一种基于机器学习的辣椒收获机滚筒转速控制方法

1.本发明涉及农业智能装备技术领域，尤其涉及一种基于机器学习的辣椒收获机滚筒转速控制方法。


背景技术：

2.辣椒是全球最为常见的蔬菜之一，在我国拥有着广袤的种植面积，分布于全国各地。当下农业机械化高速发展，现常用辣椒收获机代替人工进行大面积的辣椒收获，节省了人力资源。弹齿滚筒辣椒收获机是一种常见的辣椒收获机，其通过弹齿滚筒装置转动，实现弹齿对辣椒果实的不断梳刷，从而将辣椒植株上的果实采摘下来。在弹齿滚筒辣椒收获机工作时，往往需要驾驶员根据以往操作经验，对辣椒作物的生长情况进行判断，从而对弹齿滚筒辣椒收获机的滚筒转速进行调节，对驾驶员的操作技术要求较高。
3.目前，国内外对于弹齿滚筒辣椒收获机控制方法研究较少，仍处于初步探索阶段。然而，由于弹齿滚筒辣椒收获机工作环境复杂多变，辣椒植株的种植密度存在差异，其滚筒所受负载状况也在不停变化。不针对此变化进行转速调控，可能会导致弹齿滚筒辣椒收获机工作不够稳定。不仅如此，在其采收过程中，也存在着不同辣椒植株果实辣椒产量不同的情况，同样也需要根据这种差异，对滚筒的转速进行调控。综上所述，如果单一依靠驾驶员进行转速控制，不能保障辣椒收获机工作稳定性，同时也会造成收获采净率较低，破损率较高的问题。
4.有鉴于此，本发明提供一种基于机器学习的辣椒收获机控制方法，使得弹齿滚筒辣椒收获机可以实时预测滚筒的扭矩状况，判断下一阶段滚筒所受负载情况。并依据于所判断的下一阶段负载情况，进行转速调节，保证滚筒负载始终处于正常状态。同时，根据在采收不同产量辣椒植株时弹齿安装板的振动不同，建立辣椒植株产量识别模型，在负载状况处于正常状态时，根据当前所采收的辣椒植株产量的不同，进一步调节转速。通过上述步骤，可以实现弹齿滚筒辣椒收获机的滚筒负载始终处于正常负载状态，并能够判断当前收获辣椒植株的产量，同时加以调控，将可以有效提升辣椒收获效率，提高采净率，降低破损率。


技术实现要素：

5.为了解决滚筒弹齿辣椒收获机在收获过程中所存在的技术不足，本发明提供了一种基于机器学习的辣椒收获机滚筒转速控制方法。
6.本发明是通过以下技术手段实现上述技术目的。
7.本发明实施例提供了一种基于机器学习的辣椒收获机控制方法，主要包括以下步骤：
8.采集弹齿滚筒辣椒收获机上滚筒主轴（5）的扭矩信号，当前滚筒（6）转速。
9.将处理后的扭矩信号输入进扭矩预测模型，预测下一时刻扭矩。
10.通过力学模型得出下一时刻滚筒（6）所受负载状况。
11.调整滚筒（6）转速直至滚筒的预测负载状况处于正常状态。
12.采集弹齿安装板（3）的振动信号。
13.将振动信号输入进辣椒植株产量识别模型识别当前收获植株产量状况。
14.按预设控制方法控制滚筒转速。
15.进一步地，所述扭矩预测机器学习模型，具体包括：
16.该机器学习模型采用rbf神经网络模型。
17.采集大量在同一型号弹齿滚筒辣椒收获机中，同一收获环境下滚筒主轴（5）的扭矩信号样本，预处理这些扭矩信号。
18.将这些信号样本分为训练集和测试集，其中训练集占信号样本的80%，测试集占信号样本的20%。
19.选用rbf神经网络模型作为训练的基础模型，输入层向量为最近t-1，t-2时刻扭矩数值，隐藏层定为24个神经元，使用高斯函数作为激活函数，输出为t时刻的扭矩数值。
20.通过两个步骤对rbf模型训练，第一步是无监督学习，使用梯度下降法通过学习自适应调节隐藏层神经元的中心cj和宽度dj至最佳值；第二步是有监督学习，使用梯度下降法通过学习自适应调节隐藏层和输出层的连接权重wj至最佳值。
