油葵联合收获机清选损失监测装置设计与试验

Design and test of cleaning loss monitoring device for oil sunflower combine harvester

摘要

针对现有联合收获机损失监测技术不适用于采集处理油葵籽粒损失信号的问题，设计了一种适用于油葵联合收获机的清选损失监测装置。该装置主要由聚偏二氟乙烯（PVDF）压电薄膜、信号采集处理电路板以及安装调节装置构成，可实现对油葵清选损失速率的实时监测。运用Multisim软件对滤波器性能进行仿真分析，结果表明，该滤波器在非阻带增益平坦且增益为1，对50 Hz干扰信号的衰减效果显著，能够保证采集信号的准确性和完整性；设计了基于STM32系列单片机的小波变换自适应滤波（DWT-LMS）算法，通过Matlab软件将其与传统最小均方（LMS）算法进行仿真对比，结果表明，DWT-LMS算法对信号中噪声的抑制效果更优；通过台架试验确定了油葵籽粒和清选杂余（碎叶柄、碎葵盘以及碎叶片）对应的阈值范围，并验证了监测装置在不同时长下的可靠性，结果表明，该清选损失监测装置的最大监测误差为9.09%，平均监测误差约为7.59%，平均损失速率约为0.63 g/s，可为油葵联合收获机清选系统优化提供理论依据。

Abstract

Aiming at the problem that the existing combine harvester loss monitoring technology is not suitable for collecting and processing oil sunflower grain loss signals， a cleaning loss monitoring device suitable for oil sunflower combine harvester is designed. The device is mainly composed of polyvinylidene fluoride （PVDF） piezoelectric film， signal acquisition and processing circuit board and installation adjustment device， which realizes real-time monitoring of oil sunflower cleaning loss rate. The performance of the filter is simulated and analyzed by Multisim software. The results show that the gain of the filter is flat and fixed at 1 in the non-stop band， and the attenuation effect on 50 Hz interference signals is remarkable， which can ensure the accuracy and integrity of the collected signals. A wavelet transform adaptive filtering （DWT-LMS） algorithm based on STM32 series microcontroller is designed. Simulation comparison between the proposed algorithm and the traditional least mean square （LMS） algorithm is carried out by Matlab software. The results show that the DWT-LMS algorithm has a better suppression effect on the noise in the signal. The threshold ranges corresponding to oil sunflower seeds and cleaning impurities （broken petioles， broken sunflower discs and broken leaves） are determined through bench tests， and the reliability of the monitoring device under different durations is verified. The results show that the maximum monitoring error of the cleaning loss monitoring device is 9.09%， the average monitoring error is about 7.59%， and the average loss rate is about 0.63 g/s. A theoretical basis can be provided for the optimization of the cleaning system of oil sunflower combine harvesters.

Graphical abstract

关键词

农业机械 / 油葵联合收获机 / 损失监测 / 压电薄膜 / 小波变换自适应滤波算法

Key words

agricultural machinery / oil sunflower combine harvester / loss monitoring / piezoelectric film / wavelet transform adaptive filtering algorithm

0 引 言

目前，国内油葵联合收获机清选系统中存在油葵籽粒损失率较高的问题^［1，2］，在油葵联合收获作业过程中，操作人员只能依据经验控制收获机的前进速度，通过控制速度改变喂入量从而减少油葵籽粒的损失，这种操作受人为因素的影响较大且对操作人员的要求较高^［3-5］。因此研制一款能够实时监测油葵籽粒清选损失的装置对于设计机具参数调控系统、提高油葵收获作业的效率和作业质量具有重要意义。

目前，针对籽粒损失监测的方法主要分为基于图像处理识别技术的监测方法和基于压电效应原理的监测方法。图像处理识别技术是利用处理器对摄像头采集到的籽粒图像信号进行分析和处理，从而实现对清选损失的实时监测^［6］。压电效应原理主要是利用压电陶瓷或压电薄膜传感器两种形式实现，当传感器受到外界籽粒撞击时会产生相应的压电信号，通过对产生的压电信号进行处理可以实现对清选损失的监测。

