基于循环神经网络算法的青饲收获机工作参数修正方法技术

一种基于循环神经网络算法的青饲收获机工作参数修正方法，包括：采集变参数收获状态数据，在青饲收获机上通过设定不同工作参数进行收获试验，获取不同工作参数的整机实时工况信号和田间作业数据；对所述整机实时工况信号进行复合滤波和小波分析，并对所述田间作业数据进行插补和特征值提取；循环神经网络建模并优化参数，使用工作参数、功率特征值和植株剩余高度数据、植株密度数据、切碎率数据的特征值对循环神经网络进行训练，并采用遗传算法对循环神经网络初始权值和阈值进行优化；以及收获过程中对青饲收获机整机工况信号和田间作业数据进行实时监测，将其与工作参数输入到训练好的神经网络中，通过神经网络对整机工况进行调整和控制。行调整和控制。行调整和控制。

【技术实现步骤摘要】
基于循环神经网络算法的青饲收获机工作参数修正方法


[0001]本专利技术涉及农业大数据技术，特别是一种基于循环神经网络算法的青饲收获机工作参数修正方法。

技术介绍

[0002]青饲收获机工作过程参数修正的原则就是在最大限度的提高收获效率的前提下，尽最大可能达到青饲设定的收获质量，实现保质保量的要求。
[0003]青饲收获机工作参数包括割台功率、喂入功率、切碎功率以及定动刀间距的实时监测，并基于植株高度、植株密度、草谷比等参数进行实时优化和自适应调整。
[0004]传统青饲收获机工作在收获开始前的编程阶段就已经确定了工作参数，而这些工作参数往往是由操作人员的经验所设定的，并不是最佳或者最优的工作参数，因此不能保证获得最优的收获质量；在实际收获过程中，由于冲击震动、收获青饲高度不均匀、机械磨损等因素，收获条件是不断变化，因此不宜采用恒定的工作参数进行收获；由于不知道实际工作时收获条件的优劣，往往编程设定时工作参数的选择较为保守，甚至会出现不合理的情况，需要操作人员实时监测收获过程，并根据收获状况的改变及时调整工作参数，保证收获的顺利进行，避免造成机械、传送装置、动力装置的损坏，这样大大增加了生产成本。因此，在没有有效的过程监测和参数修正的情况下，要想实现收获质量的优化和收获效率的提高是比较困难的。
[0005]通过对青饲收获机参数修正技术的分析发现，很少有在青饲收获方面开展此类研究。根据一般机器的参数修正技术发现，由于模糊控制的设计尚缺乏系统性，这对复杂系统的控制是难以奏效的，难以建立一套系统的模糊控制理论，以解决模糊控制的机理、稳定性分析、系统化设计方法等一系列问题：
[0006]1)如何获得模糊规则及隶属函数即系统的设计办法，完全凭经验进行；
[0007]2)简单地对模糊规则进行优化，对控制系统的精确性提升有限，且信息简单的模糊处理将导致系统的控制精度降低和动态品质变差；
[0008]3)若要提高精度就必然增加量化级数，导致规则搜索范围扩大，降低决策速度，甚至不能进行实时控制。