21.其计算公式如下所示
[0022][0023][0024][0025]
其中，w
kj
(t)为第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重，c
ji
(t)为第j个隐含层神经元对于第i个输入神经元在第t次迭代计算时的中心分量，d
ji
(t)为与中心c
ji
(t)对应的宽度，η为学习因子。
[0026]
计算该神经网络均方根误差rms的值，若rms≤ε，则训练结束，否则继续使用梯度下降法，调节中心cj、宽度dj和权重wj至最佳值。计算rms的公式为：
[0027][0028]
进一步地，预处理扭矩信号，具体包括如下步骤：
[0029]
使用emd算法对所采集的扭矩信号进行分解，得到若干imf分量和分解余项。
[0030]
舍弃前p个高频分量，将剩下imf分量相加。
[0031]
得到重构后的新信号
[0032]
进一步地，所述转通过力学模型得出下一时刻滚筒（6）所受负载状况，包括以下步骤：
[0033]
由力学模型将扭矩数值转化为负载数值。
[0034]
其中，m为滚筒主轴（5）上的扭矩，c为滚筒（6）上弹齿（1）的总数量，mf为弹齿安装板（3）对滚筒主轴（5）轴心的扭矩，f为负载，r为负载距离滚筒主轴（5）轴心的作用力臂，r为
滚筒（6）中心到弹齿安装板（3）的距离，m为滚筒（6）总重。
[0035]
与所预设的三种负载数值区间进行比对，分别为高负载、正常负载、低负载。
[0036]
得出滚筒（6）的预测负载状况。
[0037]
进一步地，所述调整滚筒（6）转速直至滚筒的预测负载状况处于正常状态，具体包括如下步骤：
[0038]
当滚筒（6）的预测负载处于高负载状态时，降低滚筒（6）转速；当滚筒（6）的预测负载处于低负载状态时，提高滚筒（6）转速；当滚筒（6）的预测负载处于正常状态，不调节滚筒（6）转速。
[0039]
读取所预测的下一时刻滚筒（6）负载状态。
[0040]
当预测负载仍不处于正常状态时，继续调节转速；当预测负载处于正常状态时，停止调节转速。
[0041]
进一步地，所述辣椒植株产量识别模型，具体包括：
[0042]
辣椒植株产量识别模型基于rf随机森林模型进行训练，可以识别弹齿滚筒辣椒收获机此时收获植株的产量情况。
[0043]
采集大量在同型号弹齿滚筒辣椒收获机在收获“低产量”“正常产量”“高产量”三种不同类植株时，弹齿安装板（3）的振动信号。
[0044]
提取三种情况下的振动信号特征，使用主成分分析对经过特征提取的样本信号进行降维，得到新的信号样本。
[0045]
将信号样本划分为训练集和测试集，其中训练集占信号样本的80%，测试集占信号样本的20%。
[0046]
选用rf随机森林模型为基础模型，将决策树数设为100。
[0047]
使用训练集对模型进行训练，使用测试集对模型进行验证，所得训练结果为收敛的模型即为辣椒植株产量识别模型。
[0048]
进一步地，提取三种情况下的振动信号特征，使用主成分分析对经过特征提取的样本信号进行降维，具体包括如下步骤：
[0049]
提取振动信号的方差、峭度、有效值、偏斜度、波形因子、裕度因子、脉冲因子、特征频率、均方频率、重心频率、频率方差、信号熵、谱熵、包络谱熵、排列熵、小波熵、emd熵17个特征、得到由n个17维列向量构成的样本x={x1，x2，
…
，x17}
17
×n。
[0050]
使用公式进行数据中心化。
[0051]
计算协方差矩阵(x为经过中心化后的数据)，协方差矩阵q为17
×
17维对称矩阵。
[0052]