国外利用压电效应进行清选损失监测的研究较早，主要应用于小麦、玉米和水稻等收获机^［7-11］。随着国外损失监测技术的逐渐成熟，国内对于清选损失监测方面的研究也逐渐变多^［12-16］，这些监测装置主要是利用压电效应原理对水稻、玉米和小麦等作物进行损失监测^［17-22］。王卓等^［23］针对玉米联合收获机在作业时籽粒损失率检测不准的问题，设计了一种清选损失监测装置，该装置以压电薄膜作为敏感元件，实现了对玉米联合收获机清选损失率的实时监测。刘阳春等^［24］针对玉米籽粒直收机中缺少夹带损失检测系统的问题，设计了一种由柔性压电陶瓷、信号处理电路等组成的夹带损失检测系统，利用自适应限时滤波算法消除了籽粒与监测板接触时产生的余振干扰，实现了对收获机损失速率的实时检测。综上所述，现有清选损失监测技术主要是针对玉米、水稻和小麦等作物进行分析研究。由于现有监测技术应用的监测对象与本文监测对象在物料特性上存在差异，导致在压电传感器选择、信号处理电路设计和滤波算法选择等方面所考虑的因素存在差异，这些差异最后会导致损失监测数值不符合监测标准，从而出现损失速率计算误差过大的问题。因此，需要设计一种适用于油葵联合收获机的清选损失监测装置。

本文选用稳定性和可靠性较好的聚偏二氟乙烯（Polyvinylidene fluoride，PVDF）压电薄膜作为传感器敏感材料^［25］，STM32F103作为数据采集处理芯片，设计了一款油葵联合收获机清选损失监测装置，实时监测油葵联合收获机的籽粒清选损失。利用信号处理电路板和小波变换滤波算法^［26］滤除试验采集处理过程中的干扰信号，以及减小油葵联合收获机在作业过程中由于机体自身振动导致的信号噪声干扰，为后期提高油葵联合收获机作业效率提供参考。

1 清选损失监测装置硬件设计

1.1　清选损失监测原理与监测装置设计

该清选损失监测装置的监测系统主要由PVDF压电薄膜传感器、信号处理电路模块、ADC采集模块、数据采集处理模块、控制器局域网（Controller area network，CAN）总线、CAN总线数据存储器、TF存储卡以及电源模块组成，监测系统原理图如图1所示。

清选损失监测装置中的PVDF压电薄膜是一种压电聚合物，具有耐高温、耐氧化、材质柔软、密度低、灵敏度高和机械强度高等特点^{［27，28］}，利用其正压电效应可以将籽粒撞击时产生的微力信号转换为电荷信号，通过信号处理电路模块中的电荷-电压转换电路、电压放大电路和滤波电路对该电荷信号进行电压转换、放大和滤除干扰信号等处理，再利用嵌入式单片机中内置的清选损失速率计算程序得到损失速率，最后由CAN通讯模块将损失速率发送至CAN总线数据存储器。本文清选损失监测装置所使用的PVDF压电薄膜采购于深圳市智美康实业有限公司，该装置所用薄膜的尺寸及特征参数如表1所示。

由于PVDF压电薄膜较薄，在未经保护时易受刮伤和折损，且不便于安装。因此，需要选择一种既不影响PVDF压电薄膜灵敏度，还能提高其耐用性的薄膜材料对其进行封装保护。综合考虑以上两个因素，本文选用强度高、耐磨性好和耐热性强的聚对苯二甲酸乙二醇酯（Polyethylene terephthalate，PET）薄膜作为PVDF压电薄膜的封装材料。利用由环氧树脂为基的双组分耐高温胶粘剂，分别在其上、下表面粘贴1 mm和0.1 mm的PET薄膜进行封装保护。将封装好的PVDF压电薄膜依次与2 mm橡胶垫和2 mm硅胶垫粘贴，这样可以有效减小油葵籽粒在撞击PVDF压电薄膜时的余振干扰，降低信号噪声。最后再用厚度为1 mm的不锈钢板进行封底，使整个结构更加牢固、可靠，同时减少间隙所带来的误差干扰。清选损失监测装置结构示意图如图2所示，实物如图3所示。

