一种自动配比与算法自适应切换的液肥变量施肥控制方法

本发明涉及农业施肥，具体来说，涉及一种自动配比与算法自适应切换的液肥变量施肥控制方法。

背景技术：

1、阀控液压马达变量施肥控制系统广泛应用于变量施肥机上，但由于控制系统本身具有的非线性和滞环性问题以及实际作业过程中受到的外界扰动等因素的综合作用下，需要搭配合适的控制算法才能够保证系统良好的作业效果，保证变量施肥作业具有良好的施肥精度。

2、目前采用的变量施肥控制方法主要是采用常规pid控制、模糊pid控制和神经网络优化pid控制等控制方法，但是单一算法下控制系统的作业场景具有局限性，不能很好适应实际复杂的作业环境，并且控制过程中未考虑到算法在实际作业时的适应性，导致了变量施肥机在实际作业过程中控制精度不高，施肥误差较大。

技术实现思路

1、为了解决现有技术中存在的问题，本发明在现有技术的基础上，提出一种自动配比与算法自适应切换的液肥变量施肥控制方法，能够实现液肥的自动配比，避免肥料的浪费，并保证变量施肥机在实际作业过程中受到外界扰动时仍具有优良的控制性能。

2、为了实现本发明的技术效果，本发明所采用的技术方案具体如下：

3、一种变量施肥方法，包括以下步骤：

4、s1、计算当前和下一个变量施肥单元地块的液肥施用体积：根据液肥变量施肥控制系统所搭载的施肥处方图中的施肥量信息f，得到当前和下一个变量施肥单元地块的氮素、磷素、钾素目标施肥重量mn1、mp1、mk1以及mn2、mp2、mk2，并分别计算得到当前地块和下一个地块的氮素、磷素、钾素液肥的施用体积大小qn1、qp1、qk1以及qn2、qp2、qk2；其中，处方图中存储的施肥量信息f用数据集表示，具体为：f＝{(mn1,mp1,mk1),(mn2,mp2,mk2),...,(mnm,mpm,mkm)}，m为变量施肥单元地块总数；

5、s2、对当前地块所需施用液肥进行自动配比以及输送：由于氮肥箱、磷肥箱、钾肥箱、清水箱液体出口处均设置有比例阀，根据各个比例阀模拟电流量信号大小与时间t1内箱体排出相应液体体积大小的数学关系式f(ia1,qn)、f(ia2,qp)、f(ia3,qk)、f(ia4,qw)对其进行控制，将当前地块所需施用氮、磷、钾液肥原液以及对应清水的体积量排入到第二储肥室，使肥料与清水充分混合，随后打开第二储肥室下方的管道开关，将配制好的液肥全部输送至第一储肥室；

6、s3、对下一个地块所需施用液肥进行自动配比以及输送：将初始地块的液肥输送到第一储肥室后，根据数学关系式f(ia1,qn)、f(ia2,qp)、f(ia3,qk)，对下一个地块的所需施用氮、磷、钾液肥原液以及相应量的清水进行配比混合并排入到第二储肥室，当检测到液肥变量施肥机进入下一个地块时排入第一储肥室，以将液肥施入相应地块；

7、s4、实时计算控制系统的目标施肥流量值和施肥流量误差：根据液肥变量施肥机的实际作业速度，结合第一储肥室中的待施入地块的液肥体积量，对当前系统的目标施肥流量值进行计算，计算公式具体如下：

8、

9、其中，q(t)为当前系统的目标施肥流量，单位为l/min；v(t)为施肥机的实际作业速度，单位为m/s；qn1、qp1、qk1分别为当前变量施肥地块的氮素、磷素、钾素目标施肥量，单位为l；qw1为当前变量施肥地块所需排入的清水量，单位为l；d为变量施肥单元地块的边长，单位为m；

10、施肥流量误差的计算公式具体如下：

11、e(t)＝q(t)-y(t)

12、其中，e(t)为当前系统的流量误差，单位为l/min；q(t)为当前系统的目标施肥流量，单位为l/min；y(t)为当前系统通过流量传感器测得的实际流量输出值，单位为l/min；

