CN109597302A - 一种爆芽护根碳基菌肥的配置方法及配置系统 - Google Patents
一种爆芽护根碳基菌肥的配置方法及配置系统 Download PDFInfo
- Publication number
- CN109597302A CN109597302A CN201811265096.9A CN201811265096A CN109597302A CN 109597302 A CN109597302 A CN 109597302A CN 201811265096 A CN201811265096 A CN 201811265096A CN 109597302 A CN109597302 A CN 109597302A
- Authority
- CN
- China
- Prior art keywords
- value
- quick
- formula
- bacterial manure
- fried
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F27/00—Mixers with rotary stirring devices in fixed receptacles; Kneaders
- B01F27/80—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis
- B01F27/90—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis with paddles or arms
Landscapes
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于化肥制备技术领域,公开了一种爆芽护根碳基菌肥的配置方法及配置系统,将护根素、催芽肥料、磨碎的生物炭放入料仓中,通过控制面板打开电动机,电动机带动转动轴转动,通过控制面板可以控制搅拌的速率,在放入原料的过程中,称重传感器进行A/D信号转换,将数据传输到显示屏上,搅拌一定的时间后,制备完成爆芽护根碳基菌肥。本发明可以将料仓放置混合原料的重量传输到显示屏上,可以使工作人员更好的控制肥料的制备量,所述料仓的一侧卡接有透明钢化玻璃且刻有刻度线线,便于工作人员控制配置时原料的混合比例,本发明可以快速的制备爆芽护根碳基菌肥,可大量推广使用。
Description
技术领域
本发明属于化肥制备技术领域,尤其涉及一种爆芽护根碳基菌肥的配置方法及配置系统。
背景技术
目前,种植户为了提高农作物的产量,往往施加一些化学肥料以促进或保护农作物,传统肥料的使用为氮磷钾肥,在农作物的茎叶上起到一定的作用,无法促进种子的爆芽,并且长时间的使用化肥会造成土地碳元素的不平衡,影响农作物的生长。
综上所述,现有技术存在的问题是:
(1)无法促进种子的的爆芽和保护植物的根,并且长时间的使用化肥会造成土地碳元素的不平衡,影响农作物的生长。
(2)图像处理精度对整体测量精度起着至关重要的作用,但成像过程中摄像机对特征点图像的离散化采样,会造成图像与原始信号的失真,从而带来图像处理环节的误差。
(3)采用多项式插值法、查表法、神经网络法等软件补偿方法,也可完成称重传感器的非线性误差补偿,但这些方法没有考虑到额定量程内称重传感器非线性误差的特性,因此会出现额定量程的中间区过补偿、上限区欠补偿等现象,影响补偿效果,产生较大误差,导致配料不精确,产品不合格。
(4)海量数据处理时控制系统的可靠性低、成本高、效能低和扩展性差。
现有技术的电动机运行仅为普通控制下,仅仅提供运转动能,并不能进行智能判断,造成现有技术中的电动机不节能、使用寿命短。
发明内容
针对现有技术存在的问题,本发明提供了一种爆芽护根碳基菌肥的配置方法及配置系统。
本发明是这样实现的,一种爆芽护根碳基菌肥的配置方法,所述爆芽护根碳基菌肥的配置方法包括:
通过控制面板控制电动机、转动轴、搅拌杆的正常运行;控制面板控制电动机运行中,输入q轴电流周期方波指令信号;在t=0时刻,对所有粒子初始化,在允许取值范围内随机设置粒子的初始化位置x,将第i个粒子的自身个体极值设置成当前位置,全局极值设置成粒子群中的最优粒子位置;
随机给定电流环初始控制参数P=x,通过ADC采样,坐标变换后得到q轴电流跟踪响应信号,更新粒子位置,计算粒子i的适应度;
如果粒子i的适应度优于自身个体极值的适应度;如果当前进化代数中,粒子i的适应度优于全局极值的适应度;根据公式计算群体适应度方差;
判断算法是否满足收敛条件,如果满足就执行根据公式计算群体适应度方差,否则就对全局最优解按照公式执行变异操作并转回对所有粒子初始化;
求出全局最优解的目标函数值,并输出全局最优解,算法结束;通过伺服系统校验最优值等于全局极值,如果满足响应要求则整定成功,否则继续整定;相同整定结构,在确定伺服系统最优P值之后,整定系统I、D值;
最终校验伺服系统整体电流闭环响应特性;
对P值进行整定中,初值P(0)对应ITAE指标为E(0);P(i)对应ITAE指标为E(i);i∈[1,∞),i∈n;