1.2　硬件电路设计

该油葵联合收获机清选损失监测装置的硬件电路主要由4个模块组成，分别为稳压电路模块、信号处理电路模块、CAN通讯模块和数据采集处理模块，其硬件电路原理如图4所示。

清选损失监测装置在收获机上的安装位置示意图如图5所示。将清选损失监测装置安装在可调节水平角度的机架上，为了保证油葵籽粒能够撞击到损失监测装置，安装时每个监测装置的水平位置均与鱼鳞筛的籽粒掉落位置相对应，再将可调机架固定在油葵联合收获机清选口的后方，信号处理电路板内置在清选损失监测装置中。为了减少信号的扰动，将PVDF压电薄膜传感器的信号线固定在监测装置内，并与信号处理电路板相连。每个清选损失监测装置中的电路板，均使用CAN总线与CAN总线数据存储器相连。

1.2.1　电荷-电压转换电路

电荷-电压转换电路如图6所示，该电路采用CA3140AMZ96运放器，在其同相输入端施加偏置，用于抵消负电压，保证后期系统采集的可靠性。该运放器可将PVDF压电薄膜产生的电荷信号转换成电路中容易处理的电压信号，并将原始信号进行放大，其中，原始信号的放大倍数可以通过电位器R₃进行调节。

1.2.2　电压放大电路

电压放大电路如图7所示，该电路采用OP07CDR运放器，可将上一级电路转换的电压信号进行放大处理，其中，放大倍数可通过电位器R₈调节。电压放大电路输出电压V₂为：

V_{\mathrm{2}}=\left(\mathrm{1}+\frac{R_{\mathrm{8}}}{R_{\mathrm{7}}}\right)V_{\mathrm{1}}（1）

1.2.3　滤波电路

由于电流在传播过程中会以电磁波的形式释放能量，导致信号处理电路板在采集电压信号时受到交流电频率为50 Hz的工频干扰。为了降低工频噪声对采集信号造成的干扰，设计了双T型陷波滤波器，如图8所示。该电路采用LF353DR运放器，具有低噪声、高输入阻抗的特点，对工频噪声的滤波效果很好。其中心频率f_{\mathrm{0}}的计算公式为：

f_{\mathrm{0}}=\frac{\mathrm{1}}{\mathrm{2}\mathrm{\pi }\left(R_{\mathrm{9}}+R_{\mathrm{10}}\right)C_{\mathrm{9}}}（2）

式中：（R₉+R₁₀）=（R₁₁+R₁₂）=（R₁₃+R₁₄），其中（R₉+R₁₀）=96.1 kΩ；C₉=C₁₀=C₁₁，C₉=33 nF；计算得知f₀=50.19 Hz，满足设计需求。

利用Multisim 14.0对滤波器电路进行仿真分析，结果如图9所示。由图9（a）可知，在非阻带增益平坦且增益为1；由图9（b）可知，频率为50 Hz所对应的衰减为-36.873 dB，对50 Hz衰减效果显著，可知50 Hz工频噪声干扰对信号采集几乎没有影响，能够保证采集信号的准确性和完整性。

信号处理电路板实物图如图10所示。利用示波器对信号处理电路板的滤波效果进行验证，滤波效果如图11所示，从图11可以看出，该信号处理电路板对干扰信号具有较好的滤除作用。

1.3　单片机控制程序设计

信号处理系统处理器选用STM32F103C8T6作为整个系统的微控制器（Microcontroller unit，MCU），工作频率为168 MHz，模数转换器（Analog-to-digital converter，ADC）时钟频率为14 MHz，每次的转换时间为2 μs，采样频率为500 kHz。系统程序编程语言为C语言，开发环境为Keil uVision5。此数据采集处理系统可以对采集到的电压信号进行A/D转换、滤波、计数和损失速率计算等处理，其中，采用离散小波变换自适应滤波器进行算法滤波，再通过串口和CAN总线两种通讯方式实时发送最终油葵籽粒损失速率，数据采集处理系统流程图如图12所示。

2 清选损失物阈值范围确定

通过标定试验台获得清选损失的信号特征值，标定试验台如图13所示。监测装置安装在可调节角度的支撑架上，并将安装角度调节为10°；传送带与监测装置的水平高度为30 cm，其中传送带速度设置为3 cm/s。

为获取油葵籽粒与清选杂余的ADC信号特征值范围，在该标定试验台上进行了信号采集试验。分别选取油葵籽粒和清选杂余（碎叶柄、碎葵盘以及碎叶片）各20个作为标定试验对象，其中标定试验对象的油葵品种为矮大头567，油葵籽粒、碎叶柄、碎葵盘与碎叶片的平均含水率分别为21.6%、32.4%、42.1%、72.5%，标定试验对象（部分）如图14所示。

试验开始前，先将需要标定的试验对象放置在未运转的传送带上，待信号采集处理电路板、电源、CAN总线数据存储器等装置准备就绪后，即可进行信号采集试验。试验过程中，PVDF压电薄膜在受到试验标定对象的撞击后，会产生相应的电荷信号，信号采集电路板会将产生的电荷信号进行电荷-电压转换、放大、滤波等处理，再通过ADC采集模块对处理后的信号特征值进行实时采集。其中，ADC信号特征值为0~3300 mV，采集值利用CAN通讯实时发送至CAN总线数据存储器。

试验结束后，对CAN总线数据存储器中存储的ADC信号特征值进行分析，试验结果如表2所示。由表2可知，油葵籽粒ADC采集值的最值区间为1 629~1 992 mV，清选杂余（碎叶柄、碎葵盘以及碎叶片）的最值区间为481.3~714 mV。为了保证清选损失监测装置对油葵籽粒和清选杂余撞击信号的有效区分，故将油葵籽粒的特征区间选为1 600~2 000 mV。在作业过程中，只要监测装置采集到的ADC特征值在所设区间内，信号采集处理电路板中的计数器便进行累加。

3 基于小波变换的自适应滤波算法设计

为了消除油葵联合收获机在作业过程中由于机体自身振动导致的信号噪声干扰，本文采用基于小波变换的自适应滤波算法进行滤波处理，该滤波算法与传统的自适应滤波（如卡尔曼滤波）相比，小波变换无需依赖信号的统计特性，能更好地处理非高斯噪声；与中值滤波等方法相比，小波变换能够更准确地去噪，还可以通过选择合适的滤波参数对采集信号进行去噪，抑制振动引入的高频噪声。离散小波变换自适应滤波器（Discrete wavelet transform with adaptive filter，DWTAF）的结构如图15所示。

离散小波变换自适应滤波（Discrete wavelet transform-least mean squares，DWT-LMS）算法如下所示。

\mathit{S}\left(t\right)={\left[s_{\mathrm{0}}\left(t\right),s_{\mathrm{1}}\left(t\right),\dots ,s_{J-\mathrm{1}}\left(t\right)\right]}^{\mathrm{T}}（3）

\mathit{X}\left(t\right)={\left[x\left(t\right),x\left(t-\mathrm{1}\right),\dots ,x\left(t-N+\mathrm{1}\right)\right]}^{\mathrm{T}}（4）

{\left[\mathit{R}\right]}_{jm}=c_j\left(m\right)（5）

j=\mathrm{0,1},\dots J-\mathrm{1};m=\mathrm{0,1},\dots N-\mathrm{1}

\mathit{Z}\left(t\right)={\left[z_{\mathrm{0}}\left(t\right),z_{\mathrm{1}}\left(t\right),\dots ,z_{J-\mathrm{1}}\left(t\right)\right]}^{\mathrm{T}}（6）

\mathit{S}\left(t\right)=\mathit{R}\mathit{X}\left(t\right)（7）

式中： S （t）为经离散小波变换滤波的输入信号； X （t）为自适应滤波器的输入信号； R 为维数为J×N的小波变换矩阵，其中，J为滤波器阶数，N为信号长度；c_j为j阶小波分解对应的离散小波滤波器系数序列；c_j\left(m\right)为小波变换矩阵 R 第j行第m列的元素； Z （t）为滤波器权重系数。

在DWTAF的结构中（见图15），输出自适应滤波信号 y （t）为：

\mathit{y}\left(t\right)={\mathit{S}}^{\mathrm{T}}\left(t\right)\mathit{Z}\left(t\right)={\displaystyle \sum _{j=\mathrm{0}}^{J-\mathrm{1}}}{s}_j\left(t\right)z_j\left(t\right)=

{\displaystyle \sum _{j=\mathrm{0}}^{J-\mathrm{1}}}{\displaystyle \sum _{i=\mathrm{0}}^{N-\mathrm{1}}}x\left(t-i\right)c_j\left(i\right)z_j\left(t\right)=

{\displaystyle \sum _{i=\mathrm{0}}^{N-\mathrm{1}}}{\alpha }_{i}x\left(t-i\right)（8）

