基于RNN神经网络的农作物秸秆饲料化利用系统及方法

本发明属于农作物秸秆饲料化资源化利用，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：

1、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。

技术实现思路

1、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。

2、本发明是通过以下技术手段实现上述技术目的的。

3、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。

4、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：

5、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；

6、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；

7、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；

8、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。

9、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：

10、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；

11、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；

12、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：

13、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；

14、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；

15、步骤3.3：计算第次迭代模型的参数；

16、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；

17、初步优化后的模型输出预测结果，即预测值；

18、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：

19、

20、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；

21、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。

22、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：

23、

24、

25、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。

26、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：

27、

28、

29、其中，、为动力值，取值分别为 0.9 和 0.999。

30、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：

31、

32、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。

33、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：

34、

35、其中，表示目标函数。

36、本发明具有如下有益效果：

37、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。

技术特征：

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：

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：

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：

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：

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：

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：

技术总结
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。

技术研发人员：李骅,朱雪茹,李超,王居飞,葛琦,吴咏梅,贺春玉,陈实,汤文浩
受保护的技术使用者：南京农业大学
技术研发日：
技术公布日：2024/3/5