按照粒子群优化算法对P值进行动态赋值,变量P(i)值所对应的适应度函数用fi表示,当fi<2%时,此时得到最优伺服整定P(i)值,粒子群优化算法公式如下:
x(t+1)=wx(t)+c1r1(pbest-x(t))+c2r2(gbest-x(t));
w=(wmax-wmin)×exp(-β(t/Tmax)2)+wmin;
式中w为惯性权重,初始值取0.8,c1、c2为常数2,r1、r2为分布于[0,1]范围内的随机数,pbest为粒子本身找到的最优解,全局极值gbest为整个粒子群当前最优解;式中β取值由经验决定,为β∈[15,20];
通过称重传感器进行A/D信号转换,将数据传输到显示屏上,搅拌后,制备完成爆芽护根碳基菌肥;
称重传感器的检测中,接收信号y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准SαS分布的脉冲噪声,x(t)的解析形式表示为:
其中,N为采样点数,an为发送的信息符号,在MASK信号中,an=0,1,2,…,M-1,M为调制阶数,an=ej2πε/M,ε=0,1,2,…,M-1,g(t)表示矩形成型脉冲,Tb表示符号周期,fc表示载波频率,载波初始相位是在[0,2π]内均匀分布的随机数。
进一步,在方波信号作用下,分析q轴一个周期T电流环PID参数;
分析时将方波信号一个周期分为高电平区间[0,T/2]、低电平区间[T/2,T];
电流方波信号函数用e(t)表示,高电平区间电流响应函数用e1(t)表示,低电平区间电流响应函数用e2(t)表示;
ITAE整定准则表达式为t表示时间,|e(t)|表示实际输出与期望输出的偏差值绝对值,ITAE准则控制系统瞬态响应振荡性小,对系统参数具有良好的选择性;对于伺服系统,通过ADC采样得到反馈相电流,然后进行坐标变换得到电流环跟踪响应电流;
根据群体适应度方差δ2判别局部极值是否是全局极值,群体适应度方差定义为下式:
式中n为粒子数,fi为第i个粒子适应度,favg为粒子群目前平均适应度,f为归一化定标因子,f的取值为下式:
f=max{1,max|f1-favg|},i∈[1,n];
进一步,如果出现粒子群过早收敛,则执行变异操作:
gbest=gbest×(1+τ×0.5)
τ为服从标准正态分布的随机变量,对gbest执行随机变异操作用来提高离子群算法跳出局部最优解的能力;
在确定最优伺服系统控制参数P值后,分别使D值取0,整定I值,I值取0,整定D值。
进一步,所述ITAE准则表达为:
进一步,所述控制面板进一步采用基于改进k-means算法的海量智能用电数据分析,根据数据集中的各个样本到k个中心的距离归到距离最小的类中,然后计算所有归到各个类中的样本的平均值,更新每个类中心,直到平方误差准则函数稳定在最小值;设对象集合M={x1,x2,…,xn},xi=(xi1,xi2,…,xit),样本xi与样本xj的欧式距离计算公式如下:
d(xi,xj)=[(xi1-xj1)2+(xi2-xj2)2+…+(xin-xjn)2]
平方准则误差函数如下:
式中:k为要聚类的个数;ti为第i类中样本的个数;ni是第i类中样本的均值;数据对象之间的欧式距离越小,相似性越大;如果数据集中某一数据对象所处区域内的数据对象越多,区域内的其它对象到该对象的距离越小,该对象的数据密度越大;
按照下式计算对象集合M中所有对象间的平均距离MeanDis(M);
按照下式计算对象xi的密度Den(xi);
其中当x0时,u(x)=1,否则u(x)=0。密度集合D={Den(x1),Den(x2),…,Den(xn)}。将密度集合D中密度最大的对象选为第1个初始聚类中心O1,选择密度第二大的对象作为第2个初始聚类中心O2;
将满足max(min(d(yi,O1)),…,min(d(yi,On 1)))条件的对象yi作为第k个聚类中心,直到达到预定的聚类数为止,yi按照对象的密度由大到小选择,每次选择n个。
进一步,显示屏进一步采用红外LED作为稳定的特征点来源,图像能量密度函数近似于二维高斯函数分布,
式中(x0,y0)为真实中心坐标,σ为高斯函数的标准差,I0为总能量;
则(x,y)像素的密度函数采样值Ixy为
显示屏在图像处理中,采用质心法提取特征点;质心法包括:特征点在图像平面成像时,图像能量密度函数一阶空间矩和零阶空间矩的比值,由像平面的能量重心来代替真实中心,满足
式中Xz,Yz是计算出来的质心,Axy为处理窗口,包含特征点所有的有效像素点;真实图像还通过离散采样,使用像素点位置的采样值代替连续积分;为:
由区域连续积分变成离散点求和,X′,Y′是新计算出来的质心,A,A分别为A的x,y方向的分布范围。
进一步,称重传感器首先通过自适应选择网络,完成分段补偿网络中子网络的选择;设L(x1)为数字滤波器的传递函数,f(x3)为RBFNN非线性补偿网络函数,Uxi为称重传感器电桥输出,Uxo为称重传感器输出,y为称重传感器自适应补偿输出,σ0为称重下限阈值,σ1为上限阈值。当Fx处于额定量程的下限区时,系统选择数字滤波L(x1);当Fx处于额定量程的上限区时,系统选择RBFNN非线性补偿(f x3);当Fx处于额定量程的中间区时,系统不进行补偿,即:
式中,dFx为补偿前的相对载荷,即