对协方差矩阵∑进行特征值分解，得到特征值λ1≥λ2≥...≥λ
p
，选择前k个特征值所对应的特征向量w1,w2,
…
wk构成投影矩阵w。
[0053]
将原样本投影到新的特征空间，得到经过降维处理的振动信号样本x
′
，x
′
=wtx,x
′
为17
×
n维矩阵。
[0054]
进一步的，所述按预设控制方法控制滚筒（6）转速，具体包括如下步骤：
[0055]
当弹齿滚筒辣椒收获机所收获植株产量状况为“高产量”时，降低滚筒（6）转速；当弹齿滚筒辣椒收获机所收获植株产量状况为“低产量”时，提高滚筒（6）转速。当弹齿滚筒辣
椒收获机所获植株产量状况为“正常产量”时，滚筒（6）转速不变。
[0056]
读取滚筒（6）的预测负载状态，若预测滚筒（6）的预测负载状态发生变化，停止调节转速，执行新的调节方案。
[0057]
当滚筒（6）处于高负载状态时，降低滚筒（6）转速；当滚筒（6）处于低负载状态时，提高滚筒（6）转速。
[0058]
当滚筒（6）的预测负载状态正常时，停止调节转速。
[0059]
本发明实施例提供的基于机器学习的辣椒收获机控制方法，通过建立两个机器学习模型，一个用来预测滚筒扭矩的变化，一个用来识别辣椒植株产量的情况，再结合设定的控制方法，可以使得弹齿滚筒辣椒收获机根据滚筒负载变化和辣椒植株产量的情况，及时调整运动参数。这种控制方法提升了弹齿滚筒辣椒收获机的智能程度，改变了以往弹齿滚筒辣椒收获机依靠于人工控制运动参数的状况，使得辣椒收获过程转速控制更为及时，有效提升辣椒收获效率，提高采净率，降低破损率。
附图说明
[0060]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1为本发明实施例提供的一种基于机器学习的辣椒收获机滚筒转速控制方法的具体示意图。
[0062]
图2为本发明实施例提供的滚筒弹齿辣椒收获机各构件以及传感器安装位置示意图。
[0063]
图3为本发明实施例提供的一种扭矩预测机器学习模型训练流程示意图。
[0064]
图4为本发明实施例提供的一种依据滚筒负载变化控制方法的流程图。
[0065]
图5为本发明实施例提供的一种辣椒植株产量识别模型训练流程示意图。
[0066]
图6为本发明实施例提供的一种依据于辣椒植株产量和滚筒负载控制。
具体实施方式
[0067]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0068]
本发明实施例针对当辣椒收获机在复杂环境工作时，存在工作区域作物疏密不同，辣椒植株产量不同的情况，为使弹齿辣椒收获机能够根据滚筒6所受负载状况以及辣椒产量的情况调节转速，摆脱只能依靠人工调速的现状，提高辣椒收获的采净率，进一步降低破损率，提升辣椒收获的效率，使得的转速调节更为及时，提出了一种基于机器学习的辣椒收获机滚筒转速控制方法，如图1所示，本方法包括但不限于以下步骤：
[0069]
采集弹齿滚筒辣椒收获机滚筒主轴5上的扭矩信号，当前滚筒6转速。
[0070]
将处理后的扭矩信号输入进扭矩预测模型，预测下一时刻扭矩。
[0071]
通过力学模型得出下一时刻滚筒6所受负载状况。
[0072]
调整滚筒6转速直至滚筒的预测负载状况处于正常状态。
[0073]
采集弹齿安装板3的振动信号。
[0074]
将振动信号输入进辣椒植株产量识别模型识别当前收获植株产量状况。
[0075]
按预设控制方法控制滚筒6转速。
[0076]
如图2所示，弹齿滚筒扭矩信号依靠扭矩传感器4采集，扭矩传感器4上配有转速测量模块，可以直接采得滚筒6转速。
