使用AMESim模型，研究卡尔曼滤波算法和人工神经网络算法在电动拖拉机轴扭矩及电池荷电状态（SOC）估计方面的节能性能

《Contact Lens and Anterior Eye》：Energy-Saving performance of Kalman filtering and artificial neural network algorithm for axle torque and battery SOC estimation of electric tractor using AMESim model

　　Md. Abu Ayub Siddique | Hyeon-Ho Jeon | Seung-Yun Baek | Yong-Joo Kim
韩国大田市忠南国立大学环保型氢电动拖拉机与农业机械研究所，邮编34134

**摘要**
在耕作过程中，电动拖拉机需要在高度变化的土壤阻力条件下运行，这会导致轴扭矩的快速波动，并增加电池能耗，尤其是当传统的电机控制器仅依赖于延迟反馈时。本研究评估了一种集成滤波算法的比例-积分-微分（PID）电机速度控制器在19千瓦单电机电动拖拉机进行犁耕作业时的节能性能，该作业包含了L-2500、L-2800和M-2000三个挡位阶段。为此，我们在AMESim中开发了一个一维电动拖拉机仿真模型，其中包含了电机扭矩-速度-电压特性、效率图、传动系统组件以及现场测量的耕作负载数据集。卡尔曼滤波算法（KFA）被集成到PID控制框架中，以实时估计轴扭矩和电池荷电状态（SOC），并将其性能与基于人工神经网络（ANN）的估计器以及没有预测滤波的传统PID控制器进行了比较。仿真结果表明，集成KFA的控制器提高了扭矩估计的准确性，抑制了瞬态超调，并在动态变化的田间负载下稳定了电机电流响应。与ANN和传统PID控制器相比，基于KFA的控制器在L-2500、L-2800和M-2000挡位下分别减少了约0.38%、0.42%和0.53%的电池能耗。这些发现证实了基于KFA的预测性工作负载估计能够提高控制稳定性和能源效率，支持该控制器在能源密集型耕作条件下的应用潜力。

**引言**
农业拖拉机设计中的一个主要挑战是确保拖拉机能够适应多种农业作业的需求，特别是在高负载任务（如犁地和旋转耕作）中（Kim等人，2021a）。在这些作业中，土壤阻力、地形条件以及农具配置会导致负载波动，从而需要不断调整拖拉机的速度和扭矩。在这种情况下，挡位选择对于平衡功率输出和能源效率至关重要。通常，低挡位用于高阻力作业（如犁地），此时需要持续的高扭矩来克服土壤阻力；而根据土壤条件和农具配置，中高挡位可能用于旋转耕作，此时既需要高功率输出，又需要稳定的速度调节，以实现有效的土壤粉碎和田间生产效率（Kim等人，2013a）。
对于电动拖拉机来说，有效的电机速度控制尤为重要，因为它可以在调节能源消耗的同时确保充足的动力输出，从而优化操作性能和电池寿命（Arivalahan等人，2022）。然而，复杂的农业作业，尤其是耕作，对传统的电机控制策略提出了挑战。特别是犁地和旋转耕作需要拖拉机在不同挡位下运行，以根据土壤阻力、农具类型和地形条件产生适当的扭矩和速度（Baek等人，2024；Baek等人，2022）。因此，能够动态适应这些变化操作需求的电机速度控制器对于维持电动拖拉机的效率和延长电池寿命至关重要。
为了解决这些问题，模型预测控制（MPC）和智能算法等先进控制策略最近受到了越来越多的关注，因为它们可以管理多变量系统、操作约束以及时变操作条件（Zhao等人，2024）。尽管这些能力使得它们在改善电动拖拉机的能源管理方面具有前景，但其在农业环境中的实际应用仍受到计算复杂性和模型不确定性的限制。例如，基于MPC的策略已被应用于拖拉机传动系统和能源管理，以优化犁地、旋转耕作和运输等作业中的功率分配、电池利用和能源消耗（Yu等人，2025）。这些方法依赖于显式的预测模型，并在每个控制步骤中解决优化问题，以计算有限时间范围内的最优控制输入。尽管MPC可以实现可靠的控制性能，但其在我农业拖拉机中的应用往往受到高计算需求、对模型不确定性的敏感性以及需要对快速变化的田间负载进行精确实时预测的限制（Liang等人，2024；Liang等人，2023）。同时，包括人工神经网络（ANN）、模糊逻辑控制、强化学习以及基于扩展卡尔曼滤波器（EKF）或无迹卡尔曼滤波器（UKF）的混合估计方案在内的各种智能和数据驱动算法也被探索用于电动拖拉机的控制和负载估计（Kalcher等人，2023a）。在这些方法中，基于ANN的方法已用于根据土壤物理特性和操作参数估计轴扭矩或牵引力，并在训练条件下表现出高准确性（Ullah等人，2019）。然而，在未知的田间条件下，由于过拟合、有限的泛化能力和缺乏显式物理约束，它们的性能可能会下降。类似地，先进的SOC估计技术虽然提高了电池状态预测的准确性，但往往与实时电机控制分离，并因此无法直接解决由扭矩引起的效率损失（Li等人，2024）。因此，单电机电动拖拉机需要一个计算效率高、模型一致的控制系统框架，该框架能够与实时电机速度控制无缝集成，并在实际田间条件下直接将负载估计与电机效率和能源消耗联系起来。

为了适应负载条件的变化并提高电机性能，开发了一种集成了卡尔曼滤波算法（KFA）的高级电机速度控制器。值得注意的是，KFA在实时估计和噪声数据处理方面表现出有效性，并提供了预测关键参数（如耕作过程中的轴扭矩和电池SOC）的强大框架（Siddique等人，2025b）。具体而言，准确的轴扭矩预测使控制器能够在充电土壤和地形条件下调节电机输出，而可靠的SOC估计则支持优化电池利用和延长操作时间（Kalcher等人，2023b；Kalman，1960）。因此，集成KFA的电机速度控制器可以动态调整功率输出，从而提高操作性能和能源效率（Schmidt和Cheein，2019）。然而，需要对其性能进行评估，特别是在不同挡位下，因为每个挡位对功率和扭矩的要求不同，这直接影响电池消耗和操作效率（Siddique等人，2025a）。例如，低挡位会产生较高的扭矩，但会降低电池效率；而高挡位则需要精确的速度控制来优化功率输出（Kim等人，2013b；Moeenifar等人，2014）。因此，分析电机操作点是评估集成KFA的电机速度控制器有效性的关键。
在之前的研究中，Siddique等人（2025b）进行了全面的统计分析，以评估预测轴扭矩和电池SOC与实际测量值之间的相关性，为KFA的准确性和可靠性提供了关键见解。他们的结果表明，这些控制器能够有效管理功率需求和能源消耗，这对于确保电动拖拉机的可持续性和操作可行性至关重要。尽管这项研究验证了KFA的预测能力，并有助于改进用于节能农业应用的电机控制器设计（Gu和Kushwaha，1994；Julier和Uhlmann，1997），但它没有包括与基于ANN的估计器等其他滤波方法的比较评估，因此未能确认KFA的优越性。此外，也没有分析电机日志数据以确定适合农业操作的合适和高效挡位。

为了填补这一空白，本研究使用AMESim仿真模型将电机速度控制器与滤波算法集成在一起，该模型能够动态预测和适应轴扭矩和电池SOC的实时变化。这一框架旨在通过利用电机性能曲线来提高电动拖拉子在苛刻农业作业中的操作灵活性和能源效率。与仅依赖延迟反馈信号的传统PID控制器不同，所提出的方法将KFA集成到PID控制回路中，以实现轴扭矩和电池SOC的实时预测。KFA的主要优势在于其基于模型的状态估计框架，该框架结合了系统动态和测量反馈，以在噪声和时变田间条件下最小化估计不确定性。相反，基于ANN的估计器依赖于离线训练和数据驱动的近似，因此在未见过的土壤和负载条件下可能出现过拟合和降低了鲁棒性。通过将预测性扭矩估计嵌入控制回路中，集成KFA的电机控制器可以主动调整电机电流，从而减少超调，改善瞬态响应，并实现更节能的操作。最终，优化不同挡位和操作需求下的功率输出和能源消耗提高了电动拖拉机的可行性和效率，使其成为传统柴油动力拖拉机的替代方案（Li等人，2025）。因此，本研究的新颖之处在于它对滤波算法（即KFA和ANN）进行了比较评估，以估计轴扭矩和电池SOC，并评估它们对农业作业中电动拖拉机节能性能的影响。

总体而言，本研究旨在全面比较使用KFA、ANN以及不使用滤波器的基线配置的电机控制策略的节能潜力，同时分析在不同挡位下犁地过程中的电机操作点。具体目标有三个：（i）开发一个基于仿真模型的电机控制算法，集成滤波算法；（ii）使用电机效率图分析采用KFA、ANN和不使用滤波算法的控制策略的电机操作点；（iii）评估和比较这些滤波方法在不同挡位下的犁地作业中的节能性能。

**仿真模型的开发**
在AMESim（版本2404，西门子股份公司，德国慕尼黑）中开发了一个集成仿真模型，用于分析19千瓦电动拖拉子在变化负载条件下的动态行为，如图1所示。为了清晰起见，所开发的AMESim工厂模型主要表示了电动拖拉机的传动系统动态，包括电动机、电池能量流动、离合器、具有低/中/高（L/M/H）挡位的多范围变速器、轴旋转动态和外部负载。

**电机控制性能与比较**
图7展示了在不同控制策略下（是否使用KFA）的电机输出电流响应。控制目标是根据估计的轴扭矩使用PID控制器来调节电机电流。KFA实时估计了轴扭矩，并引入了大约1.17秒的系统延迟，该延迟低于3秒的控制阈值。因此，在KFA下的稳定时间满足了电机控制过程的边界条件，表明其具有很高的稳定性。

**结论**
本研究比较了三种滤波策略的节能性能：基于KFA的滤波、基于ANN的滤波以及不使用KFA的控制。将基于模型的PID电机控制算法集成到KFA中，以分析轴扭矩和SOC估计的准确性、电机效率及整体节能性能。这些评估是在L-2500、L-2800和M-2000挡位下的犁地作业中进行的。在AMESim中开发了一个一维电动拖拉机仿真模型。

**作者贡献声明**
Md. Abu Ayub Siddique：撰写——审阅与编辑、撰写——原始草稿、验证、软件、方法论、概念化。
Hyeon-Ho Jeon：验证、软件、数据管理。
Seung-Yun Baek：撰写——审阅与编辑、验证、监督、数据管理。
Yong-Joo Kim：撰写——审阅与编辑、可视化、监督、资源管理、项目协调、资金获取、概念化。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

**致谢**
本工作得到了韩国食品、农业、林业技术规划与评估研究所（IPET）的支持，该研究所通过环保型动力源应用农业机械技术开发计划获得了农业、食品和农村事务部（MAFRA）的资助（项目编号：322047-5）。