申请/专利权人：南京农业大学

申请日：2024-01-30

公开（公告）日：2024-04-09

公开（公告）号：CN117647928B

主分类号：G05B11/42

分类号：G05B11/42

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.03.22#实质审查的生效;2024.03.05#公开

摘要：本发明提供一种基于RNN神经网络的农作物秸秆饲料化利用系统及方法，包括控制系统、秸秆揉丝机、秸秆粉碎搅拌机、喷淋系统、包膜机；控制系统以各传感器采集的实时秸秆原料重量、秸秆相对湿度、水流速度、菌液流速、饲料原料含水率为基础，用Adam算法优化RNN神经网络模型，预测饲料原料含水率，计算机根据预测结果通过PID模糊控制器下发指令，控制系统通过可控硅调速器对喷淋系统的水流速度及菌液流速进行实时反馈控制，将饲料原料的含水率控制在用户设定值，降低含水率误差，保证秸秆饲料化的质量，减少饲料生产的碳排放量，降低农业废弃物运输成本和产业碳排放量，实现农业废弃物资源经济型、环保型高值利用模式。

主权项：1.一种利用基于RNN神经网络的农作物秸秆饲料化利用系统的基于RNN神经网络的农作物秸秆饲料化利用方法，其特征在于，基于RNN神经网络的农作物秸秆饲料化利用系统包括搂草机1、打捆包膜机2、夹包机3，还包括控制系统7以及与控制系统7信号连接的秸秆揉丝机4、秸秆粉碎搅拌机5、喷淋系统6、包膜机8及传送带控制机构；秸秆粉碎搅拌机5的内壁上安装有湿度传感器，底部安装有压力传感器，上方安装有RGB相机；喷淋系统6安装在秸秆粉碎搅拌机5顶盖下方，喷淋系统6共有两路液体，分别是自来水与菌液，喷淋系统6包括电动水泵601，自来水以及菌液均使用电动水泵601抽取，抽取后依次经过Y型过滤器602、电动调节阀603、流量计、球阀606后最终进入静态混合器607，静态混合器607通过管道与雾化喷嘴608连接；基于RNN神经网络的农作物秸秆饲料化利用方法包括如下过程：步骤1：搂草机1将散落在田间的秸秆搂成垄，通过打捆包膜机2将秸秆打成圆捆并包膜，利用夹包机3夹包离田，运输至秸秆揉丝机4、秸秆粉碎搅拌机5、喷淋系统6、包膜机8组成的后续操作流水线处；步骤2：将秸秆通过传动带送入秸秆揉丝机4进行第一道切断揉丝工艺，切断后的秸秆继续送入秸秆粉碎搅拌机5中二次粉碎，同时，由工人通过爬梯爬上秸秆粉碎搅拌机5顶部，向秸秆粉碎搅拌机5内加入其他精料，混合揉搓形成饲料原料；在此过程中，压力传感器实时检测饲料原料重量数据并传递至控制系统7，湿度传感器实时对饲料原料进行含水率检测，并将检测数据传递至控制系统7；步骤3：控制系统7控制电动水泵601启动，抽取自来水以及菌液至静态混合器607中混合，混合后的菌液经雾化喷嘴608雾化并喷淋至饲料原料中，与饲料原料均匀混合；在此过程中，控制系统7基于各传感器采集到的数据，使用Adam优化算法更新RNN神经网络模型，建立饲料原料含水率最优预测模型，基于预测结果，计算机通过PID模糊控制器下发指令至控制系统7，控制系统7通过可控硅调速器对喷淋系统6的水流速度及菌液流速进行实时反馈控制调整，将饲料原料的含水率控制在用户设定值，降低含水率误差；步骤4：与菌液混合均匀的饲料从秸秆粉碎搅拌机5中排出，进入传送装置，最终传输至包膜机8中打包密封，进行厌氧发酵，最终形成可供动物食用的反刍动物饲料；所述步骤3中，建立饲料原料含水率最优预测模型的具体过程如下：步骤1：控制系统7接收各传感器采集到的数据，将秸秆原料的重量、秸秆的相对湿度、水流速度、菌液流速、饲料原料的含水率作为样本数据；步骤2：将样本数据分为训练集和测试集，初始化RNN神经网络模型，以下简称模型；步骤3：使用Adam优化算法更新和计算模型训练和模型输出的参数θ，使模型达到最优，从而得到最小的损失函数；具体过程如下：步骤3.1：对模型的参数向量、一阶矩向量和二阶矩向量进行初始化；步骤3.2：循环迭代地更新模型，使参数θ收敛，计算一阶矩向量和二阶矩向量的偏差修正；步骤3.3：计算第t+1次迭代模型的参数θt+1；步骤3.4：更新目标函数第t次迭代代价函数关于θt的梯度，其中，θt表示第t次迭代模型的参数；初步优化后的模型输出预测结果，即预测值；步骤3.5：基于模型输出的预测值，计算损失函数LHuber： 其中，Y为预测值，fx为真实值；当LHuber最小时即表明模型达到最优，即可得到模型最优时的迭代次数和训练次数，反之则继续返回迭代优化模型，继续计算损失函数直至满足要求；步骤3.6：基于步骤3优化后的RNN神经网络模型，训练样本数据，建立饲料原料含水率最优预测模型；所述步骤3.1中，对RNN神经网络模型的参数向量、一阶矩向量和二阶矩向量进行初始化的计算公式如下：mt＝β1mt-1+1-β1gtvt＝β2vt-1+1-β2gt2其中，mt、vt分别为一阶矩向量和二阶矩向量；β1、β2为动力值，取值分别为0.9和0.999；gt为梯度函数；所述步骤3.2中，一阶矩向量mt和二阶矩向量vt的偏差修正和的计算公式如下： 所述步骤3.3中，第t+1次迭代模型的参数θt+1计算公式如下： 其中，η为超参数，取值为10-5；ε取值为10-8；分别为一阶矩向量mt和二阶矩向量vt的偏差修正；所述步骤3.4中，更新目标函数第t次迭代代价函数关于θt的梯度gt的计算公式如下： 其中，ftθ表示目标函数；表示梯度算符。

全文数据：

权利要求：

百度查询： 南京农业大学 基于RNN神经网络的农作物秸秆饲料化利用系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD