых условиях, невозможно без анализа новых экспериментальных данных. Помимо этого, наличие множества неоднозначных связей между внешними условиями, регулируемыми параметрами и показателями качества уборки приводит к трудно оптимизируемым, громоздким математическим конструкциям в рамках множественного регрессионного анализа и делает само применение этого подхода неэффективным.

Перспективным направлением решения данной задачи является проектирование интеллектуальных систем, использующих экспертные знания и обеспечивающих эффективность управления различными техническими системами¹. Создание интеллектуальной системы для технологической регулировки предполагает идентификацию предметной области, логико-лингвистическое описание и привлечение математического аппарата нечеткой логики.

Целью настоящей работы является разработка метода выбора начальных значений регулируемых параметров жатвенной части зерноуборочного комбайна.

Обзор литературы

Для описания процессов принятия решений по управлению технологическими процессами в сложных системах используется математический аппарат нечеткой логики. В последние годы он достаточно широко применяется для решения задач агропромышленного комплекса, среди которых идентификация сорняков, оценка урожайности, оценка качества почвы, повышение продуктивности культур и эффективности использования удобрений и др. [7–10]. Обосновано применение данного подхода к оценке значений регулируемых параметров комбайна [11–13] и к проблеме оперативной корректировки технологических настроек в случае обнаружения нарушений качества уборки [14].

Задача предварительной настройки относится к классу задач принятия решений в нечетких условиях, поскольку характеристики внешних факторов имеют нечеткие размытые границы, неоднозначно влияние различных комбинаций параметров настройки на показатели качества уборки, а устанавливаемые априорно взаимосвязи могут оказаться неадекватными для реальной ситуации. Все эти факты послужили основанием для выбора способа решения данной задачи – создания интеллектуальной системы, использующей для получения решения нечеткий логический вывод, основанный на информации экспертного, оценочного и эвристического характера [11]. Источниками такой информации являются квалифицированные специалисты в данной области, накопленные знания о взаимосвязях показателей качества уборки, внешние условия и параметры настройки комбайна. Такой подход был использован для вывода важнейших регулируемых параметров комбайна: скорости движения, частоты вращения молотильного барабана, частоты вращения вентилятора очистки [11; 15].

Наряду с перечисленными параметрами для качественной уборки урожая существенное значение имеет правильный выбор параметров жатвенной части комбайна, таких как вынос мотовила по вертикали и горизонтали и другие. Предварительная настройка регулируемых параметров комбайна, соответствующих условиям уборки, охватывает весь комплекс параметров, и настоящее исследование посвящено разработке метода выбора оптимальных значений параметров жатвенной части. В проведенных ранее исследованиях представлено лингвистическое описание внешних факторов, рассмотрены урожайность, влажность, засоренность и соломистость зерна [11; 14; 15]. На основе алгоритма были установлены оптимальные модели лингвистических переменных, соответствующих перечисленным факторам [16]. Для настройки параметров жатвенной части являются актуальными и другие параметры, такие как высота, полеглость хлебостоя и другие. Их лингвистическое описание представлено в другой работе [17].

В данном исследовании в рамках разработанного метода выбора параметров жатвенной части описано систематизированное формально˗логическое построение условий задачи, включающее лингвистическое описание внешних факторов и регулируемых параметров жатвенной части и создана система правил нечетких продукций для вывода решения.

Материалы и методы

Предлагаемый подход к формированию метода предварительной настройки регулируемых параметров жатвенной части базируется на математическом аппарате нечеткой логики и в общем виде состоит из этапов фаззификации, композиции и дефаззификации [11; 15]. Далее остановимся подробно на каждом из них.

На этапе фаззификации формулируется лингвистическое описание условий задачи [18], определяется множество {X} входных переменных задачи в виде совокупности значений факторов внешней среды, существенно влияющих на величину выходной переменной Y – регулируемого параметра машины. В нашем случае при наличии нескольких регулируемых параметров выводы их значений рассматриваются как параллельные процессы.

Модели входных и выходных признаков X, Y представляются в виде семантических пространств и соответствующих им функций принадлежности (ФП) [18].

Следующие этапы решения включают квалиметрическую оценку шкал носителя, выбор базовых и расширенных терм-множеств лингвистической переменной (ЛП), построение ФП одним из методов, проверку выполнения требований к ФП, оценку степени согласованности нечетких экспертных знаний, построение обобщенной ФП.

При построении ФП используются нормальные нечеткие множества с верхней границей, равной 1 ($\underset{x\in E}{\sup }{\mu }_A(x)=1$ ), причем как унимодальные (например, треугольной или экспоненциальной формы), так и имеющие область толерантности (например, трапециевидные). Среди процедур построения ФП выберем представление с помощью стандартных функций треугольной и трапециевидной форм, оценка параметров которых не вызывает затруднений у экспертов и отвечает специфике неопределенности.