[0077]
进一步的技术方案，所述扭矩预测模型，具体包括：
[0078]
该机器学习模型采用rbf神经网络模型。
[0079]
采集大量在同一型号辣椒机中，同一收获环境下的辣椒收获滚筒主轴5的扭矩信号样本，预处理这些扭矩信号。
[0080]
将这些信号样本分为训练集和测试集，其中训练集占信号样本的80%，测试集占信号样本的20%。
[0081]
选用rbf神经网络模型作为训练的基础模型，输入层向量为最近t-1，t-2时刻扭矩数值，隐藏层定为24个神经元，使用高斯函数作为激活函数，输出为t时刻的扭矩数值。
[0082]
通过两个步骤对rbf模型训练，第一步是无监督学习，使用梯度下降法通过学习自适应调节隐藏层神经元的中心cj和宽度dj至最佳值；第二步是有监督学习，使用梯度下降法通过学习自适应调节隐藏层和输出层的连接权重wj至最佳值。
[0083]
其计算公式如下所示：
[0084][0085][0086][0087]
其中，w
kj
(t)为第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重，c
ji
(t)为第j个隐含层神经元对于第i个输入神经元在第t次迭代计算时的中心分量，d
ji
(t)为与中心c
ji
(t)对应的宽度，η为学习因子。
[0088]
计算该神经网络均方根误差rms的值，若rms≤ε，则训练结束，否则继续使用梯度下降法，调节中心cj、宽度dj和权重wj至最佳值。计算rms的公式为：
[0089][0090]
其中，rbf神经网络是一种机器学习模型,属于一种前向神经网络。通过收集大量的数据集对该神经网络进行训练，通过对其中参数的调整，并用验证集验证，可以得到训练完成的rbf神经网络模型。当输入量输入进该网络时，则可以得到其相应的输出值。对该神经网络训练过程如图3所示。
[0091]
更进一步的，对扭矩信号进行预处理，具体包括如下步骤：
[0092]
使用emd算法对所采集的扭矩信号进行分解，得到若干imf分量和分解余项。
[0093]
舍弃前p个高频分量，将剩下imf分量相加。
[0094]
得到重构后的新信号。
[0095]
其中，对信号进行预处理，是进行机器学习的重要步骤，此处采用经验模态分解
（emd）方法对扭矩信号进行预处理。是通过将复杂信号分解为若干个imf分量和一个余量的方式，可以达到突出数据局部特征和显示信号缓慢变化量的目的，起到消除低频载波和使信号波形逐渐趋于对称的作用。再通过对部分imf分量相加进行重构，会得到更平滑的信号，从而使信号中的噪声和干扰得到减少或去除，以得到更准确的信号表示。
[0096]
进一步的技术方案，所述转通过力学模型得出下一时刻滚筒6所受负载状况，包括以下步骤：
[0097]
由力学模型将扭矩数值转化为负载数值。
[0098]
其中，m为滚筒主轴5上的扭矩，c为滚筒6上弹齿1的总数量，mf为弹齿安装板3对滚筒主轴5轴心的扭矩，f为负载，r为负载距离滚筒主轴5轴心的作用力臂，r为滚筒6中心到弹齿安装板3的距离，m为滚筒6总重。
[0099]
与所预设的三种负载数值区间进行比对，分别为高负载、正常负载、低负载。
[0100]
得出滚筒6的预测负载状况。
[0101]
进一步的的技术方案，所述调整滚筒6转速直至滚筒6预测负载状况处于正常状态，具体包括如下步骤：
[0102]
当滚筒6的预测负载处于高负载状态时，降低滚筒6转速；当滚筒6的预测负载处于低负载状态时，提高滚筒6转速；当滚筒6的预测负载处于正常状态，不调节滚筒6转速。
[0103]
读取所预测的下一时刻滚筒6负载状态。