式中,F0x为补偿前测得的载荷。
本发明的另一目的在于提供一种终端,所述终端至少搭载实现所述爆芽护根碳基菌肥的配置方法的控制器。
本发明的另一目的在于提供一种利用所述爆芽护根碳基菌肥的配置方法的爆芽护根碳基菌肥的配置系统,所述爆芽护根碳基菌肥的配置系统设置有:
料仓;
所述料仓的下方开有出料口,所述出料口通过螺母固定有挡板,所述料仓通过螺母安装于减速机的上方,所述减速机通过螺母安装于连接轴的上方,所述连接轴卡接在保护壳上,所述保护壳内部安装有电动机,所述保护壳卡接在底盘上,所述底盘的一侧镶嵌有控制面板,所述底盘的尾端通过螺母固定有推手,所述底盘的底端通过螺母固定有滑轮,所述转动轴插接在减速机以及电动机上,所述转动轴上通过螺母固定有柱形搅拌杆;
所述连接轴的一侧镶嵌有显示屏;
所述料仓的底部镶嵌有称重传感器。
进一步,所述料仓的一侧卡接有透明钢化玻璃,且玻璃表面刻有刻度线;
所述出料口配有专用出料槽。
本发明的优点及积极效果为:
本发明料仓的底部镶嵌有称重传感器,传感器可以将料仓放置混合原料的重量传输到显示屏上,可以使工作人员更好的控制肥料的制备量,所述料仓的一侧卡接有透明钢化玻璃且刻有刻度线线,便于工作人员控制配置时原料的混合比例,所述搅拌棒为圆柱形,防止了肥料粘结在搅拌棒上,本发明可以快速的制备爆芽护根碳基菌肥,可大量推广使用。
本发明的图像处理误差的高精度补偿方法,针对图像处理的主要误差源,首先在理论和实测情况下,分析了图像处理误差和光强、能量密度函数的标准差、图像处理窗口的对应关系。以此为基础,通过曲线拟合得到特征点中心位置、提取误差大小和能量密度函数标准差σ之间关系,从而获得图像提取误差的补偿方法。实验证明该补偿方法对质心法和高斯曲线拟合法都有效,可使图像处理精度至少提高到0.05pixel。
本发明通过控制面板控制电动机、转动轴、搅拌杆的正常运行;控制面板控制电动机运行中,输入q轴电流周期方波指令信号;在t=0时刻,对所有粒子初始化,在允许取值范围内随机设置粒子的初始化位置x,将第i个粒子的自身个体极值设置成当前位置,全局极值设置成粒子群中的最优粒子位置;
随机给定电流环初始控制参数P=x,通过ADC采样,坐标变换后得到q轴电流跟踪响应信号,更新粒子位置,计算粒子i的适应度;
如果粒子i的适应度优于自身个体极值的适应度;如果当前进化代数中,粒子i的适应度优于全局极值的适应度;根据公式计算群体适应度方差;
判断算法是否满足收敛条件,如果满足就执行根据公式计算群体适应度方差,否则就对全局最优解按照公式执行变异操作并转回对所有粒子初始化;
求出全局最优解的目标函数值,并输出全局最优解,算法结束;通过伺服系统校验最优值等于全局极值,如果满足响应要求则整定成功,否则继续整定;相同整定结构,在确定伺服系统最优P值之后,整定系统I、D值;获得电动机的最优控制参数,对制备爆芽护根碳基菌肥的系统智能化控制提供必要条件,为制备爆芽护根碳基菌肥中严格控制进料量和智能化生产提供必要条件;
现有技术的电动机运行仅为普通控制下,仅仅提供运转动能,并不能进行智能判断,造成现有技术中的电动机不节能、使用寿命短,对于大型电机,如180KW/t的电机,本发明的优越性更加明显。
本发明称重传感器的检测中,接收信号y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准SαS分布的脉冲噪声,x(t)的解析形式表示为:
检测的数据准确度相比于现有技术提高近6给百分点,为制备设备智能控制提供保证。
附图说明
图1是本发明实施例提供的爆芽护根碳基菌肥的配置系统的结构示意图。
图2是本发明实施例提供的料仓内部结构示意图。
图中:1、料仓;2、出料口;3、保护壳;4、电动机;5、底盘;6、透明钢化玻璃;7、刻度线;8、减速机;9、显示屏;10、推手;11、控制面板;12、滑轮;13、转动轴;14、柱形搅拌杆。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1-图2所示,本发明实施例提供的爆芽护根碳基菌肥的配置系统,设置有:料仓1、出料口2、保护壳3、电动机4、底盘5、透明钢化玻璃6、刻度线7、减速机8、显示屏9、推手10、控制面板11、滑轮12、转动轴13、柱形搅拌杆11。
所述料仓1的下方开有出料口2,所述出料口2通过螺母固定有挡板,所述料仓1通过螺母安装于减速机8的上方,所述减速机8通过螺母安装于连接轴的上方,所述连接轴卡接在保护壳3上,所述保护壳3内部安装有电动机4,所述保护壳3卡接在底盘5上,所述底盘5的一侧镶嵌有控制面板11,所述底盘5的尾端通过螺母固定有推手10,所述底盘5的底端通过螺母固定有滑轮12,所述转动轴13插接在减速机8以及电动机4上,所述转动轴13上通过螺母固定有柱形搅拌杆14。
下面结合具体原理对本发明作进一步描述。
控制面板11采用基于改进k-means算法的海量智能用电数据分析,控制搅拌杆运行;根据数据集中的各个样本到k个中心的距离将其归到距离最小的类中,然后计算所有归到各个类中的样本的平均值,更新每个类中心,直到平方误差准则函数稳定在最小值。设对象集合M={x1,x2,…,xn},xi=(xi1,xi2,…,xit),样本xi与样本xj的欧式距离计算公式如下:
