摘要：针对联合收割机喂入量波动大、调控滞后的问题，研发了一套基于边缘计算与深度学习多传感器融合的智能调控系统。系统通过激光雷达、近红外光谱等多源传感器实时感知作业环境，利用LSTM网络进行时序数据融合与喂入量预测，并结合模型预测控制算法生成调控指令。田间试验表明，该系统能将喂入量波动系数控制在8.5%以内，籽粒损失率降至1.0%以下，响应延迟≤120 ms，综合性能显著优于传统控制方法。

　　关键词：边缘计算；联合收割机；喂入量调控；深度学习；数据融合；模型预测控制

　　1.引言

　　联合收获机喂入量稳定性是影响其作业质量的核心因素。喂入量传统人工调控存在感知滞后、决策粗放等问题，难以适应田间复杂工况。边缘计算与深度学习技术的结合为实现实时、精准的智能调控提供了新途径。本研究旨在设计一套基于边缘计算与深度学习多传感器融合的喂入量自适应调控系统，并通过试验验证其有效性[1]。

　　2.系统边缘智能架构与调控需求分析

　　2.1面向实时精准调控的边缘计算需求

　　喂入量自适应调控系统设计需满足三大核心需求：

　　（1）超低延迟闭环周期，全链路延迟需低于200 ms，以实现对喂入量突变的快速抑制；（2）本地化自主智能，所有核心计算在车载边缘设备完成，确保无网络环境下可靠运行；（3）复杂数据融合能力，需高效处理激光点云、光谱、图像、应力等异构数据，准确估计与预测喂入量；（4）资源约束下的高效能，算法模型需在有限算力与功耗预算内实现高效推理。这些需求对深度学习模型的轻量化设计提出了具体挑战。

　　2.2分层分布式边缘智能调控架构

　　研究提出了三层架构协同工作，构成完整调控回路。感知执行层集成多类传感器，包括激光雷达通过扫描估算作物密度作为前馈信息，近红外光谱检测茎秆含水率为脱粒参数调整提供依据，阵列称重传感器直接测量喂入量作为核心反馈，工业相机监测地形以预警碰撞。执行机构包括液压行走系统与电液比例割台升降系统，实现精准调控。

　　边缘智能决策层是系统的计算核心与智慧中枢，通常由加固型边缘AI计算盒承载。该层运行着两大核心算法模块：一是定制化的深度学习时空融合模型，负责对感知层上传的原始数据进行对齐、特征提取与融合，其输出不仅包含当前喂入量的最优估计值，更重要的是对未来2—3秒时间窗口内喂入量变化趋势的多步预测序列。二是轻量级模型预测控制（MPC）算法，它以前述预测序列为输入，以维持喂入量稳定、最小化执行器动作能耗为目标函数，在每个控制周期内滚动求解未来一段时间的最优控制序列，并输出当前时刻应执行的行进速度增量与割台高度调整量。该层完全独立运行，不依赖任何外部网络，是实现毫秒级实时闭环控制的基础[2]。

　　交互与云协同层服务于人机交互与数据管理。驾驶室内的智能交互终端提供图形化界面，显示实时喂入量曲线、各传感器状态、损失率估计值及系统报警信息，同时允许机手设定目标喂入量等参数。终端通过4G/5G网络将脱敏后的作业轨迹、产量图谱、故障代码等关键数据异步上传至云端农艺管理平台。云端平台可进行大数据分析，如评估不同品种、田块的收获效果，并为机群调度、预防性维护提供决策支持，形成“边缘实时控制、云端长期优化”的协同模式。

　　3.基于深度学习的多传感器时序数据融合模型
       3.1多模态数据预处理与时空对齐

　　针对各传感器数据异构、采样率不同步的问题，系统建立了统一的预处理与对齐流程。激光雷达点云首先进行动态体素栅格化处理，在保留空间结构的同时大幅降低数据量，并计算每个栅格内点云的平均高度与密度作为特征。近红外光谱数据经过标准正态变换（SNV）消除散射影响，再提取与含水率相关性高的特征波段吸光度。称重传感器的原始应变信号经过低通滤波去除机械振动高频噪声。所有传感器的特征序列均通过硬件时间戳与线性插值算法，严格对齐到同一毫秒级时间轴上，融合成一个多维时序特征张量，为后续深度学习模型提供规整的输入。

　　3.2 LSTM融合网络构建与喂入量动态估计

　　为表现喂入量变化的复杂动态性与时序依赖性，创建了一个包含两层LSTM和一层全连接层的神经网络模型，这个模型会把对齐过的多维时序张量当作输入，第一个LSTM层用于抓取传感器信号内部的短期时间依赖关系，第二个LSTM层则用来学习传感器之间的更长时延及更复杂的耦合关系，也就是要弄清楚“激光雷达探测到密度增多”和“光谱显示出含水率减少”这两种现象一起作用时对未来喂入量会产生什么样的综合效应。网络输出当前时刻喂入量的滤波估计值，以及未来1.5秒内共5个时间点的预测值序列。模型基于超过1000小时不同作物、产量、湿度的历史作业数据训练，通过dropout和早期停止策略避免过拟合，具有在多变田间环境中的泛化能力和鲁棒性[3]。