[0104]
当预测负载仍不处于正常状态时，继续调节转速；当预测负载处于正常状态时，停止调节转速。
[0105]
其中，该依据滚筒6的预测负载状态的控制方法流程如图4所示。
[0106]
进一步的技术方案，所述辣椒植株产量识别模型，具体包括：
[0107]
辣椒植株产量识别模型基于rf随机森林模型进行训练，可以识别弹齿滚筒辣椒收获机此时所收获植株的产量情况。
[0108]
采集大量在同型号辣椒收获机在收获“低产量”“正常产量”“高产量”三种不同类植株时，弹齿安装板3的振动信号。
[0109]
其中，如图2所示，弹齿安装板3的振动信号通过加速度传感器2测得。
[0110]
对三种情况下的振动信号进行特征提取，使用主成分分析对经过特征提取的样本信号进行降维，得到新的信号样本。
[0111]
将信号样本划分为训练集和测试集，其中训练集占信号样本的80%，测试集占信号样本的20%。
[0112]
选用rf随机森林模型为基础模型，将决策树数设为100。
[0113]
使用训练集对模型进行训练，使用测试集对模型进行验证，所得训练结果为收敛的模型即为辣椒植株产量识别模型。
[0114]
其中，随机森林（rf）模型是一种分类模型，是自举汇聚法（bagging）算法的一种。通过对数据集的自助法（bootstrap）重采样生成多个不同的数据集，并在每一个数据集上训练一棵分类树，通过若干分类树对分类结果进行投票选择，从而组成一个强分类器。对该模型的训练过程如图5所示。
[0115]
更进一步的技术方案，所述提取三种情况下的振动信号特征，使用主成分分析对
经过特征提取的样本信号进行降维，具体包括以下步骤：
[0116]
提取振动信号的方差、峭度、有效值、偏斜度、波形因子、裕度因子、脉冲因子、特征频率、均方频率、重心频率、频率方差、信号熵、谱熵、包络谱熵、排列熵、小波熵、emd熵17个特征、得到由n个17维列向量构成的样本x={x1，x2，
…
，x17}17
×
n。
[0117]
使用公式进行数据中心化
[0118]
计算协方差矩阵(x为经过中心化后的数据)，协方差矩阵q为17
×
17维对称矩阵。
[0119]
对协方差矩阵∑进行特征值分解，得到特征值λ1≥λ2≥...≥λ
p
，选择前k个特征值所对应的特征向量w1,w2,
…
wk构成投影矩阵w。
[0120]
将原样本投影到新的特征空间，得到经过降维处理的振动信号样本x
′
，x
′
=wtx,x
′
为17
×
n维矩阵。
[0121]
其中，主成分分析是一种使用最广泛的数据降维算法。pca的主要思想是将n维特征映射到k维上，重新构造出k正交维特征。通过不断从原始的空间中依次寻找相互正交的坐标轴，找到包含大部分方差的前k个坐标轴。起到只保留包含绝大部分方差的维度特征，而忽略包含方差几乎为0的特征维度，实现对数据特征的降维处理。
[0122]
进一步的技术方案，所述按预设控制方法控制滚筒6转速，具体包括如下步骤：
[0123]
当弹齿滚筒辣椒收获机所收获辣椒植株产量状况为“高产量”时，降低滚筒6转速；当弹齿滚筒辣椒收获机所收获辣椒植株产量状况为“低产量”时，提高滚筒6转速。当弹齿滚筒辣椒收获机所获辣椒植株产量状况为“正常产量”时，滚筒6转速不变。
[0124]
读取滚筒6的预测负载状态，若滚筒6的预测负载状态发生变化，停止调节转速，执行新的调节方案。
[0125]
当滚筒6处于高负载状态时，降低滚筒6转速；当滚筒6处于低负载状态时，提高滚筒6转速。
[0126]
当滚筒6的预测负载状态正常时，停止调节转速。
[0127]
