一种分层控制策略，用于利用再生制动技术提高混合动力拖拉机的旋转耕作稳定性和效率

《Computers and Electronics in Agriculture》：Hierarchical control strategy for improving rotary tillage stability and efficiency of hybrid tractors using regenerative braking

提出前轴直接扭矩耦合混合拖拉机动力系统（FADTC-HTP），结合永磁同步电机再生制动与电子限滑差速器，设计基于隐马尔可夫模型的动态参数预测与双重时间变线性模型预测控制（HMM-DLTV-MPC）的上级控制器，以及引入专家经验引导与控制目标自校正机制的改进LSTM-自注意力软演员-批评（LSTM-SA-SAC）强化学习下级控制器，通过硬件在环实验验证，能量效率提升11.14%，路径偏移减少76.47%，有效解决复杂土壤条件下牵引效率低与路径稳定性差的问题。

　　

张泽鹏|朱中翔|卢立全|张广林|杨浩然|宋正和

中国农业大学工程学院，北京100083，中国

摘要

在复杂的环境条件下，高质量的拖拉机旋转耕作作业面临重大挑战。为了解决这一问题，本文提出了一种前置轴直接扭矩耦合的混合动力拖拉机动力系统（FADTC-HTP），旨在通过永磁同步电机（PMSM）的再生制动和电子控制限滑差速器（eLSD）的协调控制来提高能源效率和路径稳定性。基于该动力系统，开发了一种分层控制策略，结合了两阶段模型预测控制和强化学习。首先，设计了一种基于隐马尔可夫模型（HMM）的两阶段线性时变MPC（HMM-DLTV-MPC）作为监督控制器，以实现高精度的非线性动态近似、自适应参数更新和动态解耦。为了解决在随机干扰下多输入多输出（MIMO）非线性拖拉机系统的最优控制问题，提出了一种改进的Soft Actor-Critic（SAC）辅助控制器，以提高鲁棒性和效率。具体来说，该控制器结合了专家经验指导，注入先验知识，并引入了控制目标自校正机制，以适应性地减轻由环境不确定性引起的控制误差。此外，通过将长短期记忆（LSTM）网络与自注意力模块集成，控制器显著增强了代理捕捉复杂多维时间依赖性的能力，从而显著提高了控制性能和训练效率。代理训练是在基于实际田间牵引数据和土壤锥度指数分布构建的仿真环境中进行的。硬件在环（HIL）实验表明，所提出的方法将能源效率提高了11.14%，并将横向路径偏差减少了76.47%。它还显著减少了对外部前轮转向补偿的依赖。这些结果表明，所提出的动力系统和控制策略可以有效提升混合动力拖拉机应用的能源效率和运行稳定性。本研究为新型混合动力拖拉机动力系统和智能控制策略提供了新的视角。

引言

高质量的农业作业对于推进农业现代化至关重要，效率（Janulevi?ius和Damanauskas，2023）和稳定性（Ji等人，2024）是关键的性能指标。作为农业生产的主要动力源，拖拉机在诸如耕作、旋转耕作和重型运输等具有挑战性的条件下执行高负荷任务（Angelucci等人，2025；Hensh等人，2021；Latterini等人，2024；Shao等人，2023），使其成为农业链中的主要能源消费者（Chen等人，2022；Han等人，2021；Tubiello等人，2015）。2022年，中国的拖拉机总装机功率达到4.4519亿千瓦（中国农业机械行业协会，2023），2023年，拖拉机分别占农业机械HC和NO_x排放量的48.4%和57.8%（MEE，2024）。在崎岖地形和复杂土壤条件下的频繁操作（Kosti?等人，2021）会导致严重的横向滑移和路径稳定性下降（Cheng等人，2024），特别是在连续转弯时（Jing等人，2021）。更重要的是，轮胎与土壤的相互作用占总能耗的55%（Franceschetti等人，2019；Taghavifar等人，2014），使得轮胎过度滑移成为最关键的效率问题之一。特别是在旋转耕作场景中，不同车轮之间的土壤硬度不一致常常导致单侧滑移，从而引起驱动力不平衡、能量损失和偏航偏差（Janulevi?ius和Damanauskas，2022；Shafaei等人，2021）。这些路径不稳定和效率低下的问题已成为限制高质量拖拉机作业的关键因素。

创新的动力系统设计和控制策略已被证明可以提高拖拉机性能。Yu等人（2025）提出了一种使用电池和超级电容器的混合储能系统（HESS），并结合了基于任务场景的能源管理，提高了能源效率。Wen等人（2022）开发了一种双电机纯电动拖拉机，并使用粒子群优化和动态规划进行了优化。Xie等人（2022）设计了一种基于规则控制的双电机电动拖拉机驱动系统。尽管纯电动拖拉机具有零排放的吸引力，但它们面临着采用障碍，包括电池限制、续航里程问题、高成本和充电基础设施不足（Sok和Hoestra，2023）。混合动力系统被认为更为实用（Liu等人，2024；Mocera，2021）；例如，Liu等人（2025）提出了一种适用于并行混合动力拖拉机的自适应免疫粒子群优化模糊控制策略（AIPSOFCS），减少了旋转耕作和耕作中的燃料消耗。Radrizzani等人（2024）引入了一种结合内燃机和电动机的并行混合动力拖拉机，其能源管理结合了等效消耗最小化和速度跟踪控制，以提高燃油经济性。Lombardi等人（2023）为燃料电池-电池混合动力拖拉机设计了一种基于规则的能源管理策略，抑制了燃料电池过载并减少了氢气使用。然而，这些研究主要集中在能源管理策略上，并未充分解决在复杂条件（如变化土壤参数或连续转弯）下运行的拖拉机的动态稳定性控制或轮胎-土壤效率改进问题。

通过转向控制和扭矩分配，路径跟踪稳定性得到了改善。Wang等人（2020）为自动驾驶拖拉机开发了一种IMC-PID控制器，通过前轮转向提高了横向稳定性。Qin等人（2021，2019）提出了包括动量飞轮辅助控制在内的主动转向策略，以抑制在不平坦地形上的翻滚。He等人（2023）引入了一种基于滑模的前轮转向方法，以提高坡度稳定性。然而，在危险地形上使用前轮转向仍可能导致翻滚（Watanabe和Sakai，2020），并可能干扰驾驶员控制。替代方法，如直接扭矩分配，也显示出潜力：Nishiike等人（2004）使用制动力分配来控制横向运动；Wang等人（2024）将非奇异快速终端滑模算法应用于牵引车辆；De Bernardis等人（2023）为拖拉机-拖车系统开发了非线性MPC；Zhang等人（2025）采用差动制动和电子限滑差速器来提高拖拉机在侧向坡度上的耕作路径稳定性。然而，这些方法主要依赖于传统的转向或制动来实现稳定性控制，很少有研究探索使用电机等动力单元来实现这一目的。此外，大多数现有的稳定性控制策略没有考虑能源效率。

在控制策略层面，大多数研究采用了改进的反馈控制器或简化的模型预测控制器，通常忽略了牵引力和速度等时变动态参数对控制性能的影响。此外，很少有研究解决了在复杂土壤条件下旋转耕作过程中拖拉机动力系统效率、轮胎-土壤效率和路径稳定性的多目标协调优化问题。尽管模型预测控制和强化学习已被证明有效，但单一或线性化的控制结构在满足能源效率和稳定性的多目标优化需求方面仍然有限，强化学习控制器在复杂场景下的训练效率仍有改进空间。