13、s5、选取系统的初始控制算法并计算扰动量大小：控制系统中搭载了两种不同的控制算法，分别为粒子群算法优化后rbf-pid控制算法和滑模控制算法smc，初始时刻系统采用粒子群算法优化后rbf-pid控制算法对第一储肥室下方的比例阀进行控制，同时，对当前控制系统的扰动量大小δq进行计算；

14、s6、根据扰动量大小对系统使用的控制算法进行切换：根据计算得到的扰动量大小δq进行判断，当扰动量时，系统采用滑模控制算法smc对第一储肥室下方的比例阀进行控制；当扰动量时，系统继续采用粒子群算法优化后的rbf-pid控制算法对第一储肥室下方的比例阀进行控制；

15、s7、控制系统目标施肥量信息的更新：施肥机根据gps模块判断当前所处的作业地块位置，当检测到作业地块发生改变时，更新控制系统的目标施肥重量mn、mp、mk，重复执行步骤s1～s5，直至变量施肥作业完成；当作业完成后，通过控制各个液肥箱以及清水箱下方的比例阀使箱内液体停止排出；

16、进一步地，所述步骤s1中氮素、磷素、钾素液肥施用体积大小的计算公式具体如下：

17、

18、其中，qn、qp、qk分别为变量施肥地块的氮素、磷素、钾素目标施肥量，单位为l；mn、mp、mk分别为变量施肥地块的氮素、磷素、钾素目标施肥重量，单位为kg；ωn、ωp、ωk分别为液体氮肥含氮量、液体磷肥含磷量、液体钾肥含钾量，单位为％；ρn、ρp、ρk分别为液体氮肥、液体磷肥、液体钾肥的原液密度，单位为kg/l；

19、进一步地，所述步骤s2中比例阀的数学关系式通过标定试验得到，具体步骤如下：

20、s2-1、根据比例阀模拟电流值信号范围大小，等间距取10个模拟电流值，向比例阀由小到大依次输入上述10个电流信号值，同时用量筒分别测量时间t1内比例阀排出的液体氮肥、液体磷肥、液体钾肥和清水的体积大小，每个测量点重复三次取平均值，分别记录下每个电流信号值下相应排出的液体体积值；

21、s2-2、考虑到比例阀存在滞环，向比例阀由大到小依次输入上述10个电流信号值，同时用量筒测量时间t1内比例阀排出的液体体积大小，每个测量点重复三次取平均值，分别记录下每个电流信号值下排出的液体体积值；

22、s2-3、分别以上述步骤得到的电流信号值、液体体积值为横、纵坐标，采用一次线性曲线对数据点进行拟合，得到各个比例阀模拟电流量信号大小与时间t1内液肥箱排出氮肥、磷肥、钾肥原液和清水体积的数学关系式f(ia1,qn)、f(ia2,qp)、f(ia3,qk)和f(ia4,qw)；

23、进一步地，所述步骤s2中的时间t1要求如下：

24、

25、其中，t1为测量时间，单位为s；d为变量施肥单元地块的边长，单位为m；vmax为作业过程中施肥机的最大行进速度，单位为m/s；

26、所述步骤s2中注入清水的体积qw的计算公式为：

27、qw＝c1qn+c2qp+c3qk

28、其中，qw为排出清水的体积量，单位为l；c1、c2、c3分别为氮肥、磷肥、钾肥原液的稀释倍数，均为常数；

29、进一步地，所述步骤s4中系统扰动量δq的计算公式具体如下：

30、

31、其中，δq为系统扰动量，单位为l/min；σt为总采样时间，单位为s；t2为施肥机经过变量施肥单元地块所用时间，单位为s；q1、q2、qn分别为第一个、第二个、第n个采样时间内测得的瞬时流量值，单位为l/min；t1、t2、tn分别为第一个、第二个、第n个采样时间，单位为s；且要求：

