CN117647928A - 基于rnn神经网络的农作物秸秆饲料化利用系统及方法 - Google Patents
基于rnn神经网络的农作物秸秆饲料化利用系统及方法 Download PDFInfo
- Publication number
- CN117647928A CN117647928A CN202410123012.7A CN202410123012A CN117647928A CN 117647928 A CN117647928 A CN 117647928A CN 202410123012 A CN202410123012 A CN 202410123012A CN 117647928 A CN117647928 A CN 117647928A
- Authority
- CN
- China
- Prior art keywords
- straw
- model
- neural network
- rnn neural
- raw material
- 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.)
- Granted
Links
- 239000010902 straw Substances 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 239000002994 raw material Substances 0.000 claims abstract description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 45
- 239000007788 liquid Substances 0.000 claims abstract description 37
- 230000001580 bacterial effect Effects 0.000 claims abstract description 31
- 238000005507 spraying Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 6
- 239000011248 coating agent Substances 0.000 claims description 23
- 238000000576 coating method Methods 0.000 claims description 23
- 238000002156 mixing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 10
- 238000003756 stirring Methods 0.000 claims description 10
- 239000008399 tap water Substances 0.000 claims description 9
- 235000020679 tap water Nutrition 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004898 kneading Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 241000282849 Ruminantia Species 0.000 claims description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 4
- 238000000855 fermentation Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 239000010703 silicon Substances 0.000 claims description 4
- 241001465754 Metazoa Species 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000007789 sealing Methods 0.000 claims description 2
- 239000007888 film coating Substances 0.000 abstract description 2
- 238000009501 film coating Methods 0.000 abstract description 2
- 239000004459 forage Substances 0.000 description 14
- 239000002154 agricultural waste Substances 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 244000046052 Phaseolus vulgaris Species 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013329 compounding Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- GXCLVBGFBYZDAG-UHFFFAOYSA-N N-[2-(1H-indol-3-yl)ethyl]-N-methylprop-2-en-1-amine Chemical compound CN(CCC1=CNC2=C1C=CC=C2)CC=C GXCLVBGFBYZDAG-UHFFFAOYSA-N 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 235000019629 palatability Nutrition 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
