基于模糊pid算法的播种机自动化控制系统及方法

本技术涉及播种机，具体地，涉及一种基于模糊pid算法的播种机自动化控制系统及方法。

背景技术：

1、在现代农业中，播种机的控制系统是提升作物产量和质量的重要组成部分。播种深度直接影响作物的发芽率、根系生长及后续的作物生长。不适当的播种深度可能导致作物生长缓慢、发芽率低，甚至死亡。因此，精确控制播种深度对于确保作物健康生长至关重要。

2、然而，传统的播种机通常依赖于机械式或简单的电子控制系统，这些系统往往缺乏适应不同土壤条件的能力，难以实现播种深度的精确控制。也就是说，传统播种机在不同土壤条件下往往难以保持一致的播种深度，导致作物生长不均匀，进而影响整体农业生产效益。此外，机械磨损和操作者的技能差异也会影响播种质量。

3、因此，期望一种优化的播种机控制系统。

技术实现思路

1、提供该
技术实现要素：
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、第一方面，本技术提供了一种基于模糊pid算法的播种机自动化控制系统，所述系统包括：

3、播种深度时序数据采集模块，用于获取播种深度的时间队列；

4、播种深度误差多阶次数据计算模块，用于基于设定播种深度，计算所述播种深度的时间队列中的各个预定时间点的播种深度误差和误差变化率以得到播种深度误差的时间队列和误差变化率的时间队列；

5、播种深度误差多阶次时序特征提取模块，用于分别对所述播种深度误差的时间队列和所述误差变化率的时间队列进行时序编码以得到播种深度误差时序关联特征向量和误差变化率时序关联特征向量；

6、误差多阶次时序特征融合模块，用于将所述播种深度误差时序关联特征向量和所述误差变化率时序关联特征向量输入细粒度特征值关联性区分注意力融合单元以得到误差多阶次融合表示向量；

7、模糊控制结果生成模块，用于基于所述误差多阶次融合表示向量，生成模糊控制结果，所述模糊控制结果为积分调节因子、比例调节因子和微分调节因子；

8、控制信号计算模块，用于将所述积分调节因子、所述比例调节因子和所述微分调节因子输入pid控制器，并基于所述积分调节因子、所述比例调节因子和所述微分调节因子来计算控制信号。

9、可选地，所述播种深度误差多阶次时序特征提取模块，用于：将所述播种深度误差的时间队列和所述误差变化率的时间队列分别输入基于双向lstm模型的序列编码器以得到所述播种深度误差时序关联特征向量和所述误差变化率时序关联特征向量。

10、可选地，所述误差多阶次时序特征融合模块，包括：全域特征值关联矩阵计算单元，用于计算所述播种深度误差时序关联特征向量和所述误差变化率时序关联特征向量之间的全域特征值关联矩阵以得到播种深度误差多阶次全域特征值关联矩阵；门控函数计算单元，用于将所述播种深度误差多阶次全域特征值关联矩阵输入可学习的门控函数以得到播种深度误差多阶次相关性可区分权重矩阵；矩阵乘积计算单元，用于以所述播种深度误差多阶次相关性可区分权重矩阵作为融合掩码矩阵，分别计算所述播种深度误差时序关联特征向量和所述误差变化率时序关联特征向量与所述播种深度误差多阶次相关性可区分权重矩阵之间的矩阵乘积以得到区分强化播种深度误差时序关联特征向量和区分强化误差变化率时序关联特征向量；向量融合单元，用于融合所述区分强化播种深度误差时序关联特征向量和所述区分强化误差变化率时序关联特征向量以得到所述误差多阶次融合表示向量。

11、可选地，所述全域特征值关联矩阵计算单元，用于：计算所述播种深度误差时序关联特征向量的转置向量和所述误差变化率时序关联特征向量之间的向量乘法以得到所述播种深度误差多阶次全域特征值关联矩阵。

12、可选地，所述门控函数计算单元，用于：以所述播种深度误差多阶次全域特征值关联矩阵中的各个位置特征值的负数作为指数幂，计算以自然常数e为底的自然指数函数值以得到播种深度误差多阶次全域特征值关联类支持矩阵；计算所述播种深度误差多阶次全域特征值关联类支持矩阵中的各个位置特征值与常数1之和的倒数以得到播种深度误差多阶次全域特征值关联权重矩阵；计算所述播种深度误差多阶次全域特征值关联权重矩阵和所述播种深度误差多阶次全域特征值关联矩阵之间的按位置点乘以得到所述播种深度误差多阶次相关性可区分权重矩阵。

13、可选地，所述向量融合单元，用于：将所述区分强化播种深度误差时序关联特征向量和所述区分强化误差变化率时序关联特征向量进行级联处理以得到所述误差多阶次融合表示向量。

14、可选地，所述模糊控制结果生成模块，用于：将所述误差多阶次融合表示向量输入基于解码器的模糊控制器以得到所述积分调节因子、所述比例调节因子和所述微分调节因子。

15、第二方面，本技术提供了一种基于模糊pid算法的播种机自动化控制方法，所述方法包括：

16、获取播种深度的时间队列；

17、基于设定播种深度，计算所述播种深度的时间队列中的各个预定时间点的播种深度误差和误差变化率以得到播种深度误差的时间队列和误差变化率的时间队列；

18、分别对所述播种深度误差的时间队列和所述误差变化率的时间队列进行时序编码以得到播种深度误差时序关联特征向量和误差变化率时序关联特征向量；

19、将所述播种深度误差时序关联特征向量和所述误差变化率时序关联特征向量输入细粒度特征值关联性区分注意力融合单元以得到误差多阶次融合表示向量；

20、基于所述误差多阶次融合表示向量，生成模糊控制结果，所述模糊控制结果为积分调节因子、比例调节因子和微分调节因子；

21、将所述积分调节因子、所述比例调节因子和所述微分调节因子输入pid控制器，并基于所述积分调节因子、所述比例调节因子和所述微分调节因子来计算控制信号。

22、可选地，分别对所述播种深度误差的时间队列和所述误差变化率的时间队列进行时序编码以得到播种深度误差时序关联特征向量和误差变化率时序关联特征向量，包括：将所述播种深度误差的时间队列和所述误差变化率的时间队列分别输入基于双向lstm模型的序列编码器以得到所述播种深度误差时序关联特征向量和所述误差变化率时序关联特征向量。

23、可选地，将所述播种深度误差时序关联特征向量和所述误差变化率时序关联特征向量输入细粒度特征值关联性区分注意力融合单元以得到误差多阶次融合表示向量，包括：计算所述播种深度误差时序关联特征向量和所述误差变化率时序关联特征向量之间的全域特征值关联矩阵以得到播种深度误差多阶次全域特征值关联矩阵；将所述播种深度误差多阶次全域特征值关联矩阵输入可学习的门控函数以得到播种深度误差多阶次相关性可区分权重矩阵；以所述播种深度误差多阶次相关性可区分权重矩阵作为融合掩码矩阵，分别计算所述播种深度误差时序关联特征向量和所述误差变化率时序关联特征向量与所述播种深度误差多阶次相关性可区分权重矩阵之间的矩阵乘积以得到区分强化播种深度误差时序关联特征向量和区分强化误差变化率时序关联特征向量；融合所述区分强化播种深度误差时序关联特征向量和所述区分强化误差变化率时序关联特征向量以得到所述误差多阶次融合表示向量。

24、采用上述技术方案，通过采集播种深度的测量数据和播种目标深度之间在时序上的播种深度误差和误差变化率，并在后端引入基于人工智能和深度学习的数据处理和分析算法来对于该播种深度误差和误差变化率进行时序细粒度的协同关联分析，以此来学习并捕获到播种深度误差在播种时序上的多阶次动态融合特征，从而生成pid控制器的参数，包括积分调节因子、比例调节因子和微分调节因子。这样，可以调整播种深度，从而实现播种深度的一致性，并提升了播种机控制系统的自动化水平和智能化程度。

25、本技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。