[发明专利]基于循环神经网络算法的青饲收获机工作参数修正方法

权利要求书

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特征值Bt：

其中，m为整个收获过程作业幅值采样总数，B1，……，Bn为青饲收获后在收获行进路线上每隔一米测量的扭矩值。

5.如权利要求4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。