d(xi,xj)=[(xi1-xj1)2+(xi2-xj2)2+…+(xin-xjn)2]
平方准则误差函数如下:
式中:k为要聚类的个数;ti为第i类中样本的个数;ni是第i类中样本的均值。数据对象之间的欧式距离越小,其相似性越大。如果数据集中某一数据对象所处区域内的数据对象越多,区域内的其它对象到该对象的距离越小,说明该对象的数据密度越大,能够较好地反映数据分布特征,作为聚类中心更有利于平方误差准则函数的收敛,且能够避免由于初始聚类中心选择的随机性带来结果陷入局部最优的僵局。按照下式计算对象集合M中所有对象间的平均距离MeanDis(M)。
按照下式计算对象xi的密度Den(xi)。
其中当x0时,u(x)=1,否则u(x)=0。密度集合D={Den(x1),Den(x2),…,Den(xn)}。将密度集合D中密度最大的对象选为第1个初始聚类中心O1,选择密度第二大的对象作为第2个初始聚类中心O2,依此类推,将满足max(min(d(yi,O1)),…,min(d(yi,On 1)))条件的对象yi(yi按照对象的密度由大到小选择,每次选择n个)作为第k个聚类中心,直到达到预定的聚类数为止。确保了海量数据处理的可靠性、低成本、高效能和扩展性,使得爆芽护根碳基菌肥的配置过程信息数据处理准确无误。
所述连接轴的一侧镶嵌有显示屏9。采用红外LED作为稳定的特征点来源,其图像能量密度函数近似于二维高斯函数分布,为图像恢复提供了较好的前提,
式中(x0,y0)为真实中心坐标,σ为高斯函数的标准差,I0为总能量。
则(x,y)像素的密度函数采样值Ixy为
在图像处理算法中,质心法和高斯曲线拟合法是特征点提取的主要亚像素算法,它们都是基于特征点中心位置和灰度值的数学模型来确定特征中心。质心法是特征点在图像平面成像时,图像能量密度函数一阶空间矩和零阶空间矩的比值,由像平面的能量重心来代替真实中心,即满足
式中Xz,Yz是计算出来的质心,Axy为处理窗口,它包含了特征点所有的有效像素点。但是真实图像是通过离散采样的,只能使用像素点位置的采样值来代替连续积分,则上式可写成
计算方式由区域连续积分变成了离散点求和,X′,Y′是新计算出来的质心,A,A分别为A的x,y方向的分布范围。
主要是图像处理误差的高精度补偿方法,针对图像处理的主要误差源,首先在理论和实测情况下,分析了图像处理误差和光强、能量密度函数的标准差、图像处理窗口的对应关系。以此为基础,通过曲线拟合得到特征点中心位置、提取误差大小和能量密度函数标准差σ之间关系,从而获得图像提取误差的补偿方法。实验证明该补偿方法对质心法和高斯曲线拟合法都有效,可使图像处理精度至少提高到0.05pixel。
所述料仓1的底部镶嵌有称重传感器。采用自适应补偿系统,首先通过自适应选择网络,完成分段补偿网络中子网络的选择。设L(x1)为数字滤波器的传递函数,f(x3)为RBFNN非线性补偿网络函数,Uxi为称重传感器电桥输出,Uxo为称重传感器输出,y为称重传感器自适应补偿输出,σ0为称重下限阈值,σ1为上限阈值。当Fx处于额定量程的下限区时,系统选择数字滤波L(x1);当Fx处于额定量程的上限区时,系统选择RBFNN非线性补偿(fx3);当Fx处于额定量程的中间区时,系统不进行补偿,即:
式中,dFx为补偿前的相对载荷,即
式中,F0x为补偿前测得的载荷。大量实验表明,当载荷Fx大于额定量程的70%时,称重传感器非线性误差将明显增大;当载荷Fx小于额定量程的10%时,称重传感器称重结果受噪声影响明显。因此,可以取σ0=0.1;σ1=0.7。
RBFNN非线性补偿网络目的是校正称重传感器上限区的输入-输出关系,使其成线性关系,即满足:y=f(Uxo)g(Fx)Fx=Fx
则有f(Uxo)=g-1(Fx)
由式上式可知,当非线性补偿网络为称重传感器函数的反函数时,校正后的称重传感器输入-输出函数成线性关系。由于称重传感器g(Fx)上限区的高度非线性,因此f(Uxo)将十分复杂。利用RBFNN强大的逼近非线性函数的功能,可以以任意精度逼近f(Uxo),从而完成称重传感器的非线性补偿。因此各原料的称重会更加精确,避免配料产生误差导致的产品不合格。
本发明使用时,将护根素、催芽肥料、磨碎的生物炭放入料仓中,通过控制面板11打开电动机4,电动机4带动转动轴13转动,通过控制面板11可以控制搅拌的速率,在放入原料的过程中,通过刻度线7进行观察放入的量,称重传感器进行A/D信号转换,将数据传输到显示屏9上,搅拌一定的时间后,制备完成爆芽护根碳基菌肥,将专用出料槽卡接在出料口2上,打开挡板,即可获取肥料。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的爆芽护根碳基菌肥的配置方法,包括:
通过控制面板控制电动机、转动轴、搅拌杆的正常运行;控制面板控制电动机运行中,输入q轴电流周期方波指令信号;在t=0时刻,对所有粒子初始化,在允许取值范围内随机设置粒子的初始化位置x,将第i个粒子的自身个体极值设置成当前位置,全局极值设置成粒子群中的最优粒子位置;
随机给定电流环初始控制参数P=x,通过ADC采样,坐标变换后得到q轴电流跟踪响应信号,更新粒子位置,计算粒子i的适应度;