其中，该依据于辣椒植株产量和滚筒预测负载控制方法的流程如图6所示。
[0128]
本发明上述实施例中提供了一种基于机器学习的辣椒收获机滚筒转速控制方法，通过建立两个机器学习模型，可以实时预测辣椒收获机的扭矩，判断当前辣椒收获机的滚筒负载状况，并识别当前所收获的辣椒植株的产量。并根据预先所设置的控制方法，可以使得辣椒收获机的滚筒转速可以根据所预测的滚筒6负载情况和辣椒植株产量自行调节，使辣椒收获机的滚筒6始终处于正常负载之中，同时提高采集率，降低破损率，实现智能化采收。
[0129]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于机器学习的辣椒收获机滚筒转速控制方法，其特征在于，包括以下步骤：s1采集弹齿滚筒辣椒收获机滚筒主轴上的扭矩信号，当前滚筒转速；s2将采集的扭矩信号输入进扭矩预测模型，预测下一时刻扭矩；s3通过力学模型得出下一时刻滚筒所受负载状况；s4调整滚筒转速直至滚筒的预测负载状况处于正常状态；s5采集弹齿安装板的振动信号；s6将振动数据输入进辣椒植株产量识别模型识别当前收获植株产量状况；s7按预设控制方法控制滚筒转速。2.根据权力要求1所述的一种辣椒收获机控制方法，其特征在于，所述扭矩预测模型，具体包括：该机器学习模型采用rbf神经网络模型；采集大量在同一型号弹齿滚筒辣椒收获机中，同一收获环境下的滚筒主轴的扭矩信号样本，预处理这些扭矩信号；将这些信号样本分为训练集和测试集，其中训练集占信号样本的80%，测试集占信号样本的20%；选用rbf神经网络模型作为训练的基础模型，输入层向量为最近t-1，t-2时刻扭矩数值，隐藏层定为24个神经元，使用高斯函数作为激活函数，输出为t时刻的扭矩数值；通过两个步骤对rbf模型训练，第一步是无监督学习，使用梯度下降法通过学习自适应调节隐藏层神经元的中心c
j
和宽度d
j
至最佳值；第二步是有监督学习，使用梯度下降法通过学习自适应调节隐藏层和输出层的连接权重w
j
至最佳值，其计算公式如下所示：，，，其中，w
kj
(t)为第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重，c
ji
(t)为第j个隐含层神经元对于第i个输入神经元在第t次迭代计算时的中心分量，d
ji
(t)为与中心c
ji
(t)对应的宽度，η为学习因子；计算该神经网络均方根误差rms的值，若rms≤ε，则训练结束，否则继续使用梯度下降法，调节中心c
j
、宽度d
j
和权重w
j
至最佳值。计算rms的公式为：3.根据权力要求2所述的一种辣椒收获机控制方法，其特征在于，所述对扭矩信号进行预处理，具体包括如下步骤：s21使用emd算法对所采集的扭矩信号进行分解，得到若干imf分量和分解余项；s22舍弃前p个高频分量，将剩下imf分量相加；s23得到重构后的新信号。
4.根据权力要求1所述的一种辣椒收获机控制方法，其特征在于，所述通过力学模型得出下一时刻滚筒所受负载状况，包括以下步骤：s41由力学模型将扭矩数值转化为负载数值(其中m为主轴上的扭矩，c为滚筒上弹齿的总数量，m
f
为弹齿安装板对滚筒主轴轴心的扭矩，f为负载，r为负载距离滚筒主轴轴心的作用力臂，r为滚筒中心到弹齿安装板的距离，m为滚筒总重)；s42与所预设的三种负载数值区间进行比对，分别为高负载、正常负载、低负载；s43得出滚筒6的预测负载状况。5.根据权力要求1所述的一种辣椒收获机控制方法，其特征在于,所述调整滚筒转速直至滚筒的预测负载状况处于正常状态，具体包括如下步骤：s51当滚筒的预测负载处于高负载状态时，降低滚筒转速；当滚筒的预测负载处于低负载状态时，提高滚筒转速；当滚筒的预测负载处于正常状态，不调节滚筒转速s52读取所预测下一时刻滚筒负载状态；s53当预测负载仍不处于正常状态时，继续调节转速；当预测负载处于正常状态时，停止调节转速。6.根据权力要求1所述的一种辣椒收获机控制方法，其特征在于，所述辣椒植株产量识别模型，具体包括：辣椒植株产量识别模型基于rf随机森林模型进行训练，可以识别弹齿滚筒辣椒收获机此时收获辣椒植株中产量情况；采集大量在同型号弹齿滚筒辣椒收获机在收获“低产量”“正常产量”“高产量”三种不同类植株时，弹齿安装板的振动信号；对三种情况下的振动信号进行特征提取，使用主成分分析对经过特征提取的样本信号进行降维，得到新的信号样本；将信号样本划分为训练集和测试集，其中训练集占信号样本的80%，测试集占信号样本的20%；选用rf随机森林模型为基础模型，将决策树数设为100；使用训练集对模型进行训练，使用测试集对模型进行验证，所得训练结果为收敛的模型即为辣椒植株产量识别模型。7.根据权力要求6所述的一种辣椒收获机控制方法，其特征在于，所述提取三种情况下的振动信号特征，使用主成分分析对经过特征提取的样本信号进行降维，具体包括以下步骤：s71提取振动信号的方差、峭度、有效值、偏斜度、波形因子、裕度因子、脉冲因子、特征频率、均方频率、重心频率、频率方差、信号熵、谱熵、包络谱熵、排列熵、小波熵、emd熵17个特征、得到由n个17维列向量构成的样本x={x1，x2，
…
，x17}
17
×
n
；s72使用公式进行数据中心化；s73计算协方差矩阵(x为经过中心化后的数据)，协方差矩阵q为17
×
17维对称矩阵；s74对协方差矩阵∑进行特征值分解，得到特征值λ1≥λ2≥...≥λ
p
，选择前k个特征值
所对应的特征向量w1,w2,
…
w
k
构成投影矩阵w；s75将原样本投影到新的特征空间，得到经过降维处理的振动信号样本x
′
，x
′
=wtx,x
′
为17
×
n维矩阵。8.根据权力要求1所述的一种辣椒收获机控制方法，其特征在于,所述按预设控制方法控制转速，具体包括如下步骤：s81当弹齿滚筒辣椒收获机所收获植株产量状况为“高产量”时，降低滚筒转速；当弹齿滚筒辣椒收获机所收获植株产量状况为“低产量”时，提高滚筒转速。当弹齿滚筒辣椒收获机所获植株产量状况为“正常产量”时，滚筒转速不变；s82读取预测滚筒负载状态，若预测滚筒负载状态发生变化，停止调节转速，执行新的调节方案；s83当滚筒处于高负载状态时，降低滚筒转速；当滚筒处于低负载状态时，提高滚筒转速；s84当预测滚筒负载状态正常时，停止调节转速。

技术总结
本发明实施例提供的一种基于机器学习的辣椒收获机滚筒转速控制方法，该方法包括采集弹齿滚筒辣椒收获机滚筒主轴上的扭矩信号，当前滚筒转速，将采集的扭矩信号输入进扭矩预测模型，预测下一时刻扭矩，通过力学模型得出下一时刻滚筒所受负载状况，调整滚筒转速直至滚筒的预测负载状况处于正常状态，采集弹齿安装板的振动信号，将振动信号输入进辣椒植株产量识别模型识别当前收获植株产量状况，按预设控制方法控制滚筒转速。本发明将改变弹齿滚筒辣椒机单一依靠人工控制滚筒转速的现状，使得其可以根据预测的滚筒所受负载和所收获辣椒植株的产量情况进行控制，保障滚筒负载状况始终处于正常负载，且有效提升采净率和降低破损率。率。率。


技术研发人员：雷金 张昕煜 秦新燕 王炳棚 程晨铭 翟志远 贾文兴
受保护的技术使用者：石河子大学
技术研发日：2023.06.02
技术公布日：2023/8/31