Согласованность экспертной информации оценивается следующими характеристиками [16; 18]:

– матрицей K парной согласованности моделей экспертов;

– матрицей D нечеткости;

– аддитивным k и мультипликативным $\tilde{k}$  показателями.

Первые две характеристики определят парную согласованность моделей, а последние – согласованность моделей в целом.

Экспертные модели ЛП используются в процессе нечеткого логического вывода решения, что обуславливает высокие требования к адекватности экспертной информации реальным условиям. Согласованность экспертной информации является одним из критериев ее качества. Низкая согласованность может возникать из˗за недостаточной квалификации кого˗то из экспертов. Для установления этого факта анализируют матрицы нечеткости D и парной согласованности K моделей и выполняют корректировку согласно алгоритму [16]. Общая рассогласованность требует более углубленного анализа модели, положенной в основу формального описания.

Формальное представление зависимостей между выходным и входными параметрами имеет вид эмпирических правил, образующих базу нечетких знаний, в частном случае, множество правил нечетких продукций вида

$i:A\Rightarrow B;(F)$ ,

где i – имя нечеткой продукции; $A\Rightarrow B$  – ядро продукции, в котором А – антецендент, включающий элементарные предложения, соединенные логическими связками «и», а В – консеквент, выражающий заключение; $\Rightarrow$   – оператор логического следования; F – коэффициент достоверности продукции². В словесной форме ядро продукции имеет вид «ЕСЛИ А, ТО В». Для проверки адекватности сформулированных правил строят поверхности, отражающие зависимости выходной ЛП от различных комбинаций входных ЛП, взятых попарно.

В общем случае развернутая форма нечеткого логического вывода для системы продукций имеет вид³

   ${\mu }_{B^{\text{'}}}=\underset{x\in X}{\vee }\text{(}{\mu }_{A^{\text{'}}}\left(x\right)\underset{}{\wedge }{\mu }_R\text{(}x\text{,}y\text{))}$  (1)

На этапе дефаззификации для конкретной комбинации внешних факторов выводятся методом центра тяжести значения выходных параметров⁴. Вывод реализуется в пакете Fuzzy Logic Toolbox (MatLab).

Результаты исследования

На основе систематизации описанных выше этапов и их приложения к исследованию предметной области «предварительная настройка жатвенной части комбайна» предложен метод решения задачи выбора оптимальных начальных значений параметров рабочих органов агрегата. Иерархия составляющих метода включает несколько уровней и приведена на рисунке 1. Далее рассмотрим подробно отдельные элементы данной структурной схемы.

 

 

 

Рис. 1. Структурная схема метода предварительной настройки параметров жатвенной части

Fig. 1. Block diagram of the preset adjusting method of the combine harvester cutting unit

 

В результате использования метода концептуализации выполняется определение входных и выходных факторов, их отношений и типов данных. Рассматриваются внешние факторы, оказывающие влияние на регулируемые параметры жатвенной части. Среди них наиболее существенными являются урожайность, засоренность, влажность, высота, полеглость, густота, спутанность хлебостоя. При определении лингвистической шкалы ЛП, соответствующих перечисленным факторам, необходимо учитывать тип убираемой культуры. Может потребоваться и дифференциация такого фактора, как урожайность. Так, для пшеницы рассматривают урожайность примерно 60, 50, 40 ц/га и т. д.

Выходными ЛП в поставленной задаче являются скорость машины, положение мотовила по высоте относительно режущего аппарата, положение мотовила по горизонтали (вынос мотовила), высота среза, а также различные зазоры, такие как зазор между витками шнека и днищем жатки, зазор между пальцами шнека и днищем жатки.

Выбор значений перечисленных входных факторов и выходных параметров является частью общей задачи настройки регулируемых параметров комбайна, схема решения которой представлена на рисунке 2.

 

 

 

Рис. 2. Обобщенная схема нечеткого вывода решения применительно к проблеме

предварительной настройки регулируемых параметров жатвенной части

Fig. 2. Generalized scheme of fuzzy inference of the solution in relation

to the problem of the adjustable harvester header parameters presetting

 

Построение модели предметной области включает структурную и параметрическую идентификацию. Структурная идентификация подразумевает установление взаимосвязей регулируемого параметра и внешних факторов на основе эмпирических правил. На этапе параметрической идентификации определяются носители и число термов ЛП, параметры ФП и коэффициенты достоверности правил продукций, при которых расхождение модельных и экспериментальных результатов должно быть минимальным. 

Приведем лингвистическое описание нескольких внешних факторов и регулируемых параметров для одной из культур – пшеницы (табл. 1).