- Y02P60/87—Re-use of by-products of food processing for fodder production
Landscapes
- Fodder In General (AREA)
Abstract
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。
Description
技术领域
本发明属于农作物秸秆饲料化资源化利用技术领域，尤其涉及一种基于RNN神经网络的农作物秸秆饲料化利用系统及方法。
背景技术
我国是农业生产大国，每年产生的秸秆资源非常丰富，主要以水稻秸秆、小麦秸秆、玉米秸秆等为主，农作物的秸秆可以经过相关的技术处理进行资源化利用。随着我国经济社会发展，在绿色发展理念指导下，农业废弃物高值化利用成为近年来的一个研究热点。农作物秸秆中含有大量的有机物质，可复配精料（玉米、豆粕等）及微生物菌剂，通过厌氧发酵成为反刍动物饲料，促进秸秆的资源化利用。目前农作物秸秆饲料化的方法中针对菌液精准混合的关注度不足，无法根据秸秆含水率等实时精确调整菌液混合比例，导致秸秆饲料的质量难以保证。为提高秸秆饲料化利用效率，标准化、智能化、高效化等成为饲料生产线追求的目标。为此，本发明提出一种基于RNN神经网络的农作物秸秆饲料化利用系统及方法，根据秸秆的含水率实时调整菌液流量，提高饲料原料含水率控制的精确度，保证秸秆饲料化的质量。
发明内容
针对现有技术中存在的不足，本发明提供了一种基于RNN神经网络的农作物秸秆饲料化利用系统及方法，有效提高了秸秆饲料化利用效率，提高了秸秆饲料化的标准化、智能化、高效化程度。
本发明是通过以下技术手段实现上述技术目的的。
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、打捆包膜机、夹包机，还包括控制系统以及与控制系统信号连接的秸秆揉丝机、秸秆粉碎搅拌机、喷淋系统、包膜机及传送带控制机构；秸秆粉碎搅拌机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；喷淋系统安装在秸秆粉碎搅拌机顶盖下方，喷淋系统共有两路液体，分别是自来水与菌液，喷淋系统包括电动水泵，自来水以及菌液均使用电动水泵抽取，抽取后依次经过Y型过滤器、电动调节阀、流量计、球阀后最终进入静态混合器，静态混合器通过管道与雾化喷嘴连接。
一种利用上述基于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，包括如下过程：
步骤1：搂草机将散落在田间的秸秆搂成垄，通过打捆包膜机将秸秆打成圆捆并包膜，利用夹包机夹包离田，运输至秸秆揉丝机、秸秆粉碎搅拌机、喷淋系统、包膜机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中二次粉碎，同时，由工人通过爬梯爬上秸秆粉碎搅拌机顶部，向秸秆粉碎搅拌机内加入其他精料，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，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；
步骤3：控制系统控制喷淋系统的电动水泵启动，抽取自来水以及菌液至静态混合器中混合，混合后的菌液经雾化喷嘴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，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中排出，进入传送装置，最终传输至包膜机中打包密封，进行厌氧发酵，最终形成可供动物食用的反刍动物饲料。
进一步地，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，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；
步骤3.2：循环迭代地更新模型，使参数收敛，计算一阶矩向量/>和二阶矩向量的偏差修正/>和/>；
步骤3.3：计算第次迭代模型的参数/>；
步骤3.4：更新目标函数第次迭代代价函数关于/>的梯度/>，其中，/>表示第/>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：基于步骤3.4输出的预测值，利用 Huber 损失的计算方法计算损失函数：
其中，为预测值，/>为真实值；当/>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。
进一步地，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：
其中，、/>分别为一阶矩向量和二阶矩向量；/>、/>为动力值，取值分别为0.9 和 0.999；/>为梯度函数。
进一步地，所述步骤3.2中，一阶矩向量和二阶矩向量/>的偏差修正/>和/>的计算公式如下：
其中，、/>为动力值，取值分别为 0.9 和 0.999。
进一步地，所述步骤3.3中，第次迭代模型的参数/>计算公式如下：