式中：{\alpha }_i={\displaystyle \sum _{j=\mathrm{0}}^{J-\mathrm{1}}}{c}_j\left(i\right)z_j\left(t\right)。

误差信号ɛ（t）为：

\epsilon \left(t\right)=q\left(t\right)-\mathit{y}\left(t\right)（9）

系数更新公式为：

\mathit{Z}\left(t+\mathrm{1}\right)=\mathit{Z}\left(t\right)+\mathrm{2}\mu \epsilon \left(t\right)\mathit{S}\left(t\right)（10）

算法的收敛条件为：

（11）

式中：q（t）为期望信号；μ为步长；{\lambda }_{S_{\mathrm{m}\mathrm{a}\mathrm{x}}}为 R_vv 的最大特征值， R_vv 为 S （t）的自相关矩阵。

为验证DWT-LMS算法的收敛性能，通过软件Matlab仿真比较其与LMS算法的滤波性能。本次仿真中，为了验证这两种算法处理电压信号的能力，输入信号与参考输入信号均为高斯白噪声。自适应滤波器的阶数N=4，两种算法的步长μ均选为0.01。在DWT-LMS算法中，小波变换选用分解级别为一级的哈尔（Harr）小波，两种算法均独立模拟200次，并计算其信噪比（Signal-to-noise ratio，SNR），仿真结果如图16所示。

由图16可知，DWT-LMS算法的收敛速度比LMS算法快；DWT-LMS算法的稳态误差（Steady-state errors，e_ss）相比LMS算法误差要小。计算结果表明，使用DWT-LMS算法的SNR也比使用LMS算法时的SNR提高了25 dB。因此，仿真和计算结果验证了DWT-LMS算法的优势。

对于油葵联合收获机，可以根据实际工况，利用Keil uVision5和串口调试软件，对离散小波变换自适应滤波器的信号长度、阶数、步长等参数进行调节，以适应不同工作环境。DWT-LMS算法的滤波效果如图17所示，其中，滤波器的信号长度为100，阶数为4，步长为0.01。从图中可以看出，DWT-LMS算法对于电压信号中的噪声干扰信号具有较好的滤除作用。

4 清选损失监测装置台架试验

4.1　标定台架试验

为了验证油葵籽粒阈值范围的可靠性以及监测装置的检测效果，在新疆智能农业装备重点实验室进行了台架试验。选择不同含水率的油葵籽粒和清选杂余作为试验对象，以便验证之前确定的阈值范围是否对清选杂余物起到筛除作用。

试验结果如表3所示。由表3可知，在传送带速度分别为1 cm/s或3 cm/s时，籽粒含水率为19.2%的误差要比籽粒含水率为24.3%的误差大；在籽粒含水率分别为19.2%或24.3%时，传送带速度为1 cm/s的误差要比传送带速度为3 cm/s的误差小，故籽粒含水率越高，监测误差越小，传送带运行速度越快，监测误差越大。其中，油葵籽粒清选损失监测结果最大误差为7.14%，平均误差约为3.67%。

4.2　可靠性验证台架试验

为了验证清选损失监测装置在不同时间下损失监测的可靠性，继续利用4.1节中的台架开展可靠性试验验证。联合收获机的粮仓一般在持续作业40 min左右会被装满，此时收获机需停止作业进行一次倒粮，故本试验以40 min为最长时间节点，分别在10、20、30和40 min四种时长下进行10次试验（试验结果取平均值），验证损失监测装置在长期使用下监测的可靠性。其中，油葵籽粒含水率为21.6%，传送带速度为1 m/s，其余试验因素均与标定台架试验一致。

试验结果如表4所示。由表4可知，随着时间的逐渐递增，误差呈缓慢递增趋势，且4种时长下的误差均满足预期目标（误差小于10%），故该损失监测装置可以基本满足田间长期运行监测的要求。

4.3　油葵纵轴流脱粒清选试验台试验

为了检验该清选损失监测装置的实际监测效果，将其安装在本课题组与石家庄金箭设备制造有限公司联合研制的油葵纵轴流脱粒清选试验台（见图18）上进行试验。该试验台由自走式葵花籽粒收获机改装而成，主要参数如表5所示，其中，该试验台的动力由柴油发动机提供，脱粒滚筒转速可通过变速箱进行调节。