 

Таблица  1 Описание лингвистических переменных

Table  1 Tuples of the linguistic variables

 

Кортежи ЛП / Linguistic variable tuples	Условное обозначение / Unit designation
<Урожайность 40 ц/га {Менее 40, Примерно 40, Более 40}, 34–46> / <Productivity of 40 centners/ha {Less than 40, Approximately 40, More than 40}, 34–46>	УР ={УРМ40, УРП40, УРБ40}
<Влажность хлебостоя,% {Сухой; Нормальный, Влажный}, 0–20> / <Humidity of corn crops,% {Dry; Normal, Wet}, 0–20>	ВС ={СХ, НОРХ, ВЛХ}
<Соломистость, %  {Малая, Нормальная}, 40–70> / <Strawiness, % {Small, Normal}, 40–70>	СОЛ ={МСОЛ, НСОЛ}
<Засоренность хлебостоя, %  {Низкая, Большая}, 0–40> / <Wildage of corn crops, % {Low, Large}, 0–40>	ЗХ ={НЗХ, БЗХ}
<Высота хлебостоя, см  {Низкорослый, Ниже среднего, Средний, Высокий}, 30–120> / <Height of corn crops, cm {Low, Below average, Medium, High}, 30–120>	ВысХ = {НХ, НСрХ, СрХ, ВХ}
<Полеглость хлебостоя, % {Прямостоящий, Низкая, Средняя, Высокая}, 0–40> / < Lodging of corn crops, % {Right, Low, Medium, High}, 0–40>	ПХ = {ППХ, НПХ, СПХ, ВПХ}
<Спутанность хлебостоя, % {Нормальный, Спутанный}, 0–40> / < Confusion of corn crops, % {Normal, Confused}, 0–40>	СХ = {НСХ, ССХ}
<Густота хлебостоя, стеб./м2 {Разреженный, Ниже среднего, Средний, Густой}, 100–1 000> / < Density of corn crops, stems/m2 {Fragile, Below average, Medium, Dense}, 100–1,000>	ГХ = {ГРХ, НСрХ, СГХ, ГГХ}
<Положение мотовила по высоте, см  {Очень низкое, Низкое, Среднее, Высокое}, −10–110> / < Reel height position, cm {Very low, Low, Medium, High}, −10–110>	МПВ = {ОН, Н, С, В}
<Положение мотовила по горизонтали, см  {Незначительный, Ниже среднего, Средний, Дальний}, 20–70> / < Reel horizontal position, cm {Significant, Below average, Medium, Far}, 20–70>	МПГ = {Н, НС, С, Д}

 

Выбор границ термов проиллюстрирован на рисунке 3 для ЛП «положение мотовила по высоте».

 

 

Рис. 3. Границы термов ЛП «положение мотовила по высоте»

Fig. 3. Limits of the terms of the linguistic variable “Reel vertical position”

 

Указано количество термов ЛП, выбранных на основе критериев согласованности при обработке информации четырех экспертов [16]. Характеристики согласованности вычислены с помощью программного комплекса [19] и представлены в таблице 2 для нескольких ЛП.

 

Таблица 2 Матрица K парной согласованности и показатели k и  общей согласованности

Table 2 Matrix K of pair consistency and Indices k and  of overall consistency

 

ЛП / Linguistic Variable	Матрица K / Matrix K				k
«Соломистость хлебостоя» / “Strawness of  corn crops”	1,000	0,667	0,667	0,964	0,699	0,677
	0,667	1,000	0,946	0,667
	0,667	0,946	1,000	0,667
	0,964	0,667	0,667	1,000
«Высота хлебостоя» / “Height of corn crops”	1,000	0,945	0,901	0,812	0,812	0,812
	0,945	1,000	0,951	0,862
	0,901	0,951	1,000	0,911
	0,812	0,862	0,911	1,000
«Полеглость хлебостоя» / “Lodging of corn crops”	1,000	0,868	0,856	0,929	0,820	0,812
	0,868	1,000	0,912	0,839
	0,856	0,912	1,000	0,927
	0,929	0,839	0,927	1,000
«Густота хлебостоя» / “Density of corn crops”	1,000	0,958	0,896	0,872	0,787	0,779
	0,958	1,000	0,857	0,832
	0,896	0,857	1,000	0,867
	0,872	0,832	0,867	1,000
«Положение мотовила по высоте» / “Reel height positionˮ	1,000	0,868	0,868	0,874	0,850	0,840
	0,868	1,000	1,000	0,747
	0,868	1,000	1,000	0,747
	0,874	0,747	0,747	1,000
«Положение мотовила по горизонтали» / “Reel horizontal position”	1,000	0,860	0,860	0,892	0,880	0,870
	0,860	1,000	0,960	0,810
	0,860	0,960	1,000	0,920
	0,892	0,810	0,920	1,000

 

На рисунке 4 приведено несколько графиков ФП рассматриваемых ЛП.

