一種振動式深松機作業(yè)狀態(tài)監(jiān)控方法
【技術(shù)領域】
[0001] 本發(fā)明涉及農(nóng)業(yè)機械監(jiān)控方法技術(shù)領域，具體涉及一種振動式深松機作業(yè)狀態(tài)監(jiān) 控方法。
【背景技術(shù)】
[0002] 近幾年來，我國農(nóng)業(yè)機具面向機械化、深層次發(fā)展，由于農(nóng)業(yè)機具種類繁多，檢測 參數(shù)復雜，檢測方法各異，特別是進行綜合性能測試時需要多臺專項測試儀器，難以同時檢 測多個參數(shù)，不利于數(shù)據(jù)的實時分析和處理，對于農(nóng)機派出管理，耕作任務的劃分和公布是 一項及其繁瑣的任務，需要高技術(shù)的監(jiān)控手段以及切實有效的監(jiān)管方法，而深松機具作為 我國旱地耕作保墑關(guān)鍵農(nóng)業(yè)機械之一，其能耗、耕作頻率、性能以及機具工作狀態(tài)成為保護 性耕作研宄的重點。
[0003] 目前，鮮有對面向深松機作業(yè)狀態(tài)的在線檢測設備，現(xiàn)有的農(nóng)業(yè)裝備中，構(gòu)建深松 機遠程監(jiān)控平臺需要選用多臺檢測儀器，采用不同工作參數(shù)檢測專用儀器自成系統(tǒng)，并配 有不同顯示設備，數(shù)據(jù)可通過存儲卡存儲，采集完成后將數(shù)據(jù)輸入到專用軟件進行分析。但 是，此種檢測方法檢測出的參數(shù)無法實時傳輸?shù)接嬎銠C或其他終端設備中，因此對這些參 數(shù)的同步采集、實時傳輸存在局限，對于數(shù)據(jù)的在線分析和批量存儲任務繁瑣，這給深松機 工作性能的檢測和研宄造成了極大的困難。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是針對上述無法對深松機參數(shù)進行同步采集、在線分析，批量存儲 任務繁重，進行數(shù)據(jù)分析困難等技術(shù)問題提出的一種振動式深松機作業(yè)狀態(tài)監(jiān)控方法，可 以對深松機作業(yè)參數(shù)進行同步采集、實時傳輸、在線分析和批量存儲，有效指導深松機作業(yè) 實現(xiàn)少耕、優(yōu)耕。
[0005] 為了達到上述目的，本發(fā)明提供一種振動式深松機作業(yè)狀態(tài)遠程監(jiān)控方法，包括： 步驟a、數(shù)據(jù)采集模塊采集深松機作業(yè)參數(shù)及定位地塊信息；步驟b、將采集的信息發(fā)送到 現(xiàn)場移動監(jiān)控終端，經(jīng)中央處理器處理后由顯示屏顯示，并通過無線傳輸模塊傳輸?shù)竭h程 監(jiān)控中心；步驟C、遠程監(jiān)控中心將接收的數(shù)據(jù)存儲到數(shù)據(jù)庫，技術(shù)人員將作物生長周期的 成長數(shù)據(jù)和不同階段適合的地表環(huán)境和地下環(huán)境影響因素進行數(shù)據(jù)化并存儲到遠程監(jiān)控 中心的知識庫；步驟d、創(chuàng)建BP神經(jīng)網(wǎng)絡模型，輸出最適宜的優(yōu)化參數(shù)，數(shù)據(jù)分析處理過程 如下：
[0006] 步驟dl、創(chuàng)建三層BP神經(jīng)網(wǎng)絡模型，對數(shù)據(jù)庫中的數(shù)據(jù)進行正交試驗，將輸出功 率最低的正交試驗優(yōu)化后的數(shù)據(jù)作為訓練樣本；
[0007] 步驟d2、將試驗數(shù)據(jù)中深松入土角、頻率、振幅數(shù)據(jù)做歸一化處理，作為BP神經(jīng)網(wǎng) 絡模型的輸入向量X ;將試驗數(shù)據(jù)中的功率輸出數(shù)據(jù)做歸一化處理，作為BP神經(jīng)網(wǎng)絡模型 的目標向量D，輸入層權(quán)值向量W和隱含層權(quán)值向量V初始化為（-1，1)內(nèi)的隨機數(shù)，隱含層 輸出向量H，閾值向量θ，處理單位的輸入為
【主權(quán)項】
1. 一種振動式深松機作業(yè)狀態(tài)監(jiān)控方法，其特征在于，包括以下步驟： a、 數(shù)據(jù)采集模塊采集深松機作業(yè)參數(shù)及定位地塊信息； b、 將采集的信息發(fā)送到現(xiàn)場移動監(jiān)控終端，經(jīng)中央處理器處理后由顯示屏顯示，并通 過無線傳輸模塊傳輸?shù)竭h程監(jiān)控中心； c、 遠程監(jiān)控中心將接收的數(shù)據(jù)存儲到數(shù)據(jù)庫，技術(shù)人員將作物生長周期的成長數(shù)據(jù)和 不同階段適合的地表環(huán)境和地下環(huán)境影響因素進行數(shù)據(jù)化并存儲到遠程監(jiān)控中心的知識 庫；所述數(shù)據(jù)庫包括土壤類型、深松數(shù)據(jù)、種植作物數(shù)據(jù)、歷年耕作數(shù)據(jù)，所述知識庫包括深 松周期數(shù)據(jù)、深松時間數(shù)據(jù)、深松深度數(shù)據(jù)； d、 