将清选损失监测装置安装在试验台上，如图19所示。其中，监测装置在水平方向距离筛箱15cm，垂直方向距离筛箱30 cm的位置安装，安装夹角为10°。在振动筛清选过程中，由于清选过程产生的杂余成分较为复杂，因此，对于未击打在清选损失监测装置上的清选物料，均不计入清选损失的统计范围。通过实时监测油葵联合收获机的损失速率，使作业人员能够及时调整收获速度。

监测装置下方放有收集盒，长度大小与监测装置相对应。试验过程中，喂入量通过人工喂入油葵物料的速度控制，清选装置损失的油葵籽粒以及杂余物均落在收集盒内便于后期统计。其中，脱粒间隙为30 mm，鱼鳞筛开度为20 mm，油葵品种为矮大头567，油葵籽粒平均含水率为21.6%。

试验结果如表6所示。其中，实时损失速率N为每秒损失的清选籽粒损失，其计算公式为：

N=cS/t（12）

式中：S为监测籽粒数，粒；c为平均单个油葵籽粒质量，0.1 g；t为单位时间，s。

监测误差e为在一定时间内监测籽粒数与撞击籽粒数之间产生的相对误差，计算公式为：

e=\frac{\left|\left(S-Q\right)\right|}{Q}\times \mathrm{100}\mathrm{\%}（13）

式中：e为监测误差，%；Q为撞击籽粒数，粒。

从表6可以看出，油葵籽粒清选损失监测准确率较高，最大监测误差为9.09%，平均监测误差为7.59%，平均损失速率约为0.63g/s，满足预期目标（误差小于10%），试验台可基本反映田间损失情况。

5 结 论

（1）设计了一种基于PVDF压电薄膜的油葵清选损失监测装置，通过信号处理电路板实现了对采集信号的电荷-电压转换、电压放大和滤波处理，同时降低了工频噪声对采集信号的干扰；通过DWT-LMS算法对采集处理过程中的干扰信号进行滤除，减少了采集处理过程中的振动干扰，提高了清选损失监测装置监测的可靠性。

（2）利用Multisim 14.0对滤波电路进行仿真分析，结果表明，该电路在非阻带增益平坦且增益为1，在50 Hz干扰信号下的衰减为-36.873 dB，可见其对50 Hz干扰信号的衰减效果显著，能够保证采集信号的准确性和完整性；通过Matlab软件对DWT-LMS算法与LMS算法进行了仿真对比，结果表明，DWT-LMS算法可以更有效地抑制信号中的噪声。

（3）通过台架试验进行了油葵籽粒和清选杂余特征值标定和监测装置可靠性验证，确定了对应的阈值范围，并对监测装置在不同时长下的可靠性进行了验证；通过油葵纵轴流脱粒清选试验台进行了实际监测效果验证，得到最大误差为9.09%，平均误差约为7.59%，平均损失速率约为0.63 g/s。试验结果表明，该清选损失监测装置能够很好地监测籽粒的损失信号，为后期提高联合收获作业效率提供参考。

（4）研究过程中受试验条件的限制，本文仅在不同含水率、不同喂入量和不同时间长短等方面进行了验证试验，具有一定的局限性，后续可通过进一步优化监测装置内部减振结构，开展更多环境工况下的监测试验，以扩展该装置的适用性。

参考文献

[1] 焦展, 安胜军, 王崑声, 等. 航天搭载对油葵的诱变效应[J].江苏农业科学, 2015, 43(11): 128-136.

[2] Jiao Zhan, An Sheng-jun, Wang Kun-sheng, et al. Mutagenic effect of space flight on oil sunflower[J]. Jiangsu Agricultural Sciences, 2015, 43(11): 128-136.

[3] 张学军, 张云赫, 史增录, 等. 油葵联合收获机清选装置结构优化与试验[J]. 农业机械学报, 2022, 53(8): 103-113.

[4] Zhang Xue-jun, Zhang Yun-he, Shi Zeng-lu, et al. Optimization and experiment of oil sunflower combined harvester cleaning device[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(8): 103-113.

[5] 王志文. 基于喂入量预测的联合收获机作业速度控制系统研究[D]. 镇江: 江苏大学机械工程学院,2021.

[6] Wang Zhi-wen. Research on speed control system of combine harvester based on feed quantity forecast[D].Zhenjiang: College of Mechanical Engineering, Jiangsu University, 2021.