32、

33、其中，ts为设定的采样时长，单位为s；d为变量施肥单元地块的边长，单位为m；v为当前施肥机行进速度，单位为m/s；

34、进一步地，所述s5中滑模控制算法smc的具体过程如下：

35、s5-1、推导阀控液压马达变量施肥系统的平衡方程，并去除高阶微分项，具体如下：

36、

37、其中，qb为液肥泵输出的液肥流量大小，单位为l/min；db为液肥泵的排量大小，单位为ml/r；η为液肥泵的容积效率；ω为液压马达的转速大小，单位为rad/s；kq为阀控液压马达系统的流量增益，单位为m3·s-1·v-1；xv为比例阀的阀芯位移大小，单位为m；dm为液压马达的排量，单位为m3/rad；ωv为阀的固有频率，单位为rad/s；εv为阀的阻尼比；u为给比例阀输入的控制电压大小，单位为v；

38、s5-2、实时获取系统当前的目标施肥流量q(t)并计算系统实时流量误差e(t)，通过上述阀控液压马达变量施肥系统的平衡方程，计算出当前系统的滑模面函数，具体如下：

39、

40、其中，s为滑模面函数；c为大于0的常数；t为时间，单位为s；e(t)为系统流量误差，单位为l/min；

41、s5-3、确定滑模趋近律：

42、

43、其中，a、p均为大于0的常数；

44、s5-4、根据推导出的的控制电压表达方程式计算当前系统应当给比例阀输入的控制电压值，实现滑模控制算法smc对比例阀的控制；方程式具体如下：

45、

46、s5-5、重复执行步骤s5-2～s5-4，直至系统切换为另一种控制算法或完成变量施肥作业；

47、进一步地，所述步骤s5中粒子群算法优化rbf-pid控制的具体过程如下：

48、s5-a、搭建变量施肥控制系统仿真模型，设定粒子群算法中的粒子总数量为50，最大迭代次数n＝100，初始时刻各个粒子的位置矩阵和速度矩阵采用随机赋值；将待优化的rbf神经网络中的网络结构参数值编码为粒子群算法中的初始粒子位置，具体如下：

49、p＝[c1,b1,ω1，c2,b2，ω2，...,c6,b6,ω6]

50、其中，p为粒子的初始位置矩阵，c1、c2、...、c6均为rbf神经网络的隐藏层节点中心值，b1、b2、...、b6均为网络隐藏层节点宽度值，ω1、ω2、...、ω6均为网络输出层权值；

51、将各个粒子的初始位置矩阵分别代入rbf-pid控制模型中进行单位阶跃响应仿真，设定仿真时间为2s；

52、s5-b、仿真完成后，以下式为粒子群算法优化效果的评价指标，计算初始时各个粒子的评价指标值；

53、

54、其中，t3为仿真时长，单位为s；t为仿真时间，单位为s；r为单位阶跃目标值，r＝1；y为系统实际输出值；

55、s5-c、根据各个粒子的评价指标的好坏，更新各个粒子的位置和速度，具体如下：并将更新后各个粒子的位置矩阵重新代入到rbf-pid模型中，得到更新后的评价指标值；

56、

57、其中，p(t+1)为t+1时刻粒子的位置矩阵，p(t)为t时刻粒子的位置矩阵，w(t)为粒子的惯性权值，v(t+1)为t+1时刻粒子的速度矩阵，v(t)为t时刻粒子的速度矩阵，pb(t)为同一个粒子在从仿真开始到t时刻内找到的个体最优位置矩阵，gb(t)为所有粒子在从仿真开始到t时刻内找到的全局最优位置矩阵，k1、k2均为常数，r1、r2为0～1之间的随机数；

58、惯性权值随着迭代次数的进行相应改变，具体如下：

59、

60、其中，w(t)为t时刻的惯性权值，n为粒子群算法当前迭代次数，n为最大迭代次数，wmax为设置的最大权值，wmin为设置的最小权值；

61、s5-d、将更新后各个粒子的位置矩阵重新代入到rbf-pid模型中，得到更新后的评价指标值，并更新粒子群算法中的全局最优位置矩阵和各个粒子的最优位置矩阵，跳转至步骤s5-c继续迭代过程；

62、s5-e、重复执行步骤s5-c～s5-d，直到当前迭代次数n等于最大迭代次数n为止；返回此时得到的群体最优位置矩阵gb(t)，将该矩阵中的相应参数代回rbf神经网络，即可完成粒子群优化过程；