技术实现思路

[0009]本专利技术所要解决的技术问题是针对现有技术的上述缺陷，提供一种基于循环神经网络算法的青饲收获机工作参数修正方法。
[0010]为了实现上述目的，本专利技术提供了一种基于循环神经网络算法的青饲收获机工作参数修正方法，其中，包括如下步骤：
[0011]S100、采集变参数收获状态数据，在青饲收获机上通过设定不同工作参数进行收获试验，获取不同工作参数的整机实时工况信号和田间作业数据；
[0012]S200、处理所述整机实时工作信号和田间作业数据，对所述整机实时工况信号进
行复合滤波和小波分析，并对所述田间作业数据进行插补和特征值提取；
[0013]S300、循环神经网络建模并优化参数，使用工作参数、功率特征值和植株剩余高度数据、植株密度数据、切碎率数据的特征值对循环神经网络进行训练，并采用遗传算法对循环神经网络初始权值和阈值进行优化；以及
[0014]S400、实时调整和控制工作参数，在实际收获过程中，对青饲收获机整机工况信号和田间作业数据进行实时监测，将其与工作参数输入到训练好的神经网络中，通过神经网络对整机工况进行调整和控制。
[0015]上述的基于循环神经网络算法的青饲收获机工作参数修正方法，其中，所述整机工况信号包括下割台功率信号、喂入功率信号、切碎功率信号、风机吹送功率信号、籽粒破碎功率信号和定动刀间距信号；所述田间作业数据包括田间植株剩余高度数据、植株密度数据和切碎率数据。
[0016]上述的基于循环神经网络算法的青饲收获机工作参数修正方法，其中，步骤S100进一步包括：
[0017]S101、分别在所述青饲收获机的下割台工作端、喂入口传动末端、切碎机传动末端、风机工作端和籽粒破碎器传动端设置扭矩传感器；
[0018]S102、在所述青饲收获机的机身上安装深度摄像头探测所述田间作业数据；
[0019]S103、在设定相同收获质量的基础上，选择搭配不同的下割台运转速度、喂入速度、切碎速率、风机风速、籽粒破碎率和定动刀间距组合进行整机收获作业，所述扭矩传感器记录并反馈每一组整机实时作业数据；
[0020]S104、通过中央处理器计算每一组所述整机实时作业数据并得到对应的割台功率信号、喂入功率信号、切碎功率信号、风机吹送功率信号、籽粒破碎功率信号、定动刀间距信号和切碎率数据；以及
[0021]S105、利用深度摄像头记录对应每一组整机实时作业数据的田间植株剩余高度数据和植株密度数据。
[0022]上述的基于循环神经网络算法的青饲收获机工作参数修正方法，其中，步骤S200进一步包括：
[0023]S201、采用缺失值前后两个扭矩值的平均值作为补偿后的新值，补偿后的扭矩转化为功率W
i
后采用如下公式计算：
[0024][0025]其中，W
i
‑1为信号缺失前一时刻信号值，W
i+1
为信号缺失后一时刻信号值；
[0026]S202、取整个收获过程功率的平均值作为本次收获过程的功率特征值，功率特征值W
t
采用如下公式计算：
[0027][0028]其中，n为整个收获过程功率值采样总数，W1，
……
，W
n
为每间隔1s采集的功率值；以及
[0029]S203、采用小波法对所述深度摄像头采集到的信号进行去噪处理，取整个收获过程的平均作业幅值作为本次收获过程的特征值，所述特征值A
t
采用如下公式计算：
[0030][0031]其中，m为整个收获过程作业幅值采样总数，A1，
……
，A
n
为青饲收获后在收获行进路线上每隔一米测量的作物高度。
[0032]上述的基于循环神经网络算法的青饲收获机工作参数修正方法，其中，步骤S300中循环神经网络建模后的总神经网络包括三个单隐含层循环神经网络。
[0033]上述的基于循环神经网络算法的青饲收获机工作参数修正方法，其中，步骤S300中循环神经网络建模进一步包括：
[0034]S301、建立第一神经网络，利用收获程序设定的工作参数对目标工作功率进行预测，输入为工作参数包括割台运转速度、喂入速度、切碎率、风机风速、籽粒破碎率和定动刀间距，输出为整机实际工作信号和田间作物高度幅值预测值；