 

 

Рис. 4. Графики функции принадлежности термов ЛП: a) «Высота хлебостоя»;
b) «Полеглость хлебостоя»; c) «Густота хлебостоя»; d) «Положение мотовила по высоте»;
e) «Положение мотовила по горизонтали»

Fig. 4. Graphs of membership functions of the terms of the linguistic variables:
a) “Height of corn crops”; b) “Lodging of corn crops”; c) “Density of corn crops”;
d) “Reel vertical position”; e) “Reel horizontal position

 

На основе частных ФП построена обобщенная ФП для всех ЛП, которые используются при разработке базы продукционных правил.

На основе методики формирования базы знаний создана система продукционных правил. Она имеет разветвленную иерархическую структуру, которая на первом уровне делится по убираемым культурам, на следующем уровне для ряда культур (например, пшеница) целесообразно выделять урожайность. Систему сложных взаимосвязей входных и выходного параметров, отраженных в правилах, иллюстрирует рисунок 5.

 

 

 

Рис. 5. Система взаимосвязей входных ЛП и выходной ЛП «положение мотовила по высоте».
Условные обозначения, используемые на рисунке, расшифрованы в таблице 1

Fig. 5. The system of interrelationships of input linguistic variables and output linguistic variable
“Reel vertical position”. The symbols used in the figure are shown in Table 1

 

База знаний сформулирована для каждой культуры и регулируемого параметра, коэффициент достоверности правил равен 1. Например, для пшеницы с урожайностью примерно 40 ц/га и выходной ЛП «положение мотовила по высоте» база знаний содержит 128 правил вида:

ЕСЛИ <высота хлебостоя «низкорослый», и полеглость хлебостоя «прямостоящий», и спутанность хлебостоя «нормальный», и густота хлебостоя «разреженный», ТО положение мотовила по высоте «очень низкое»>.

Нечеткий логический вывод каждого из регулируемых параметров основан на созданной базе знаний и выполняется согласно формуле (1), а точное его значение для определенной комбинации внешних факторов может быть получено методом центра тяжести.

Обсуждение и заключение

Разработан метод выбора начальных параметров жатвенной части комбайна. В рамках предложенного подхода подробно рассмотрены элементы формально˗логической схемы вывода решений. Даны лингвистические описания значимых внешних факторов и параметров настройки, выбраны оптимальные модели на основе показателей согласованности, создана база нечетких экспертных знаний. Полученные результаты, совместно с аналогичными разработками по настройке параметров других рабочих органов комбайна, составляют основу для дальнейшей разработки интеллектуальной информационной системы принятия решений по предварительной настройке регулируемых параметров комбайна, которая существенно облегчает работу оператора. В перспективе развитие таких систем предполагает подключение датчиков мониторинга внешних условий уборки и показателей качества уборки и автоматизированной системы анализа изображений для оперативной корректировки регулируемых параметров.

 

 

¹           Аверкин А. Н. Нечеткие множества в моделях управления и искусственного интеллекта. М. : Книга по требованию, 2021. 312 с.

²           Аверкин А. Н. Нечеткие множества в моделях управления и искусственного интеллекта. М. : Книга по требованию, 2021. 312 с.

³           Асаи К., Ватада Д., Сугэно С. Прикладные нечеткие системы / пер. с япон. М. : Мир, 1993. 368 с.

⁴           Искусственный интеллект и интеллектуальные системы управления / И. М. Макаров [и др.]. Москва : Наука, 2006. 333 с.

 

About the authors

Valeriy P. Dimitrov

Don State Technical University

Author for correspondence.
Email: kaf-qm@donstu.ru
ORCID iD: 0000-0003-1439-1674
Scopus Author ID: 57195505958
ResearcherId: E-4908-2018

Head of the Chair of Quality Management, Dr.Sci. (Engr.), Professor

Russian Federation, 1 Gagarin Sq., Rostov-on-Don 344000

Lyudmila V. Borisova

Don State Technical University

Email: borisovalv09@mail.ru
ORCID iD: 0000-0001-6611-4594
ResearcherId: E-4863-2018

Head of the Chair of Management and Business Processes, Dr.Sci. (Engr.), Professor

Russian Federation, 1 Gagarin Sq., Rostov-on-Don 344000

Inna N. Nurutdinova

Don State Technical University

Email: nurut.inna@yandex.ru
ORCID iD: 0000-0002-3375-1295

Associate Professor of Applied Mathematics Chair, Cand.Sci (Phys.-Math.),

Russian Federation, 1 Gagarin Sq., Rostov-on-Don 344000

References

Supplementary files