其中，表示第/>次迭代模型的参数；/>为超参数，取值为10−5；/>取值为 10−8；、/>分别为一阶矩向量/>和二阶矩向量/>的偏差修正。
进一步地，所述步骤步骤3.4中，更新目标函数第次迭代代价函数关于/>的梯度的计算公式如下：
其中，表示目标函数。
本发明具有如下有益效果：
本发明能够根据秸秆的含水率实时调整菌液流量，提高饲料原料含水率控制的精确度，保证秸秆饲料化的质量，能够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，农作物秸秆部分离田高值化利用，对于缓解土壤消纳秸秆压力，提高农业生产附加值具有重要意义。
附图说明
图1为本发明所述基于RNN神经网络的农作物秸秆饲料化利用方法流程图；
图2为本发明所述基于RNN神经网络的农作物秸秆饲料化利用系统示意图；
图3为本发明所述喷淋系统示意图。
图中：1-搂草机；2-打捆包膜机；3-夹包机；4-秸秆揉丝机；5-秸秆粉碎搅拌机；6-喷淋系统；601-电动水泵；602-Y型过滤器；603-电动调节阀；604-电磁流量计；605-涡轮流量计；606-球阀；607-静态混合器；608-雾化喷嘴；7-控制系统；8-包膜机。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图2所示，本发明所述基于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及各种传送带控制机构，用户还可根据需求手动控制各机器的运行状态。
搂草机1用于将散落在田间的秸秆搂成垄；打捆包膜机2用于将成垄的秸秆打成圆捆并包膜；夹包机3用于对包膜后的秸秆进行夹包离田操作；秸秆揉丝机4用于对秸秆进行切断揉丝操作。
秸秆粉碎搅拌机5包括主搅龙、两根副搅拌轴、动刀、定刀、防缠绕钩。秸秆粉碎搅拌机5内壁上安装有湿度传感器，用于实时监测饲料原料的相对湿度；秸秆粉碎搅拌机5底部安装有压力传感器，用于实时感知饲料原料的重量；秸秆粉碎搅拌机5上方安装有RGB相机，用于拍摄秸秆粉碎搅拌机5内部粉碎的秸秆的图像数据，供后续分析处理以获取秸秆相对湿度数据；各传感器均与控制系统7信号连接，传递检测数据。
控制系统7用于实时获取各传感器检测数据，并进行分析处理，进而控制喷淋系统6进行菌液混合，最终形成饲料原料后由包膜机8裹包发酵。控制系统7包括PLC控制器、压力传感器、湿度传感器、流量传感器、继电器、可控硅调速器，PLC控制器负责采集与处理各传感器的数据。
如图3所示，喷淋系统6安装在秸秆粉碎搅拌机5顶盖下方，包括电动水泵601、Y型过滤器602、电动调节阀603、电磁流量计604、涡轮流量计605、球阀606、静态混合器607、雾化喷嘴608。喷淋系统6中共有两路液体，分别是自来水与菌液，自来水以及菌液均使用电动水泵601抽取，抽取后最终进入静态混合器607，通过静态混合器607不断改变液体的流动方向，从而达到菌液充分混合的目的，混合后的菌液通过管道输送至雾化喷嘴608，最后进入秸秆粉碎搅拌机5与饲料原料混合。
利用上述基于RNN神经网络的农作物秸秆饲料化利用系统的基于PLC智能复配的农作物秸秆饲料化利用方法，如图1所示，具体包括如下过程：
步骤1：秸秆离田；
秸秆作物经联合收获机收获后，秸秆洒落在田地上，搂草机1将散落在田间的秸秆搂成垄，然后通过打捆包膜机2将秸秆打成圆捆并包膜，然后利用夹包机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等设备组成的后续操作流水线处。
步骤2：秸秆揉搓、粉碎；
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，将秸秆切断为小于10cm的中长段，切断后的秸秆继续送入秸秆粉碎搅拌机5中进行二次粉碎，粉碎成为3~5cm的碎秸秆，以增加后续形成的饲料原料的适口性，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（例如玉米渣、麸皮、麦芽、豆粕等适合牲畜食用的营养物料）以增加后续形成的饲料原料的营养价值，进行混合揉搓，最终形成饲料原料；
在此过程中，安装在秸秆粉碎搅拌机5底部的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；安装在秸秆粉碎搅拌机5内壁的湿度传感器实时对于形成的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：菌液混料调配；
控制系统7控制喷淋系统6的电动水泵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，再配合秸秆粉碎搅拌机5的搅拌，使得饲料原料与菌液搅拌快速混合均匀；在此过程中，控制系统7结合饲料原料含水率以及饲料原料重量，基于PLC控制器控制喷淋系统6实现智能复配，即自动控制菌液与水的混合比例，达到精确控制饲料原料含水率和菌剂添加量的效果。
PLC控制器引入RNN神经网络以及PID模糊控制，预测并实时调整饲料原料的含水率，实现喷淋系统6智能复配控制，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，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RNN神经网络模型的参数向量（即模型的参数）、一阶矩向量和二阶矩向量进行初始化：
其中，、/>分别为一阶矩向量和二阶矩向量；/>、/>为动力值，默认值为 0.9和 0.999；/>为梯度函数；