63、进一步地，所述步骤s5中粒子群算法优化后rbf-pid控制算法的具体过程如下：

64、s5-a、初始化网络参数，将粒子群算法得到的群体最优位置矩阵gb(t)分解，将其中优化后的隐藏层节点中心值c、隐藏层节点宽度值b、网络输出层权值w代入到rbf神经网络中；

65、s5-b、采集施肥控制系统当前时刻的控制电压和系统实际流量输出值，并将前后两次控制电压差δu、实际流量输出值y、流量偏差值e组成输入向量x，x＝[δu(t),y(t),e(t)]，将向量x作为rbf神经网络输入信号，并计算网络的输出如下：

66、

67、其中，ym为网络的流量辨识输出，单位为l/min；x＝[δu(t),y(t),e(t)]，δu为前后两次控制电压差，单位为v；y为当前系统通过流量传感器测得的实际流量输出值，单位为l/min；e为流量偏差值，单位为l/min；cj为粒子群算法优化后的隐藏层节点中心值，bj为粒子群算法优化后的隐藏层节点宽度值；

68、s5-c、根据网络输出结果更新pid参数

69、

70、其中，kp、ki、kd分别为pid控制的比例系数、微分系数、积分系数；ηp、ηi、ηd分别为比例系数、微分系数和积分系数的学习率，均为常数；δu为前后两次控制电压差，单位为v；e(t)为当前时刻的液肥流量误差，单位为l/min；e(t-1)为前一个时刻的液肥流量误差，单位为l/min；e(t-2)为前两次时刻的液肥流量误差，单位为l/min；

71、s5-d、按照下式计算当前时刻系统的控制电压，并通过控制系统将其输出；

72、

73、其中，u为当前时刻系统应当输出的控制电压大小，单位为v；

74、s5-e、按照下式更新网络参数值：

75、

76、其中，cj0、bj0、ωj0分别为rbf神经网络初始时刻的隐藏层节点中心值、隐藏层节点宽度值、输出层权值；η为网络学习率，0<η<1；y为系统的实际输出流量，单位为l/min；ym为神经网络的辨识流量，单位为l/min；

77、s5-f、重复执行步骤s5-b～s5-e，直至系统切换为另一种控制算法或完成变量施肥作业；

78、进一步地，所述液肥变量施肥控制系统中包括以下关键部件：

79、液肥箱，液肥箱总共有三个，分别为液体氮肥箱、液体磷肥箱、液体钾肥箱，液肥箱下方设置有液肥出口，能够保证液肥的顺畅排出；

80、清水箱，清水箱中储存有足够量的清水，箱体下方设置有液体出口，能够保证其中清水的顺利排出；

81、比例阀，比例阀总共有4个，分别安装在各个液肥箱和清水箱的出口处，控制排出的液体体积大小，所用的比例阀反馈信号类型为模拟电流信号；

82、第二储肥室，用于将相应量的液肥和清水在其中混合配比，同时起到提前储存下一个施肥地块所需液肥的作用；

83、第一储肥室，用于储存当前地块所需施用的液肥，并通过管道直接与液肥泵相连；

84、阀控液压马达系统，用于给液肥泵提供动力，其中比例阀输入信号为电压信号，液压马达输出轴通过刚性联轴器与液肥泵相连接；

85、液肥泵，用于排出第一储肥室中的液肥；

86、流量传感器，用于检测系统实时输出流量，安装于液肥泵出口处；

87、与现有技术相比，本发明的有益效果如下：

88、本发明采用液肥自动配比的变量施肥技术，在施肥作业的同时根据施肥处方图进行液肥的精量配比，即配即施，能够保证施肥作业效率的同时有效减少了液肥的浪费；

89、本发明当系统扰动量大时采用滑模控制算法smc进行控制，利用滑模控制对系统的外部扰动和不确定参数不敏感的特点，解决了大扰动下系统的施肥精度低的问题，提高了系统的适应性；当系统扰动量小时采用粒子群优化的rbf-pid控制算法进行控制，提高了系统的非线性控制性能，确保液肥变量施用的精度。