[发明专利]一种振动式深松机作业状态监控方法

权利要求书

1.一种振动式深松机作业状态监控方法，其特征在于，包括以下步骤：

a、数据采集模块采集深松机作业参数及定位地块信息；

b、将采集的信息发送到现场移动监控终端，经中央处理器处理后由显示屏显示，并通过无线传输模块传输到远程监控中心；

c、远程监控中心将接收的数据存储到数据库，技术人员将作物生长周期的成长数据和不同阶段适合的地表环境和地下环境影响因素进行数据化并存储到远程监控中心的知识库；所述数据库包括土壤类型、深松数据、种植作物数据、历年耕作数据，所述知识库包括深松周期数据、深松时间数据、深松深度数据；

d、结合数据库和知识库，建立BP神经网络模型，输出最适宜的深送机深松入土角、频率和振幅，其数据分析处理过程如下：

d1、创建三层BP神经网络模型，对数据库中的数据进行正交试验，以输出功率最低的正交试验优化后的数据作为训练样本；

d2、将试验数据中深松入土角、频率、振幅数据做归一化处理，作为BP神经网络模型的输入向量X；将试验数据中的功率输出数据做归一化处理，作为BP神经网络模型的目标向量D，输入层权值向量W和隐含层权值向量V初始化为(-1,1)内的随机数，隐含层输出向量H，阈值向量θ，处理单位的输入为输出为$Y=f(\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{W}_i{X}_i-\mathrm{\θ}),$误差函数为$E=\frac{1}{2}{(D-Y)}^2;$

d3、BP神经网络的输入层设三个节点，每一个输入向量的取值范围设为[0，1]，隐含层设5个神经元，输出层设1个神经元；

d4、设置训练参数，隐含层的激活函数设为tansig，输出层激活函数设为purelin，训练函数设为trainlm，设置学习速率函数为my_function1，设置最大训练次数为M＝15000，训练次数为m；构建一个前向BP神经网络，网络各层加权函数设为my_funtion2，输入函数设为netsum，各神经元权值和阈值的初始化函数设为ininw，网络自适应函数设为trains；

d5、开始训练并计算仿真误差，通过修改训练函数反复训练，直至满足训练要求，输出优化后的深送机深松入土角、频率和振幅。

2.根据权利要求1所述的一种振动式深松机作业状态监控方法，其特征在于，所述深松机作业参数包括深松入土角、振动频率、振幅，所述地块信息包括土壤类型、土壤温度、土壤湿度、种植作物类型。

3.根据权利要求1所述的一种振动式深松机作业状态监控方法，其特征在于，所述步骤d之后还包括步骤e、结合知识库数据，将土壤类型、土壤湿度、土壤温度、犁底层、种植作物类型进行模糊化，任意模糊变量的子集为{-0.9，-0.6，-0.3，0，0.3，0.6，0.9}，通过上述模糊控制输出最适宜的深松周期、深松深度和深松时间。

4.根据权利要求3所述的一种振动式深松机作业状态监控方法，其特征在于，所述e步骤之后还包括步骤f、用户和技术人员通过远程监控中心查询、更新优化监控中心数据为耕地种植做出指导。

5.根据权利要求4所述的一种振动式深松机作业状态监控方法，其特征在于，所述深松机振动频率以加速度信号频率基准，该加速度信号通过三轴加速度传感器获得，重力加速度G在正交坐标系中的三个分量为Gx，Gy和Gz，通过如下公式计算偏差：△DEV＝∑(DEV-DEV₀)²+∑[0.45×(RB-RB₀)²]，其中：DEV₀为深松铲斜角初始化值；RB₀为深松铲面角初始值；DEV为深松铲斜角实测值；RB为深松铲面角实测值；最终通过实测值与校正偏差值确定准确的加速度真值。