步骤3.2：循环迭代地更新模型，使参数收敛，计算一阶矩向量/>和二阶矩向量的偏差修正/>和/>：
步骤3.3：计算时刻即第/>次迭代模型的参数/>：
其中，表示/>时刻即第/>次迭代模型的参数；/>为超参数，默认为10−5；/>是一个取值很小的数 (该实验中取为 10−8)，其作用是为了避免分母为0。
步骤3.4：更新目标函数第次迭代代价函数关于/>的梯度/>：
其中，表示目标函数；
初步优化后的模型输出预测结果，即预测值；
步骤3.5：基于步骤3.4输出的预测值，利用 Huber 损失的计算方法计算损失函数：
其中，为预测值，/>为真实值；当/>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；
步骤3.7：根据所获取的饲料原料含水率最优预测模型，结合各传感器检测的数据，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：原料裹包发酵；
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30～35天的厌氧发酵，最终形成可供动物食用的反刍动物饲料。
所述搂草机1、打捆包膜机2、夹包机3、秸秆揉丝机4、秸秆粉碎搅拌机5均采用的是现有装备设施，按照通用方式进行组装配合使用，因而本实施例不再对其组成结构及工作原理进行赘述。图1中的搅拌调制机、菌混系统、圆捆裹包机分别指代本实施例中的秸秆粉碎搅拌机5、喷淋系统6、包膜机8。所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (7)
1.基于RNN神经网络的农作物秸秆饲料化利用系统，其特征在于，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。
2.一种利用权利要求1所述基于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，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）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。
3.根据权利要求2所述的基于RNN神经网络的农作物秸秆饲料化利用方法，其特征在于，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 ，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：计算第次迭代模型的参数/>；
步骤3.4：更新目标函数第次迭代代价函数关于/>的梯度，其中，/>表示第/>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：
；
其中，为预测值，/>为真实值；当/>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。
4.根据权利要求3所述的基于RNN神经网络的农作物秸秆饲料化利用方法，其特征在于，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：
；
；
其中，、/>分别为一阶矩向量和二阶矩向量；/>、/>为动力值，取值分别为 0.9 和0.999；/>为梯度函数。
5.根据权利要求3所述的基于RNN神经网络的农作物秸秆饲料化利用方法，其特征在于，所述步骤3.2中，一阶矩向量和二阶矩向量/>的偏差修正/>和/>的计算公式如下：
；
；
其中，、/>为动力值，取值分别为 0.9 和 0.999。
6.根据权利要求3所述的基于RNN神经网络的农作物秸秆饲料化利用方法，其特征在于，所述步骤3.3中，第次迭代模型的参数/>计算公式如下：
；
其中，为超参数，取值为10−5；/>取值为 10−8；/>、/>分别为一阶矩向量/>和二阶矩向量/>的偏差修正。
7.根据权利要求3所述的基于RNN神经网络的农作物秸秆饲料化利用方法，其特征在于，所述步骤步骤3.4中，更新目标函数第次迭代代价函数关于/>的梯度/>的计算公式如下：
；
其中，表示目标函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410123012.7A CN117647928B (zh) | 2024-01-30 | 2024-01-30 | 基于rnn神经网络的农作物秸秆饲料化利用系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410123012.7A CN117647928B (zh) | 2024-01-30 | 2024-01-30 | 基于rnn神经网络的农作物秸秆饲料化利用系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117647928A true CN117647928A (zh) | 2024-03-05 |
| CN117647928B CN117647928B (zh) | 2024-04-09 |
Family