如果粒子i的适应度优于自身个体极值的适应度;如果当前进化代数中,粒子i的适应度优于全局极值的适应度;根据公式计算群体适应度方差;
判断算法是否满足收敛条件,如果满足就执行根据公式计算群体适应度方差,否则就对全局最优解按照公式执行变异操作并转回对所有粒子初始化;
求出全局最优解的目标函数值,并输出全局最优解,算法结束;通过伺服系统校验最优值等于全局极值,如果满足响应要求则整定成功,否则继续整定;相同整定结构,在确定伺服系统最优P值之后,整定系统I、D值;
最终校验伺服系统整体电流闭环响应特性;
对P值进行整定中,初值P(0)对应ITAE指标为E(0);P(i)对应ITAE指标为E(i);i∈[1,∞),i∈n;
按照粒子群优化算法对P值进行动态赋值,变量P(i)值所对应的适应度函数用fi表示,当fi<2%时,此时得到最优伺服整定P(i)值,粒子群优化算法公式如下:
x(t+1)=wx(t)+c1r1(pbest-x(t))+c2r2(gbest-x(t));
w=(wmax-wmin)×exp(-β(t/Tmax)2)+wmin;
式中w为惯性权重,初始值取0.8,c1、c2为常数2,r1、r2为分布于[0,1]范围内的随机数,pbest为粒子本身找到的最优解,全局极值gbest为整个粒子群当前最优解;式中β取值由经验决定,为β∈[15,20];
通过称重传感器进行A/D信号转换,将数据传输到显示屏上,搅拌后,制备完成爆芽护根碳基菌肥;
称重传感器的检测中,接收信号y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准SαS分布的脉冲噪声,x(t)的解析形式表示为:
其中,N为采样点数,an为发送的信息符号,在MASK信号中,an=0,1,2,…,M-1,M为调制阶数,an=ej2πε/M,ε=0,1,2,…,M-1,g(t)表示矩形成型脉冲,Tb表示符号周期,fc表示载波频率,载波初始相位是在[0,2π]内均匀分布的随机数。
在方波信号作用下,分析q轴一个周期T电流环PID参数;
分析时将方波信号一个周期分为高电平区间[0,T/2]、低电平区间[T/2,T];
电流方波信号函数用e(t)表示,高电平区间电流响应函数用e1(t)表示,低电平区间电流响应函数用e2(t)表示;
ITAE整定准则表达式为t表示时间,|e(t)|表示实际输出与期望输出的偏差值绝对值,ITAE准则控制系统瞬态响应振荡性小,对系统参数具有良好的选择性;对于伺服系统,通过ADC采样得到反馈相电流,然后进行坐标变换得到电流环跟踪响应电流;
根据群体适应度方差δ2判别局部极值是否是全局极值,群体适应度方差定义为下式:
式中n为粒子数,fi为第i个粒子适应度,favg为粒子群目前平均适应度,f为归一化定标因子,f的取值为下式:
f=max{1,max|f1-favg|},i∈[1,n];
如果出现粒子群过早收敛,则执行变异操作:
gbest=gbest×(1+τ×0.5)
τ为服从标准正态分布的随机变量,对gbest执行随机变异操作用来提高离子群算法跳出局部最优解的能力;
在确定最优伺服系统控制参数P值后,分别使D值取0,整定I值,I值取0,整定D值。
所述ITAE准则表达为:
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种爆芽护根碳基菌肥的配置方法,其特征在于,所述爆芽护根碳基菌肥的配置方法包括:
通过控制面板控制电动机、转动轴、搅拌杆的正常运行;控制面板控制电动机运行中,输入q轴电流周期方波指令信号;在t=0时刻,对所有粒子初始化,在允许取值范围内随机设置粒子的初始化位置x,将第i个粒子的自身个体极值设置成当前位置,全局极值设置成粒子群中的最优粒子位置;
随机给定电流环初始控制参数P=x,通过ADC采样,坐标变换后得到q轴电流跟踪响应信号,更新粒子位置,计算粒子i的适应度;
如果粒子i的适应度优于自身个体极值的适应度;如果当前进化代数中,粒子i的适应度优于全局极值的适应度;根据公式计算群体适应度方差;
判断算法是否满足收敛条件,如果满足就执行根据公式计算群体适应度方差,否则就对全局最优解按照公式执行变异操作并转回对所有粒子初始化;
求出全局最优解的目标函数值,并输出全局最优解,算法结束;通过伺服系统校验最优值等于全局极值,如果满足响应要求则整定成功,否则继续整定;相同整定结构,在确定伺服系统最优P值之后,整定系统I、D值;
最终校验伺服系统整体电流闭环响应特性;
对P值进行整定中,初值P(0)对应ITAE指标为E(0);P(i)对应ITAE指标为E(i);i∈[1,∞),i∈n;
按照粒子群优化算法对P值进行动态赋值,变量P(i)值所对应的适应度函数用fi表示,当fi<2%时,此时得到最优伺服整定P(i)值,粒子群优化算法公式如下:
x(t+1)=wx(t)+c1r1(pbest-x(t))+c2r2(gbest-x(t));
w=(wmax-wmin)×exp(-β(t/Tmax)2)+wmin;
式中w为惯性权重,初始值取0.8,c1、c2为常数2,r1、r2为分布于[0,1]范围内的随机数,pbest为粒子本身找到的最优解,全局极值gbest为整个粒子群当前最优解;式中β取值由经验决定,为β∈[15,20];