　　3.3面向边缘部署的模型轻量化与优化

　　为将训练好的复杂LSTM模型部署到资源受限的边缘设备，实施了三步优化法。首先进行结构化剪枝，移除LSTM网络中冗余的神经元连接，将模型大小压缩了约40%。其次进行动态范围量化（DRQ），将模型权重和激活值从32位浮点数转换为8位整数，大幅减少了内存占用和推理延迟。最后采用知识蒸馏技术，利用原始大模型的输出作为监督信号，训练一个结构更简单的小模型，在几乎不损失精度的前提下，进一步提升了推理速度。优化后的模型可在Jetson AGX Orin平台上以超过60 FPS的速度稳定运行，满足实时性要求。

　　4.边缘侧智能决策与自适应闭环控制策略

　　4.1基于多步预测的模型预测控制

　　系统采用滚动时域优化的MPC策略，其核心优势在于利用LSTM提供的多步预测信息进行前瞻性决策。在每个控制周期k，控制器求解一个有限时域（如未来2秒）的优化问题。目标函数不仅要求最小化预测喂入量与设定值的偏差，还加入了惩罚项以限制行走速度与割台高度的变化幅度，从而确保作业平稳、节能。通过求解该带约束的二次规划问题，得到一系列未来控制输入，仅将第一步k时刻的控制量发送给执行器。到下一个周期，系统根据新的测量值和预测值重复这一过程，实现滚动优化。这种策略使系统能够“未雨绸缪”，在喂入量即将超标前就提前减速，而非事后补救。

　　4.2完整的边缘智能闭环调控流程

　　系统以50ms为固定周期，不间断地执行闭环调控。每个周期内，流程严格按序执行：首先，通过硬件触发同步采集所有传感器数据；随后，数据预处理线程并行完成各通道信号的滤波和特征计算；紧接着，轻量化LSTM模型对特征张量进行前向传播，输出当前估计值与未来预测序列；然后，MPC求解器基于预测序列和目标值，快速计算出最优控制指令；最后，控制指令通过CAN总线发送至液压阀控制器。整个过程在边缘计算盒内完成，形成一个高度自治、确定性的硬实时控制闭环，其可靠性远超依赖无线通信的云端控制方案[4]。

　　5.田间试验验证与综合性能分析

　　5.1试验平台与方案设计

　　试验以一台雷沃谷神系列联合收割机为改装平台，集成了所述边缘智能调控系统。为全面评估性能，在河南黄泛区农场选取了三个具有代表性的试验田块：地块1为产量均匀的平原麦田；地块2为存在明显产量条带差异的田块；地块3为地势有缓坡起伏的田块。每个地块均进行两种模式的对比作业：A模式（边缘智能系统）与B模式（基于固定阈值和PID控制的传统自动模式）。除测量喂入量波动系数、籽粒总损失率、作业能效和系统延迟等核心指标外，还记录了滚筒转速稳定性、发动机负载变化率等过程参数，以深入分析系统性能提升的内在机理。

　　5.2试验结果与分析

　　关键性能对比数据如表1所示。从数据可以看出，A模式在所有指标上都比B模式好。A模式的喂入量波动系数为8.5%，比B模式的15.3%低，降低幅度达44.4%。主要得益于LSTM预测和MPC前瞻控制的结合。

　　对试验过程数据进行分析可知，在进入高产条带前约1秒，A系统就平缓降速，使喂入量平稳上升到新的平衡点；B系统由于反应滞后，出现明显的超调和振荡。在收获质量上，稳定的喂入量使脱粒滚筒和清选筛始终工作在最佳负荷区间内，籽粒破碎率和未脱净率同时降低，最终总损失率从1.7%降低到1.0%。在经济性上减少行走速度的频繁急变，发动机工况更加稳定，单位面积作业油耗降低17.5%，提高了综合能效。从实时性来看，边缘计算架构把控制回路的延迟从210ms缩减到95ms，为高速精准控制赋予了可能。

　　进一步的故障工况测试表明，当人为模拟割台高度传感器瞬时故障时，A系统可以依靠激光雷达和视觉信息的冗余校验，迅速发现异常，及时切换到用激光雷达估计的高度控制模式，保持了作业连续性；B系统因为只有一个传感器，所以割台高度失控。研究结果证明了多传感器融合系统在可靠性方面具有明显优势。

　　6.结论与展望

　　研究设计并验证了以边缘计算、深度学习多传感器融合为基础的联合收割机喂入量智能调控系统。系统可以完成从多源感知、智能预测到精准执行的完整边缘侧自主闭环控制。田间试验证明其可以提高作业的稳定性、收获质量和经济性，为复杂的农业装备作业提供了一种可行的实时智能控制方案。

　　未来研究可以从三个方面进行深化，第一，研究联邦学习在农机机群中的应用，使多台机器可以共享不同的田块经验来共同提高模型性能。二是研究强化学习和MPC的结合，使系统在长时间的作业中可以自主学习、优化控制策略，适应作物特性的缓慢变化。三是推动领域专用芯片和算法协同设计，开发适应于农业野外环境的低功耗、高可靠边缘算力模块，降低成本，提高系统的普及率。

参考文献：

　　[1]杨雯升,潘成胜.融合改进Jaya和集群中心选择算法的边缘网络数据调度优化方法[J].电子与信息学报,2025,47(11):4405-4418.

　　[2]楼进,刘恩博,唐炜,等.CPU环境下多传感器数据融合的机器人3D目标检测方法[J].计算机工程与应用,2024,60(19):120-129.

　　[3]马艾强,姚顽强.煤矿井下移动机器人多传感器自适应融合SLAM方法[J].工矿自动化,2024,50(05):107-117.

　　[4]张一茗,金喜洋,李少华,等.面向数字孪生的变电站开关设备综合监测系统设计[J].高压电器,2025,61(06):59-67.