ID=90043760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410123012.7A Active CN117647928B (zh) | 2024-01-30 | 2024-01-30 | 基于rnn神经网络的农作物秸秆饲料化利用系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117647928B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU1831294C (ru) * | 1990-11-20 | 1993-07-30 | Серафим Васильевич Мартынов | Способ приготовлени корма дл жвачных животных |
| CN101142966A (zh) * | 2007-08-16 | 2008-03-19 | 河南花花牛奶牛育种科技有限公司 | 一种奶牛复合饲料及其生产工艺 |
| CN101283732A (zh) * | 2008-06-03 | 2008-10-15 | 单德章 | 发酵配合饲料产品及其制备方法 |
| CN101438765A (zh) * | 2007-11-23 | 2009-05-27 | 西安新天地草业有限公司 | 秸秆袋装微贮饲草 |
| CN103314741A (zh) * | 2013-05-28 | 2013-09-25 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种油菜秆混合配料生物转化香菇的方法 |
| CN106444377A (zh) * | 2016-10-09 | 2017-02-22 | 江苏大学 | 基于pso‑fsvm的赖氨酸发酵过程关键变量软测量方法及系统 |
| CN106912691A (zh) * | 2015-12-28 | 2017-07-04 | 池州惠中生物科技有限公司 | 一种反刍动物秸秆饲料的制备方法 |
| CN107594135A (zh) * | 2017-09-30 | 2018-01-19 | 新疆豪子畜牧业有限公司 | 一种用于畜牧饲料的调节菌体平衡生物发酵工艺 |
| CN109123092A (zh) * | 2018-09-10 | 2019-01-04 | 李开明 | 黄贮秸秆饲料的制备方法 |
| CN110235614A (zh) * | 2019-06-26 | 2019-09-17 | 内蒙古华禹高科装备科技有限公司 | 一种合成牧草的生产方法及加工机组 |
| CN110615697A (zh) * | 2019-10-25 | 2019-12-27 | 沈阳农业大学 | 秸秆-粪污微贮肥及其制备方法 |
| CN110637919A (zh) * | 2019-09-18 | 2020-01-03 | 新和县园邦城农业发展有限公司 | 一种黄粉虫沙、虫蜕的新型秸秆复合饲料 |
| CN113550163A (zh) * | 2021-08-31 | 2021-10-26 | 鹤岗市睿创科技发展有限公司 | 一种秸秆制浆加工系统及制浆方法 |
| CN215819859U (zh) * | 2021-05-08 | 2022-02-15 | 内蒙古华禹高科装备科技有限公司 | 合成牧草加工生产系统 |
| CN114062448A (zh) * | 2022-01-17 | 2022-02-18 | 北京市农林科学院智能装备技术研究中心 | 电容采集装置及秸秆含水率预测的方法 |
| CN116058434A (zh) * | 2021-11-03 | 2023-05-05 | 茂名加大饲料有限公司 | 一种复合微生物菌剂快速发酵的饲料及其制备方法 |
| CN117285382A (zh) * | 2023-11-22 | 2023-12-26 | 海南热带海洋学院 | 基于神经网络多菌种发酵鱼肥及废弃物低臭肥料的方法 |
-
2024
- 2024-01-30 CN CN202410123012.7A patent/CN117647928B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU1831294C (ru) * | 1990-11-20 | 1993-07-30 | Серафим Васильевич Мартынов | Способ приготовлени корма дл жвачных животных |
| CN101142966A (zh) * | 2007-08-16 | 2008-03-19 | 河南花花牛奶牛育种科技有限公司 | 一种奶牛复合饲料及其生产工艺 |
| CN101438765A (zh) * | 2007-11-23 | 2009-05-27 | 西安新天地草业有限公司 | 秸秆袋装微贮饲草 |
| CN101283732A (zh) * | 2008-06-03 | 2008-10-15 | 单德章 | 发酵配合饲料产品及其制备方法 |
| CN103314741A (zh) * | 2013-05-28 | 2013-09-25 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种油菜秆混合配料生物转化香菇的方法 |
| CN106912691A (zh) * | 2015-12-28 | 2017-07-04 | 池州惠中生物科技有限公司 | 一种反刍动物秸秆饲料的制备方法 |
| CN106444377A (zh) * | 2016-10-09 | 2017-02-22 | 江苏大学 | 基于pso‑fsvm的赖氨酸发酵过程关键变量软测量方法及系统 |
| CN107594135A (zh) * | 2017-09-30 | 2018-01-19 | 新疆豪子畜牧业有限公司 | 一种用于畜牧饲料的调节菌体平衡生物发酵工艺 |