通过称重传感器进行A/D信号转换,将数据传输到显示屏上,搅拌后,制备完成爆芽护根碳基菌肥;
称重传感器的检测中,接收信号y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准SαS分布的脉冲噪声,x(t)的解析形式表示为:
其中,N为采样点数,an为发送的信息符号,在MASK信号中,an=0,1,2,…,M-1,M为调制阶数,an=ej2πε/M,ε=0,1,2,…,M-1,g(t)表示矩形成型脉冲,Tb表示符号周期,fc表示载波频率,载波初始相位是在[0,2π]内均匀分布的随机数。
2.如权利要求1所述的爆芽护根碳基菌肥的配置方法,其特征在于,
在方波信号作用下,分析q轴一个周期T电流环PID参数;
分析时将方波信号一个周期分为高电平区间[0,T/2]、低电平区间[T/2,T];
电流方波信号函数用e(t)表示,高电平区间电流响应函数用e1(t)表示,低电平区间电流响应函数用e2(t)表示;
ITAE整定准则表达式为t表示时间,|e(t)|表示实际输出与期望输出的偏差值绝对值,ITAE准则控制系统瞬态响应振荡性小,对系统参数具有良好的选择性;对于伺服系统,通过ADC采样得到反馈相电流,然后进行坐标变换得到电流环跟踪响应电流;
根据群体适应度方差δ2判别局部极值是否是全局极值,群体适应度方差定义为下式:
式中n为粒子数,fi为第i个粒子适应度,favg为粒子群目前平均适应度,f为归一化定标因子,f的取值为下式:
f=max{1,max|f1-favg|},i∈[1,n]。
3.如权利要求2所述的爆芽护根碳基菌肥的配置方法,其特征在于,
如果出现粒子群过早收敛,则执行变异操作:
gbest=gbest×(1+τ×0.5)
τ为服从标准正态分布的随机变量,对gbest执行随机变异操作用来提高离子群算法跳出局部最优解的能力;
在确定最优伺服系统控制参数P值后,分别使D值取0,整定I值,I值取0,整定D值。
4.如权利要求1所述的爆芽护根碳基菌肥的配置方法,其特征在于,所述ITAE准则表达为:
5.如权利要求1所述的爆芽护根碳基菌肥的配置方法,其特征在于,所述控制面板进一步采用基于改进k-means算法的海量智能用电数据分析,控制搅拌杆的正常运行;根据数据集中的各个样本到k个中心的距离归到距离最小的类中,然后计算所有归到各个类中的样本的平均值,更新每个类中心,直到平方误差准则函数稳定在最小值;设对象集合M={x1,x2,…,xn},xi=(xi1,xi2,…,xit),样本xi与样本xj的欧式距离计算公式如下:
d(xi,xj)=[(xi1-xj1)2+(xi2-xj2)2+…+(xin-xjn)2]
平方准则误差函数如下:
式中:k为要聚类的个数;ti为第i类中样本的个数;ni是第i类中样本的均值;数据对象之间的欧式距离越小,相似性越大;如果数据集中某一数据对象所处区域内的数据对象越多,区域内的其它对象到该对象的距离越小,该对象的数据密度越大;
按照下式计算对象集合M中所有对象间的平均距离MeanDis(M);
按照下式计算对象xi的密度Den(xi);
其中当x0时,u(x)=1,否则u(x)=0。密度集合D={Den(x1),Den(x2),…,Den(xn)}。将密度集合D中密度最大的对象选为第1个初始聚类中心O1,选择密度第二大的对象作为第2个初始聚类中心O2;
将满足max(min(d(yi,O1)),…,min(d(yi,On 1)))条件的对象yi作为第k个聚类中心,直到达到预定的聚类数为止,yi按照对象的密度由大到小选择,每次选择n个。
6.如权利要求1所述的爆芽护根碳基菌肥的配置方法,其特征在于,显示屏进一步采用红外LED作为稳定的特征点来源,图像能量密度函数近似于二维高斯函数分布,
式中(x0,y0)为真实中心坐标,σ为高斯函数的标准差,I0为总能量;
则(x,y)像素的密度函数采样值Ixy为
显示屏在图像处理中,采用质心法提取特征点;质心法包括:特征点在图像平面成像时,图像能量密度函数一阶空间矩和零阶空间矩的比值,由像平面的能量重心来代替真实中心,满足
式中Xz,Yz是计算出来的质心,Axy为处理窗口,包含特征点所有的有效像素点;真实图像还通过离散采样,使用像素点位置的采样值代替连续积分;为:
由区域连续积分变成离散点求和,X′,Y′是新计算出来的质心,A,A分别为A的x,y方向的分布范围。
7.如权利要求1所述的爆芽护根碳基菌肥的配置方法,其特征在于,称重传感器的检测方法,进一步包括:首先通过自适应选择网络,完成分段补偿网络中子网络的选择;设L(x1)为数字滤波器的传递函数,f(x3)为RBFNN非线性补偿网络函数,Uxi为称重传感器电桥输出,Uxo为称重传感器输出,y为称重传感器自适应补偿输出,σ0为称重下限阈值,σ1为上限阈值。当Fx处于额定量程的下限区时,系统选择数字滤波L(x1);当Fx处于额定量程的上限区时,系统选择RBFNN非线性补偿(f x3);当Fx处于额定量程的中间区时,系统不进行补偿,即:
式中,dFx为补偿前的相对载荷,即
式中,F0x为补偿前测得的载荷。