混合动力拖拉机本身具有低排放、高效率、强大的牵引力和再生制动能力。为了利用这些优势，本文提出了一种前置轴直接扭矩耦合的混合动力拖拉机动力系统（FADTC-HTP），并结合了一种分层控制策略，该策略集成了自学习参数预测、两阶段线性时变MPC和改进的强化学习。所提出的动力系统和控制策略旨在提高在复杂和异质土壤条件下拖拉机旋转耕作作业的路径稳定性和能源效率。本研究的主要贡献如下：(a) 基于隐马尔可夫模型（HMM）的动态自学习预测器，用于估计牵引阻力和车辆纵向速度；(b) 一种两阶段线性时变模型预测控制器（DLTV-MPC），它使用HMM预测动态更新参数，并实现了多输入多输出系统的解耦；(c) 一种受专家经验指导的LSTM-SA-SAC辅助强化学习控制器，并通过控制目标自校正机制进行了改进，提高了训练效率和控制性能；(d) 硬件在环验证表明，所提出的方法在复杂异质土壤条件下有效提高了拖拉机旋转耕作作业的路径跟踪精度和能源效率。

本文的其余部分组织如下。第2节介绍了混合动力拖拉机动力系统的拓扑结构和主要参数，随后是对关键组件和轮胎-土壤相互作用的建模。第3节介绍了基于HMM和DLTV-MPC的监督控制器的设计。第4节提出了一种改进的强化学习辅助控制器。第5节讨论并分析了测试结果，最后第6节总结了本研究的结果。

部分摘录

前置轴直接扭矩耦合的混合动力拖拉机动力系统

前置轴直接扭矩耦合的混合动力拖拉机动力系统（FADTC-HTP，图1）将柴油发动机与安装在前置轴上的两个小容量永磁同步电机（PMSMs）结合在一起。发动机功率通过变速箱、分动箱和驱动轴传递到两个轴。每个PMSM通过DC/AC逆变器由电池供电，并通过减速齿轮直接连接到前轮半轴。这种配置使电机能够提供驱动力

基于隐马尔可夫模型的两阶段线性时变模型预测（HMM-DLTV-MPC）监督控制器

在本文中，监督控制器的输出包括前轮转向角$\delta$和额外的偏航扭矩$M_{\mathrm{za}}$. 尽管这两种控制动作是独立的，但它们对横向路径稳定性有复杂的耦合效应，如图9所示。在恒定纵向速度下，单独调整横向速度$V_y$或偏航角$\psi$可以调节横向位移$d_y$以保持路径稳定性。然而，$V_y$和$\psi$需要同时调整

具有专家经验指导和控制目标自校正的改进RL控制器

有效的控制动作对于保持性能至关重要。然而，现场操作中的负载变化、速度波动和土壤干扰对传统的线性控制方法构成了挑战。虽然像DDPG这样的强化学习方法在连续控制中有效，但它们在强干扰、时变目标和多目标优化下往往不稳定。因此，本文提出了一种改进的LSTM-SA-SAC辅助控制器

LSTM-SA-SAC的训练性能

代理的训练和评估是在使用PyTorch和Simulink/CarSim开发的协同仿真平台上进行的。所有实验都在配备Intel Core i5-13600KF CPU的桌面上进行，共进行了1200个训练周期。图16比较了LSTM-SA-SAC与DDPG和SAC的学习性能。如图16所示，LSTM-SA-SAC代理在早期训练阶段显示出累积平均奖励的快速上升，表明其学习速度更快且更

结论

为了解决在波动土壤参数下实现高效和稳定旋转耕作的挑战，本文提出了一种前置轴直接扭矩耦合的混合动力拖拉机动力系统（FADTC-HTP）以及一种考虑节能和路径稳定性的分层控制策略。主要结论如下：

• (1)
  设计了一种集成永磁同步电机（PMSMs）和电子限滑差速器（eLSD）的新型混合动力拖拉机动力系统。

CRediT作者贡献声明

张泽鹏：写作——审稿与编辑，撰写——原始草稿，验证，方法论，概念化。朱中翔：写作——审稿与编辑，监督，资金获取，概念化。卢立全：写作——审稿与编辑。张广林：写作——审稿与编辑。杨浩然：写作——审稿与编辑。宋正和：形式分析，概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（52572505）的支持。