[7] 史瑞杰, 戴飞, 赵武云, 等. 自走式藜麦联合收割机设计及试验[J]. 吉林大学学报: 工学版, 2023, 53(9): 2686-2694.

[8] Shi Rui-jie, Dai Fei, Zhao Wu-yun, et al. Design and experiments of self⁃propelled quinoa combine harvester[J]. Journal of Jilin University(Engineering and Technology Edition), 2023, 53(9): 2686-2694.

[9] Xu L Z, Wei C C, Liang Z W, et al. Development of rapeseed cleaning loss monitoring system and experiments in a combine harvester[J]. Biosystems Engineering, 2019, 178(2): 118-130.

[10] 张恬, 赵德安, 周童. 图像处理在联合收割机夹带损失检测中的应用[J].农机化研究, 2009, 31(4): 70-72.

[11] Zhang Tian, Zhao De-an, Zhou Tong.Application of image processing on combine harvester attachment loss[J].Journal of Agricultural Mechanization Research, 2009, 31(4): 70-72.

[12] Wei D, Wu C, Jiang L, et al. Design and test of sensor for monitoring corn cleaning loss[J]. Agriculture, 2023, 13(3): No.663.

[13] Sirikun C, Samseemoung G, Soni P, et al. A grain yield sensor for yield mapping with local rice combine harvester[J]. Agriculture, 2021, 11: No.897.

[14] Bomoi M I, Nawi N M, Aziz S A,et al. Sensing technologies for measuring grain loss during harvest in paddy field: a review[J]. AgriEngineering, 2022, 4(1): 292-310.

[15] Wu Y H, Li X Y, Mao E R, et al. Design and development of monitoring device for corn grain cleaning loss based on piezoelectric effect[J]. Computers and Electronics in Agriculture, 2020, 179(12): No.105793.

[16] Zhang M, Jiang L, Wu C Y, et al. Design and test of cleaning loss kernel recognition system for corn combine harvester[J]. Agronomy, 2022, 12(5): No.1145.

[17] 邱清宇. 大豆玉米兼用清选装置及损失量监测装置的设计与试验[D]. 成都: 四川农业大学机电学院, 2023.

[18] Qiu Qing-yu. Design and testing of a soybean-corn dual-use cleaning device and loss monitoring device[D].Chengdu: College of Mechanical and Electrical Engineering, Sichuan Agricultural University, 2023.

[19] 魏纯才. 油菜联合收获机清选损失监测方法与装置研究[D]. 镇江: 江苏大学农业工程学院, 2018.

[20] Wei Chun-cai. Study on the monitoring method and device for cleaning loss of the rapeseed combine harveste[D].Zhenjiang: College of Agricultural Engineering, Jiangsu University, 2018.

[21] 赵男, 金诚谦, 王超, 等. 谷物联合收获机清选系统智能化技术研究进展[J]. 中国农机化学报, 2023, 44(3): 163-170.

[22] Zhao Nan, Jin Cheng-qian, Wang Chao, et al. Research progress on intelligent technology of grain combined harvester cleaning system[J]. Journal of Chinese Agricultural Mechanization, 2023, 44(3): 163-170.

[23] 梁振伟, 李耀明, 赵湛. 纵轴流联合收获机籽粒夹带损失监测方法及传感器研制[J]. 农业工程学报, 2014, 30(3): 18-26.

[24] Liang Zhen-wei, Li Yao-ming, Zhao Zhan. Monitoring method and sensor for grain separation loss on axial flow combine harvester[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(3): 18-26.

[25] 丁力, 徐宇飞, 屈哲, 等. 基于EDEM小麦收获机清选损失监测试验装置设计[J]. 中国农机化学报, 2023, 44(3): 13-21.

[26] Ding Li, Xu Yu-fei, Qu Zhe, et al. Design of test device for monitoring loss of wheat harvester during cleaning based on EDEM[J]. Journal of Chinese Agricultural Mechanization, 2023, 44(3): 13-21.

[27] 魏德欣. 玉米籽粒收获机清选损失在线监测系统研究与设计[D]. 北京: 中国农业科学院作物科学研究所, 2023.