8.一种终端,其特征在于,所述终端至少搭载实现权利要求1~7任意一项所述爆芽护根碳基菌肥的配置方法的控制器。
9.一种利用权利要求1所述爆芽护根碳基菌肥的配置方法的爆芽护根碳基菌肥的配置系统,其特征在于,所述爆芽护根碳基菌肥的配置系统设置有:
料仓;
所述料仓的下方开有出料口,所述出料口通过螺母固定有挡板,所述料仓通过螺母安装于减速机的上方,所述减速机通过螺母安装于连接轴的上方,所述连接轴卡接在保护壳上,所述保护壳内部安装有电动机,所述保护壳卡接在底盘上,所述底盘的一侧镶嵌有控制面板,所述底盘的尾端通过螺母固定有推手,所述底盘的底端通过螺母固定有滑轮,所述转动轴插接在减速机以及电动机上,所述转动轴上通过螺母固定有柱形搅拌杆;
所述连接轴的一侧镶嵌有显示屏;
所述料仓的底部镶嵌有称重传感器。
10.如权利要求9所述的爆芽护根碳基菌肥的配置系统,其特征在于,所述料仓的一侧卡接有透明钢化玻璃,且玻璃表面刻有刻度线;
所述出料口配有专用出料槽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811265096.9A CN109597302A (zh) | 2018-10-29 | 2018-10-29 | 一种爆芽护根碳基菌肥的配置方法及配置系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811265096.9A CN109597302A (zh) | 2018-10-29 | 2018-10-29 | 一种爆芽护根碳基菌肥的配置方法及配置系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109597302A true CN109597302A (zh) | 2019-04-09 |
Family
ID=65958372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811265096.9A Pending CN109597302A (zh) | 2018-10-29 | 2018-10-29 | 一种爆芽护根碳基菌肥的配置方法及配置系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109597302A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2644378Y (zh) * | 2003-10-14 | 2004-09-29 | 方元 | 谷物食品微量元素随动添加装置 |
CN103592852A (zh) * | 2013-11-29 | 2014-02-19 | 西南交通大学 | 基于粒子群膜算法的pid控制器优化设计方法 |
CN104850629A (zh) * | 2015-05-21 | 2015-08-19 | 杭州天宽科技有限公司 | 一种基于改进k-means算法的海量智能用电数据分析方法 |
CN105429551A (zh) * | 2016-01-18 | 2016-03-23 | 华东交通大学 | 一种伺服系统电流环控制参数自整定方法 |
CN107302603A (zh) * | 2017-06-20 | 2017-10-27 | 武汉万千无限科技有限公司 | 一种智能计算机互联网地址搜索控制系统 |
-
2018
- 2018-10-29 CN CN201811265096.9A patent/CN109597302A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2644378Y (zh) * | 2003-10-14 | 2004-09-29 | 方元 | 谷物食品微量元素随动添加装置 |
CN103592852A (zh) * | 2013-11-29 | 2014-02-19 | 西南交通大学 | 基于粒子群膜算法的pid控制器优化设计方法 |
CN104850629A (zh) * | 2015-05-21 | 2015-08-19 | 杭州天宽科技有限公司 | 一种基于改进k-means算法的海量智能用电数据分析方法 |
CN105429551A (zh) * | 2016-01-18 | 2016-03-23 | 华东交通大学 | 一种伺服系统电流环控制参数自整定方法 |
CN107302603A (zh) * | 2017-06-20 | 2017-10-27 | 武汉万千无限科技有限公司 | 一种智能计算机互联网地址搜索控制系统 |
Non-Patent Citations (2)
Title |
---|
杨进宝等: "称重传感器非线性误差自适应补偿方法", 《计算机工程与应用》 * |
邾继贵等: "摄影测量图像处理的高精度误差补偿法", 《光学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Self-supervised collaborative multi-network for fine-grained visual categorization of tomato diseases | |