結(jié)合數(shù)據(jù)庫和知識庫，建立BP神經(jīng)網(wǎng)絡模型，輸出最適宜的深送機深松入土角、頻 率和振幅，其數(shù)據(jù)分析處理過程如下： dl、創(chuàng)建三層BP神經(jīng)網(wǎng)絡模型，對數(shù)據(jù)庫中的數(shù)據(jù)進行正交試驗，以輸出功率最低的 正交試驗優(yōu)化后的數(shù)據(jù)作為訓練樣本； d2、將試驗數(shù)據(jù)中深松入土角、頻率、振幅數(shù)據(jù)做歸一化處理，作為BP神經(jīng)網(wǎng)絡模型 的輸入向量X;將試驗數(shù)據(jù)中的功率輸出數(shù)據(jù)做歸一化處理，作為BP神經(jīng)網(wǎng)絡模型的目標 向量D，輸入層權(quán)值向量W和隱含層權(quán)值向量V初始化為（_1，1)內(nèi)的隨機數(shù)，隱含層輸出 向量H，閾值向量9，處理單位的輸
的，誤差函數(shù)為 E= ^{D-Yf\ d3、BP神經(jīng)網(wǎng)絡的輸入層設三個節(jié)點，每一個輸入向量的取值范圍設為[0,1]，隱含層 設5個神經(jīng)元，輸出層設1個神經(jīng)元； d4、設置訓練參數(shù)，隱含層的激活函數(shù)設為tansig，輸出層激活函數(shù)設為purelin，訓 練函數(shù)設為trainlm，設置學習速率函數(shù)為my_functionl，設置最大訓練次數(shù)為M= 15000， 訓練次數(shù)為m;構(gòu)建一個前向BP神經(jīng)網(wǎng)絡，網(wǎng)絡各層加權(quán)函數(shù)設為my_funtion2,輸入函數(shù) 設為netsum，各神經(jīng)元權(quán)值和閾值的初始化函數(shù)設為ininw，網(wǎng)絡自適應函數(shù)設為trains; d5、開始訓練并計算仿真誤差，通過修改訓練函數(shù)反復訓練，直至滿足訓練要求，輸出 優(yōu)化后的深送機深松入土角、頻率和振幅。
2. 根據(jù)權(quán)利要求1所述的一種振動式深松機作業(yè)狀態(tài)監(jiān)控方法，其特征在于，所述深 松機作業(yè)參數(shù)包括深松入土角、振動頻率、振幅，所述地塊信息包括土壤類型、土壤溫度、土 壤濕度、種植作物類型。
3. 根據(jù)權(quán)利要求1所述的一種振動式深松機作業(yè)狀態(tài)監(jiān)控方法，其特征在于，所述步 驟d之后還包括步驟e、結(jié)合知識庫數(shù)據(jù)，將土壤類型、土壤濕度、土壤溫度、犁底層、種植作 物類型進行模糊化，任意模糊變量的子集為{_〇. 9, -0. 6, -0. 3,0,0. 3,0. 6,0. 9}，通過上述 模糊控制輸出最適宜的深松周期、深松深度和深松時間。
4. 根據(jù)權(quán)利要求3所述的一種振動式深松機作業(yè)狀態(tài)監(jiān)控方法，其特征在于，所述e步 驟之后還包括步驟f、用戶和技術(shù)人員通過遠程監(jiān)控中心查詢、更新優(yōu)化監(jiān)控中心數(shù)據(jù)為耕 地種植做出指導。
5. 根據(jù)權(quán)利要求4所述的一種振動式深松機作業(yè)狀態(tài)監(jiān)控方法，其特征在于，所述深 松機振動頻率以加速度信號頻率基準，該加速度信號通過三軸加速度傳感器獲得，重力加 速度G在正交坐標系中的三個分量為Gx，Gy和Gz，通過如下公式計算偏差：ADEV=E(DE V-DEVQ)2+E[0. 45X(RB-RB。)2]，其中：DEV。為深松鏟斜角初始化值；RB。為深松鏟面角初始 值；DEV為深松鏟斜角實測值；RB為深松鏟面角實測值；最終通過實測值與校正偏差值確定 準確的加速度真值。
【專利摘要】本發(fā)明涉及一種振動式深松機作業(yè)狀態(tài)監(jiān)控方法，不僅可以對深松機工作性能、關(guān)鍵參數(shù)進行現(xiàn)場移動檢測，同時能夠通過GPS定位以及GPRS DTU無線傳輸技術(shù)實現(xiàn)遠程計算機的同步監(jiān)控、數(shù)據(jù)的在線分析和批量存儲，計算機對定位地塊數(shù)據(jù)查詢分析并結(jié)合該機具返回的關(guān)鍵技術(shù)數(shù)據(jù)分析，通過建立BP神經(jīng)網(wǎng)路模型，輸出以最低消耗為目標的優(yōu)化參數(shù)，得出該地塊最優(yōu)耕作周期、最適宜的耕作深度、工作效率、最高的機具深松頻率和振幅等相關(guān)參數(shù)，并將相關(guān)參數(shù)發(fā)至現(xiàn)場監(jiān)控終端供其參考，從而實現(xiàn)真正的少耕、優(yōu)耕。
【IPC分類】G05B19-418
【公開號】CN104699041
【申請?zhí)枴緾N201510056284
【發(fā)明人】劉曉紅
【申請人】青島農(nóng)業(yè)大學
【公開日】2015年6月10日
【申請日】2015年2月4日