[28] Wei De-xin. Research and design of online monitoring system for cleaning loss of corn grain harvester[D]. Beijing: Institute of Crop Science, Chinese Academy of Agricultural Sciences, 2023.

[29] 王振玉. 玉米籽粒收获机脱粒分离装置设计及夹带损失自动调控系统[D]. 镇江: 江苏大学农业工程学院, 2021.

[30] Wang Zhen-yu. Design of threshing and separating device about corn grain harvester and automatic control system of entrainment loss[D].Zhenjiang: College of Agricultural Engineering, Jiangsu University,2021.

[31] 刘新怡, 陈进, 张西良. 基于 STM32 的联合收获机清选损失监测装置的研制[J]. 农机化研究, 2020, 42(10): 200-204, 210.

[32] Liu Xin-yi, Chen Jin, Zhang Xi-liang. Development of STM32-based combine harvester cleaning loss monitoring device[J]. Journal of Agricultural Mechanization Research,2020,42(10): 200-204, 210.

[33] 卢琦. 小麦联合收获机清选损失监测装置设计与试验[D]. 郑州: 河南农业大学机电工程学院, 2024.

[34] Lu Qi. Design and test of a grain cleaning loss monitoring device for wheat combine harvester[D].Zhengzhou: College of Mechanical and Electrical Engineering, Henan Agricultural University, 2024.

[35] 车东. 玉米籽粒联合收获机清选系统的控制及实现[D].沈阳: 东北大学信息科学与工程学院, 2019.

[36] Che Dong. Control of corn combine harvestercleaning system and its achievement[D].Shenyang: School of Information Science and Engineering, Northeastern University, 2019.

[37] 唐小涵. 大豆联合收获机清选损失物料分布规律研究[D]. 淄博:山东理工大学农业工程与食品科学学院,2022.

[38] Tang Xiao-han. Study on material distribution law of cleaning loss ofsoybean combine harvester[D].Zibo: College of Agriculral Engineering and Food Science, Shandong University of Technology, 2022.

[39] 王卓, 车东, 白晓平, 等.玉米联合收获机清选损失监测装置设计与试验[J]. 农业机械学报, 2018, 49(12): 100-108.

[40] Wang Zhuo, Che Dong, Bai Xiao-ping, et al. Improvement and experiment of cleaning loss rate monitoring device for corn combine harvester[J].Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12): 100-108.

[41] 刘阳春, 李明辉, 王吉中, 等. 玉米籽粒直收机夹带损失检测系统设计与试验[J]. 农业机械学报, 2023, 54(5): 140-149.

[42] Liu Yang-chun, Li Ming-hui, Wang Ji-zhong, et al.Design and test of entrainment loss detection system for corn kernel direct harvester[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(5): 140-149.

[43] 徐立章, 李洋, 李耀明, 等. 谷物联合收获机清选技术与装置研究进展[J]. 农业机械学报, 2019, 50(10): 1-16.

[44] Xu Li-zhang, Li Yang, Li Yao-ming, et al. Research progress on cleaning technology and device of grain combine harvester[J].Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(10): 1-16.

[45] 孙淑琴, 孟庆云, 方秀成, 等. 基于自适应和小波模极大值重构的地面核磁共振信号噪声压制方法[J]. 吉林大学学报: 工学版, 2015, 45(5): 1642-1651.

[46] Sun Shu-qin, Meng Qing-yun, Fang Xiu-cheng, et al. Noise cancellation algorithm for surface magnetic resonance signals based on self-adaption and reconstruction of wavelet modulus maximum value[J]. Journal of Jilin University(Engineering and Technology Edition), 2015, 45(5): 1642-1651.

[47] 刘九卿. 压电薄膜轴传感器及其在智能交通系统中的应用[C]∥第七届称重技术研讨会论文集, 青岛,中国, 2008: 92-97.

[48] 丁贝贝, 吴先梅, 韩星晨, 等. PVDF压电薄膜传感特性研究[J].压电与声光, 2018, 40(2): 170-173.

[49] Ding Bei-bei, Wu Xian-mei, Han Xing-chen, et al.Studies on sensing properties of PVDF piezoelectric films[J].Piezoelectrics &.Acoustooptics, 2018, 40(2): 170-173.

基金资助

新疆维吾尔自治区重大科技专项项目(2022A02008-5)

新疆维吾尔自治区油料产业技术体系项目(XJARS-05-11)