滑转率预测模型的训练方法及滑转率的预测方法

本申请属于滑转率测量,具体涉及一种滑转率预测模型的训练方法、滑转率的预测方法、电子设备及可读存储介质。
背景技术:
1、在田间作业中,移动装置的驱动轮通常会出现滑转现象。若驱动轮过度滑转,则会降低田间作业效率,造成轮胎磨损,能源消耗的问题,同时也会影响作物生产。因此,在作业过程中需要实时准确地测量滑转率,从而将滑转率控制在合理区间内。
2、相关技术通过传感器测量驱动轮转速,例如,编码器传感器、光电式传感器、霍尔式传感器、磁电式传感器等,通过相应技术测量移动装置车身速度,例如,全球导航卫星系统(gnss,global navigation satellite system)、雷达、机器视觉等,最后,基于驱动轮转速和车身速度计算得到移动装置的滑转率。相关技术通过单一传感器测量驱动轮转速,从而基于驱动轮转速和移动装置车身速度进行计算,得到移动装置的滑转率。
3、相关技术采用单一传感器计算驱动轮转速的方式,在测量过程中容易出现测量信号受到噪音干扰和信号丢失的问题,从而导致滑转率测量的准确率较低。
技术实现思路
1、本申请实施例的目的是提供一种滑转率预测模型的训练方法、滑转率的预测方法、电子设备及可读存储介质,能够解决现有单一传感器测量滑转率的准确率低的问题。
2、为了解决上述技术问题,本申请是这样实现的:
3、第一方面,本申请实施例提供了一种滑转率预测模型的训练方法,所述方法包括:
4、获取移动装置的样本工作参数;
5、根据所述移动装置的样本工作参数,计算所述移动装置的标定滑转率,得到由所述样本工作参数和所述标定滑转率的对应关系构成的样本数据;
6、获取具有不同结构的多个深度学习模型,以及每个所述深度学习模型包括的多个初始参数,并基于遗传算法从每个所述深度学习模型包括的所述多个初始参数中确定目标参数;
7、将所述目标参数配置在对应的所述深度学习模型中后,利用所述样本数据中的训练数据训练各个所述深度学习模型,并获得与每个所述深度学习模型对应的训练指标;
8、根据所述训练指标,从多个训练好的所述深度学习模型中选择一个作为滑转率预测模型。
9、第二方面,本申请实施例提供了一种滑转率的预测方法,所述方法包括:
10、获取工作参数;
11、将所述工作参数输入到滑转率预测模型中,得到滑转率;所述滑转率预测模型通过上述第一方面所述滑转率预测模型的训练方法训练得到;
12、其中,所述工作参数包括:移动装置的第一速度和移动装置的第二速度融合得到的移动装置的实际速度、移动装置的加速度、移动装置的俯仰角、移动装置的侧倾角、移动装置的耕深以及移动装置的阻力中的一种或多种。
13、在本申请实施例中,通过获取由移动装置的样本工作参数和标定滑转率的对应关系构成的样本数据,并获取具有不同结构的多个深度学习模型,基于遗传算法从每个深度学习模型包括的多个初始参数确定目标参数,将目标参数配置在对应的深度学习模型中,然后利用样本数据中的训练数据训练各个深度学习模型,并根据训练指标,从多个训练好的深度学习模型中选择一个作为滑转率预测模型。由于滑转率可以基于滑转率预测模型得到,与相关技术采用单一传感器测量驱动轮转速,从而基于驱动轮转速和移动装置车身速度计算,得到移动装置的滑转率相比,不受单一传感器测量信号受到噪音干扰和信号丢失问题的影响,可以提高滑转率测量的准确率。
14、上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
技术特征:
1.一种滑转率预测模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的训练方法,其特征在于,所述移动装置的样本工作参数包括:所述移动装置的第一速度、所述移动装置的第二速度以及所述移动装置的第三速度;所述移动装置的第一速度是由拍摄设备测得的速度值、所述移动装置的第二速度是由全球卫星导航系统测得的速度值,所述移动装置的第三速度是由安装在车轮上的多齿码盘和接近开关测得的速度值;
3.根据权利要求2所述的训练方法,其特征在于,所述获取移动装置的样本工作参数,包括:
4.根据权利要求2所述的训练方法,其特征在于,所述移动装置是拖拉机;在所述通过将所述移动装置的第一速度和所述移动装置的第二速度输入到滤波器中,得到移动装置的实际速度之前,所述方法还包括:
5.根据权利要求1所述的训练方法,其特征在于,所述方法还包括:
6.根据权利要求1所述的训练方法,其特征在于,所述基于遗传算法从每个所述深度学习模型包括的所述多个初始参数中确定目标参数,包括:
7.根据权利要求1所述的训练方法,其特征在于,所述样本数据还包括测试数据;
8.一种滑转率的预测方法,其特征在于,包括:
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-8中任一项所述的方法。
10.一种可读存储介质,其特征在于,当所述可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如方法权利要求1-8中任一项所述的方法。
技术总结
本申请提供了一种滑转率预测模型的训练方法及滑转率的预测方法,属于滑转率测量技术领域。通过获取移动装置的样本工作参数;根据样本工作参数,计算标定滑转率,得到由样本工作参数和标定滑转率的对应关系构成的样本数据;基于遗传算法从每个深度学习模型包括的多个初始参数中确定目标参数;将目标参数配置在对应的深度学习模型中后,利用样本数据中的训练数据训练各个深度学习模型;根据训练指标,从多个训练好的深度学习模型中选择一个作为滑转率预测模型。基于滑转率预测模型测量滑转率,可以提高滑转率测量的准确率。
技术研发人员:张硕,罗岩青,弓寒冬,陈雨,贾磊,陈军
受保护的技术使用者:西北农林科技大学
技术研发日:
技术公布日:2024/11/18
技术研发人员:张硕,罗岩青,弓寒冬,陈雨,贾磊,陈军
技术所有人:西北农林科技大学
备 注:该技术已申请专利,仅供学习研究,如用于商业用途,请联系技术所有人。
声 明 :此信息收集于网络,如果你是此专利的发明人不想本网站收录此信息请联系我们,我们会在第一时间删除