Tetila et al. | Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks | |
Xu et al. | Detection and classification of tea buds based on deep learning | |
CN113486846A (zh) | 从具有大视野的图像中进行疾病识别 | |
CN110532936A (zh) | 一种识别大田作物长势监控图像中绿色植物的方法及系统 | |
Liu et al. | Bending diagnosis of rice seedling lines and guidance line extraction of automatic weeding equipment in paddy field | |
CN102789579A (zh) | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 | |
Ward et al. | Scalable learning for bridging the species gap in image-based plant phenotyping | |
CN109886155A (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
Singh et al. | A systematic review of artificial intelligence in agriculture | |
Díaz et al. | Grapevine buds detection and localization in 3D space based on structure from motion and 2D image classification | |
Zhang et al. | Swin-transformer based classification for rice diseases recognition | |
Hu et al. | Rice Weed detection method on YOLOv4 convolutional neural network | |
Du et al. | Greenhouse-based vegetable high-throughput phenotyping platform and trait evaluation for large-scale lettuces | |
Zhong et al. | Identification and depth localization of clustered pod pepper based on improved Faster R-CNN | |
Yalcin | Phenology recognition using deep learning | |
CN109597302A (zh) | 一种爆芽护根碳基菌肥的配置方法及配置系统 | |
Jiao et al. | An effective litchi detection method based on edge devices in a complex scene | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
Zhao et al. | Transient multi-indicator detection for seedling sorting in high-speed transplanting based on a lightweight model | |
CN110097473A (zh) | 一种农作物生命全周期的数据采集方法、装置及设备 | |
Song et al. | Dynamic detection of three-dimensional crop phenotypes based on a consumer-grade RGB-D camera | |
CN110456356A (zh) | 一种面向资料同化的天气雷达径向速度质量控制方法 | |
Drees et al. | Time dependent image generation of plants from incomplete sequences with cnn-transformer | |
Jesi et al. | IoT Enabled Smart Irrigation and Cultivation Recommendation System for Precision Agriculture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |
|
RJ01 | Rejection of invention patent application after publication |