安斯奇，徐星辰，陈淑仙，吕东晓

（中国民用航空飞行学院 航空工程学院，四川 广汉 618307）

现代农业飞行器机载植保喷洒系统已逐步从机械式发展成为电子式。电子式喷洒系统控制更为智能，可实现按需供药、精确喷洒和随速喷洒等功能，符合当前航空植保低容量喷雾、低农药使用量、低用水量的发展趋势［1］。

无人机（unmanned aerial vehicle，UAV）作为新型航空植保喷洒载具，因其满足高效、环保的应用需求，成为农机行业的新兴热点，近年来在高精度识别、病虫害定位和精确喷洒方面均有较大应用［2-5］。传统的喷洒系统由驾驶员手动操纵，简便但效率欠佳，药液流量有波动，喷洒不均，局部区域浪费严重，因此不断提高的作物标准对基于精确喷洒和经济喷洒的作业品质提出更高的要求［6-8］。

多传感器融合对实时信号的精确估计或修正有较好效果，在工业生产的液位监测、水位控制等实际应用中有不同程度的应用价值［9-11］。不同类型的传感器能扩展测试维度，规避单一传感器的固有缺陷，从而获得更好的融合效果，有效地提高不同工况的测量精度和数学模型准确度，因此成为近年来工业控制领域的热点之一［12-15］。

1 传感器标定与数据处理

1.1 问题描述

如图1所示，典型植保喷洒系统由药箱、电动泵、流量传感器和管路喷头组成。普遍使用的流量传感器采用了容积式涡轮和霍尔原理，即流动的液体冲击使涡轮旋转，涡轮旋转产生脉冲或方波。计算脉冲频率或方波高电平时间，再结合一定的对应关系，即可获取实时的液体流量。已喷洒药量（体积）由流量传感器所测实时流量积分获得。

图1 典型农用无人机与植保喷洒系统

实际作业中，该类型流量传感器的精度约为±0.05 L／L，而造成精度偏低的问题主要有［16-17］：

1）管路中夹杂来自药箱的气泡，使得实际通过传感器的流量小于测量值，已喷洒的药液总量计算存在不可接受的误差；

2）传感器涡轮叶片旋转产生负压使溶解在水中的气体析出，造成充填效率降低，使得实际通过传感器的流量小于测量值；

3）固体残渣堵塞喷口使得管路出口阻力过大或压力不均匀，产生湍流造成重复计数，使得实际通过传感器的流量大于测量值。

为了提高精度，对流量传感器进行精确标定，并在此基础上增加第2种传感器，进行数据融合和滤波处理。

1.2 传感器数值标定

经流量传感器内霍尔元件发出的脉冲数量是流量在时域上的积分，使用高精度量筒对脉冲数进行静态测量。多次重复测量后，确定1 mL水对应脉冲数量为δ个。

其中：count为输出脉冲数量；v0（t）为实时流量（mL／s）；δ为流量与输出脉冲数量对应关系系数；t为时间（ms）。根据式（1），流量最终表达式为

液面传感器能直接测量位于规则容器中的液体绝对体积，无积分漂移，能避免气泡等因素干扰，静态精度较高。常用的传感器主要体现为红外传感器和超声波传感器，由于探测频率较高，液面传感器易受液面低频波动影响。

如图2所示，建立传感器自身至液面的高度差H与储水箱中实时水体积V的函数关系式。选取多项式进行拟合，储水箱容积和液面高度差的拟合关系式如式（3）所示，λi为多项式常数。

图2 传感器组在系统中的安装位置示意图

1.3 传感器数据处理及融合

植保喷洒系统需要实时监测、反馈和调节药液流量，因此喷洒精度和传感器精度紧密相关。本文采用的两种传感器各有优点：流量传感器与流量正相关，动态测量准确度高；液面传感器对液面高度的绝对测量，稳态测量不漂移。现通过融合二者的反馈数据对流量值进行校准。

采用卡尔曼滤波法，计划同时解决随机线性离散系统的滤波和参数估计两个问题：以最小均方误差为最佳估计准则，采用包括信号与噪声的状态空间模型，利用当前时刻来自不同传感器的观测值对前一时刻的估计值进行修正，从而更新对状态量的估计，得出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的最佳估计。因此，将流量值设定为唯一状态量。如图3所示，偏差预测方程为

式（4）中：Dk-1为前一时刻最优偏差值为不确定度；Ak为当前时刻预测偏差值。

图3 卡尔曼滤波法算法结构

滤波增益权重为

其中：Hk1为流量传感器的增益权重；Hk2为液面传感器的增益权重；Bk为当前时刻流量传感器的协方差；Ck为当前时刻超声波传感器的协方差。

滤波估计方程为

式（6）中：X＾k-1为上一时刻预测值；Yk为当前时刻流量传感器的流量值；Zk为当前时刻超声波传感器的流量值。

滤波偏差方程为

为验证卡尔曼滤波法效果，并引入算术平均法（arithmetic averaging approach）和加权滤波法（weighted smoothing approach）同时与之比较。

如图4所示，加权滤波法滤波估计方程为

式（8）中：α为流量传感器的增益权重；β为液面传感器的增益权重。加权滤波法滤波增益权重满足α＋β＝1。

图4 加权滤波法算法结构

2 流量探测试验及结果

无人机植保喷洒平台搭建如图5所示，单片机控制器收集来自流量传感器和液面传感器组成的传感器组的反馈数据v0（t）和H（t），上位机监控并采集控制器（下位机）的数据并烧录程序代码至控制器。

图5 机载喷洒平台原理

如图6所示，选取超声波传感器实时探测来自药箱的液面并获取液面高度H（t），叶轮式霍尔传感器实时获取流量信号v0（t）。为避免由喷口堵塞带来的测量不准的问题，在泵两端安装回流管路并由步进电机控制。

图6 喷洒系统实物装置

将卡尔曼滤波法、加权滤波法和算术平均法分别编程并烧录至单片机控制器。设置采样率为100，对喷洒泵调速得到不同的流量工况，来自超声波液位传感器和流量传感器的实时数据通过片载程序实时处理得到稳态流量信号值对比和动态流量信号值对比。

如图7～10所示，由于受到低频扰动，超声波液面传感器的剧烈波动严重影响估计数据，致使算术平均法的误差甚至超过30%。卡尔曼滤波法对实时数据波动的抑制效果最好，能最大程度地估计和还原真实数据。

图7 大流量工况下3种信号处理方式对比

图8 中等流量工况下3种信号处理方式对比

图9 小流量工况下3种信号处理方式对比

图10 动态流量工况下3种信号处理方式对比

如图11所示，在稳态流量工况下，流量传感器受高频干扰存在漂移现象，即长时间计量流过体积比真实值偏少。由于液面传感器测量绝对体积，因此结合液面传感器的多传感器融合方法能有效避免积分漂移的问题。

图11 流量传感器单独计量流过体积和 多传感器计量流过体积效果对比

3 结束语

针对典型农用无人机植保喷洒系统，通过加入液面传感器并使用多传感器融合方法，有效避免流量传感器因误差积分产生的积分漂移，提高了流过体积的准确度。在多传感器融合基础上设计卡尔曼滤波信号处理算法，对流量传感器和液面传感器输出信号进行实时处理。以加权滤波法和算术平均法作为对比，在实物喷洒系统上分别在高、中、低和动态流量工况下给予验证。卡尔曼滤波法在3种信号处理方法中抑制波动能力最强，对真实数据估计和还原程度最高。结果表明：本文所采用的低成本传感器经多传感器卡尔曼滤波法处理可获得较为精确的实时流量，能有效提高农用无人机植保喷洒水平。