[0035]S302、建立第二神经网络，利用实时采集的功率值、田间植株剩余高度、植株密度以及程序设定的青饲收获机工作参数对当前青饲破碎率进行预测，输入为功率值、田间植株剩余高度、植株密度，输出为破碎率的预测值；以及
[0036]S303、建立第三神经网络，利用目标整机工况信号和田间作物高度幅值预测值以及第二个神经网络预测得到的当前破碎率预测值对需要调控的工作参数进行预测，输入为目标整机工况功率以及预测得到的当前田间植株剩余高度、植株密度和切本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络算法的青饲收获机工作参数修正方法，其特征在于，包括如下步骤：S100、采集变参数收获状态数据，在青饲收获机上通过设定不同工作参数进行收获试验，获取不同工作参数的整机实时工况信号和田间作业数据；S200、处理所述整机实时工作信号和田间作业数据，对所述整机实时工况信号进行复合滤波和小波分析，并对所述田间作业数据进行插补和特征值提取；S300、循环神经网络建模并优化参数，使用工作参数、功率特征值和植株剩余高度数据、植株密度数据、切碎率数据的特征值对循环神经网络进行训练，并采用遗传算法对循环神经网络初始权值和阈值进行优化；以及S400、实时调整和控制工作参数，在实际收获过程中，对青饲收获机整机工况信号和田间作业数据进行实时监测，将其与工作参数输入到训练好的神经网络中，通过神经网络对整机工况进行调整和控制。2.如权利要求1所述的基于循环神经网络算法的青饲收获机工作参数修正方法，其特征在于，所述整机工况信号包括下割台功率信号、喂入功率信号、切碎功率信号、风机吹送功率信号、籽粒破碎功率信号和定动刀间距信号；所述田间作业数据包括田间植株剩余高度数据、植株密度数据和切碎率数据。3.如权利要求2所述的基于循环神经网络算法的青饲收获机工作参数修正方法，其特征在于，步骤S100进一步包括：S101、分别在所述青饲收获机的下割台工作端、喂入口传动末端、切碎机传动末端、风机工作端和籽粒破碎器传动端设置扭矩传感器；S102、在所述青饲收获机的机身上安装深度摄像头探测所述田间作业数据；S103、在设定相同收获质量的基础上，选择搭配不同的下割台运转速度、喂入速度、切碎速率、风机风速、籽粒破碎率和定动刀间距组合进行整机收获作业，所述扭矩传感器记录并反馈每一组整机实时作业数据；S104、通过中央处理器计算每一组所述整机实时作业数据并得到对应的割台功率信号、喂入功率信号、切碎功率信号、风机吹送功率信号、籽粒破碎功率信号、定动刀间距信号和切碎率数据；以及S105、利用深度摄像头记录对应每一组整机实时作业数据的田间植株剩余高度数据和植株密度数据。4.如权利要求2或3所述的基于循环神经网络算法的青饲收获机工作参数修正方法，其特征在于，步骤S200进一步包括：S201、采用缺失值前后两个扭矩值的平均值作为补偿后的新值，补偿后的扭矩转化为功率W
i
后采用如下公式计算：其中，W
i
‑1为信号缺失前一时刻信号值，W
i+1
为信号缺失后一时刻信号值；S202、取整个收获过程功率的平均值作为本次收获过程的功率特征值，功率特征值W
t
采用如下公式计算：
其中，n为整个收获过程功率值采样总数，W1，
……
，Wn为每间隔1s采集的功率值；S203、采用小波法对所述深度摄像头采集到的信号进行去噪处理，取整个收获过程的平均作业幅值作为本次收获过程的特征值，所述特征值A
t
采用如下公式计算：其中，m为整个收获过程作业幅值采样总数，A1，
……
，An为青饲收获后在收获行进路线上每隔一米测量的作物高度；以及S204、采用小波法对扭矩传感器采集到的扭矩信号进行去噪处理，取整个收获过程的平均扭矩幅值作为整个收获过程的扭矩特征值，利用如下公式计算扭矩...

【专利技术属性】
技术研发人员：赵博，陈凯康，汪凤珠，王鹏飞，郑永军，刘阳春，苑严伟，
申请(专利权)人：中国农业机械化科学研究院，
类型：发明
国别省市：