| CN109123092A (zh) * | 2018-09-10 | 2019-01-04 | 李开明 | 黄贮秸秆饲料的制备方法 |
| CN110235614A (zh) * | 2019-06-26 | 2019-09-17 | 内蒙古华禹高科装备科技有限公司 | 一种合成牧草的生产方法及加工机组 |
| CN110637919A (zh) * | 2019-09-18 | 2020-01-03 | 新和县园邦城农业发展有限公司 | 一种黄粉虫沙、虫蜕的新型秸秆复合饲料 |
| CN110615697A (zh) * | 2019-10-25 | 2019-12-27 | 沈阳农业大学 | 秸秆-粪污微贮肥及其制备方法 |
| CN215819859U (zh) * | 2021-05-08 | 2022-02-15 | 内蒙古华禹高科装备科技有限公司 | 合成牧草加工生产系统 |
| CN113550163A (zh) * | 2021-08-31 | 2021-10-26 | 鹤岗市睿创科技发展有限公司 | 一种秸秆制浆加工系统及制浆方法 |
| CN116058434A (zh) * | 2021-11-03 | 2023-05-05 | 茂名加大饲料有限公司 | 一种复合微生物菌剂快速发酵的饲料及其制备方法 |
| CN114062448A (zh) * | 2022-01-17 | 2022-02-18 | 北京市农林科学院智能装备技术研究中心 | 电容采集装置及秸秆含水率预测的方法 |
| CN117285382A (zh) * | 2023-11-22 | 2023-12-26 | 海南热带海洋学院 | 基于神经网络多菌种发酵鱼肥及废弃物低臭肥料的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘善斋;杨海珑;王力生;刘永文;: "强化玉米秸秆颗粒饲料加工技术的研究", 中国牛业科学, no. 05, 15 September 2015 (2015-09-15) * |
| 李超: ""水稻秸秆制备生物饲料工艺与装备研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 6, 15 June 2022 (2022-06-15), pages 3 - 4 * |
| 辛丰;: "农作物秸杆的加工技术", 中国养兔, no. 10, 28 October 2012 (2012-10-28) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117647928B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106747742B (zh) | 利用秸秆高值化开发多功能肥料专用发酵装置 | |
| CN114847209B (zh) | 一种基于多因子综合控制的鱼类智能投喂方法及系统 | |
| CN105272401A (zh) | 一种生物质垃圾快速发酵生产有机肥的设备及工艺 | |
| CN103641534B (zh) | 一种甘蔗尾叶生物有机肥料的制备方法 | |
| CN108176702A (zh) | 一种污水废气零排放的餐厨垃圾处理工艺 | |
| CN107296291A (zh) | 一种饲料发酵一体化设备 | |
| CN117647928B (zh) | 基于rnn神经网络的农作物秸秆饲料化利用系统及方法 | |
| CN109809848A (zh) | 一种秸秆与畜禽粪污发酵裹包制肥设备及方法 | |
| CN104478570A (zh) | 一种微生物有机肥及其制备方法 | |
| CN110501983B (zh) | 基于批次式包衣机的专家控制系统及控制方法 | |
| CN114617278B (zh) | 一种秸秆发酵动物饲料的智能加工系统 | |
| CN106083294A (zh) | 一种无臭固氮生物炭有机肥及其制备方法 | |
| CN207396995U (zh) | 智能化全自动青贮变量喷洒装置控制系统 | |
| CN112293771A (zh) | 一种用于单胃动物青鲜植物饲料化青贮装备及方法 | |
| CN216786008U (zh) | 用于秸秆堆肥还田处理的加工设备 | |
| CN215819859U (zh) | 合成牧草加工生产系统 | |
| CN112024569B (zh) | 一种封闭式易腐有机废弃物生物处理自动化集成系统及方法 | |
| CN115028491A (zh) | 一种利用有机废弃物工业化制备有机肥料的系统 | |
| CN212285273U (zh) | 封闭式易腐有机废弃物生物处理自动化集成系统 | |
| CN210492560U (zh) | 一种棕榈粕渣多肽饲料设备 | |
| CN207980920U (zh) | 一种农药配比装置 | |
| CN205269965U (zh) | 一种配合自走式青贮收获机使用的液体自动化喷洒设备 | |
| CN110326419A (zh) | 水肥一体化智能浇灌装置及工艺 | |
| CN221264439U (zh) | 一种水肥一体智能灌溉系统 | |
| CN206586366U (zh) | 一种膨化饲料生产线 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |