【技术实现步骤摘要】
本专利技术涉及智能控制，具体为一种基于机器学习的旋耕机参数智能调控系统及方法。
技术介绍
1、旋耕机是一种应用地域广的耕整地机械，与传统工具相比，旋耕机一次作业就可以完成传统的犁、耙、耪、平等作业工序，降低了拖拉机的进地次数，减少了对土地的挤压，同时提高了工作效率；然而旋耕机工作过程中的运行参数往往通过人工不断调节，无法智能调节旋耕机的运行状态，难以保证调节结果的准确性。
2、公开号为cn117148741a的中国专利技术专利申请，介绍了一种轴承加工参数智能调控方法及系统，通过交互待加工轴承信息和加工设备信息，输入轴承切削加工的数字化模型配置切割控制参数和映射辅助参数，进行轴承加工控制并接收反馈监测信息，结合映射辅助参数确定数据偏移结果并输入初始化的优化模型，输出优化控制结果进行加工控制，提高了加工控制精确度并保障轴承加工质量，但通过设定的映射辅助参数分析反馈的监测信息是否出现偏移，根据分析结果判断是否进行参数调控，无法保证分析结果的准确性，难以实现参数调控的智能化。
技术实现思路
1、（一）解决的技术问题
2、为解决
技术介绍
中出现的不足，本专利技术提供了一种基于机器学习的旋耕机参数智能调控系统及方法，提供了旋耕机异常状态的判定速度和精度，实现旋耕机参数的智能调控。
3、（二）技术方案
4、一种基于机器学习的旋耕机参数智能调控方法，包括以下步骤：
5、s1、设定参数数据采集时间点集以及旋耕机运行参数类别集，根据参数数据采集
6、s2、对所述旋耕机实时运行参数数据矩阵中的旋耕机实时运行参数数据进行数值处理，生成旋耕机标准实时运行参数数据；
7、s3、收集旋耕机历史运行参数数据，并构建最终随机森林模型；
8、s4、通过最终随机森林模型对所述旋耕机标准实时运行参数数据进行识别分类，生成旋耕机异常运行参数数据；
9、s5、依据所述旋耕机异常运行参数数据判定旋耕机是否处于异常运行状态；
10、s6、当旋耕机处于异常运行状态时，通过智能优化算法对旋耕机实时运行参数数据进行调优，得到调优后的旋耕机运行参数数据；
11、s7、基于调优后的旋耕机运行参数数据构建旋耕机运行参数调控数据，并执行旋耕机运行参数智能调控作业。
12、本专利技术通过对采集的旋耕机实时运行参数数据进行均值处理，生成旋耕机标准实时运行参数数据，确保获取数据的准确性，避免单一数据所带来的误差；通过收集旋耕机历史运行参数数据作为数据样本集，构建最终随机森林模型，为随机森林模型的构建提供了可靠的数据，保证了最终随机森林模型的准确性；通过最终随机森林模型对所述旋耕机标准实时运行参数数据进行识别分类，生成旋耕机异常运行参数数据，实现异常数据的快速识别，同时提高了识别的速度和精度；通过统计所述旋耕机异常运行参数数据的数量，计算旋耕机实时状态异常值，并分析旋耕机实时状态异常值的数值大小判定旋耕机是否处于异常运行状态，确保判定结果的精确性；采用多元宇宙算法对旋耕机运行参数进行优化，具有较好的寻优效果且寻优过程的效率较高；通过科学构建旋耕机运行参数调控数据，高效执行旋耕机运行参数智能调控作业，实现旋耕机实时运行状态的精准控制和调节。
13、优选的，设定参数数据采集时间点集以及旋耕机运行参数类别集，根据参数数据采集时间点集以及旋耕机运行参数类别集对旋耕机工作过程中的运行参数数据进行实时采集，得到旋耕机实时运行参数数据矩阵的具体步骤如下：
14、s11、设定参数数据采集周期，将所述参数数据采集周期进行均匀划分，得到参数数据采集时间点集，其中，表示第个参数数据采集时间点，表示参数数据采集时间点的总个数；
15、s12、设定旋耕机运行参数类别集，其中，表示第类旋耕机运行参数，表示旋耕机运行参数类别的总个数；
16、s13、根据所述参数数据采集时间点集以及所述旋耕机运行参数类别集对旋耕机工作过程中的运行参数数据进行实时采集，得到旋耕机实时运行参数数据矩阵如下：
17、
18、其中，表示旋耕机在第个参数数据采集时间点的第类实时运行参数数据。
19、优选的，对所述旋耕机实时运行参数数据矩阵中的旋耕机实时运行参数数据进行数值处理，生成旋耕机标准实时运行参数数据的具体步骤如下：
20、s21、采用均值公式对所述旋耕机实时运行参数数据矩阵中的旋耕机实时运行参数数据进行平均数值计量处理，生成旋耕机标准实时运行参数数据集，其中，表示第类旋耕机运行参数的标准实时运行参数数据，且。
21、本专利技术通过对采集的旋耕机实时运行参数数据进行均值处理，生成旋耕机标准实时运行参数数据，确保获取数据的准确性，避免单一数据所带来的误差。
22、优选的，收集旋耕机历史运行参数数据，并构建最终随机森林模型的具体步骤如下：
23、s31、收集旋耕机历史运行参数数据作为数据样本集；
24、s32、设定训练数据比例为以及测试数据比例为，根据所述训练数据比例和所述测试数据比例对所述数据样本集进行数据划分，分别得到训练数据样本集和测试数据样本集；
25、s33、采用无权重抽样法对所述训练数据样本集进行次随机抽样，得到个训练数据样本子集，每个训练数据样本子集内的训练数据样本数量相同；
26、s34、构建个初始决策树模型，每个训练数据样本子集训练一个初始决策树模型，得到个训练好的决策树模型，将所有训练好的决策树模型组合在一起构成初始随机森林模型；决策树的训练过程如下：
27、s341、将训练数据样本子集中的各个训练数据样本作为初始决策树模型的根节点；
28、s342、采用c4.5算法对初始决策树模型的根节点进行分裂，生成子节点，再将生成的子节点作为根节点重新进行分裂，直到不再生成新的子节点，结束操作，得到训练好的决策树模型；根节点的分裂过程如下：
29、s3421、设定信息增益率阈值；
30、s3422、计算初始决策树模型根节点中的各个旋耕机历史运行参数数据的信息增益率；
31、若计算出的任意一个信息增益率大于或者等于信息增益率阈值，则将计算出的所有信息增益率从大到小进行排列，根据信息增益率最大的旋耕机历史运行参数数据对初始决策树模型根节点进行分裂；
32、若计算出的所有信息增益率均小于信息增益率阈值，则停止节点分裂；
33、s35、设定初始随机森林模型的准确度阈值，通过测试数据样本集对初始随机森林模型进行测试并计算测试结果的准确度，若测试结果的准确度大于或者等于初始随机森林模型的准确度阈值，则将所述初始随机森林模型作为最终随机森林模型；否则，调节初始随机森林模型的参数，并重复s33至s35中的操作，直至计算得到的测试结果的准确度大于或者等于初始随机森林本文档来自技高网...
【技术保护点】
1.一种基于机器学习的旋耕机参数智能调控方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述S1包括以下步骤：
3.根据权利要求2所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述S2包括以下步骤：
4.根据权利要求3所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述S3包括以下步骤：
5.根据权利要求4所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述S4包括以下步骤：
6.根据权利要求5所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述S5包括以下步骤：
7.根据权利要求6所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述通过分析旋耕机实时状态异常值的数值大小判定旋耕机是否处于异常运行状态包括以下步骤：
8.根据权利要求7所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述S6包括以下步骤：
9.根据权利要求8所述的一种基于机器学习的旋耕
10.一种实现如权利要求1-9中任一项所述的基于机器学习的旋耕机参数智能调控方法的系统，包括旋耕机运行参数数据采集模块、旋耕机运行参数数据处理模块、最终随机森林构建模块、旋耕机异常运行参数数据识别模块、旋耕机异常运行状态判定模块以及旋耕机运行参数调优模块。
...【技术特征摘要】
1.一种基于机器学习的旋耕机参数智能调控方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述s1包括以下步骤：
3.根据权利要求2所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述s2包括以下步骤：
4.根据权利要求3所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述s3包括以下步骤：
5.根据权利要求4所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述s4包括以下步骤：
6.根据权利要求5所述的一种基于机器学习的旋耕机参数智能调控方法，其特征在于，所述s5包括以下步骤：
7....
【专利技术属性】
技术研发人员：罗静杰，吴光文，慎孙杰，王敏，顾杰，骆鸣，
申请(专利权)人：湖州丰源农业装备制造有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。