地址130118吉林省長(zhǎng)春市新城大街2888號(hào)侯麗新顧洪軍武敏唐一佳代理有限公司23211耕深調(diào)控系統(tǒng)所存在的大多依賴(lài)于固定的控制所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法、(深度學(xué)習(xí))模型化否預(yù)期效果是EyDL可視化調(diào)控技術(shù)21.基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法，其特征在于，所述方法包括以下步驟：步驟S1:獲取實(shí)時(shí)采集的拖拉機(jī)耕作數(shù)據(jù)；所述拖拉機(jī)耕作數(shù)據(jù)包括拖拉機(jī)下拉桿角度數(shù)據(jù)、拖拉機(jī)車(chē)身姿態(tài)數(shù)據(jù)及地形數(shù)據(jù)；對(duì)拖拉機(jī)耕作數(shù)據(jù)進(jìn)行預(yù)處理，獲得多維時(shí)間序列數(shù)據(jù)；步驟S2:將多維時(shí)間序列數(shù)據(jù)輸入耕深預(yù)測(cè)模型，獲得耕深預(yù)測(cè)結(jié)果；步驟S3:將耕深預(yù)測(cè)結(jié)果作為給定耕作深度，采用控制模塊計(jì)算調(diào)控指令；所述調(diào)控指令用于對(duì)耕作機(jī)具的角度和懸掛系統(tǒng)的升降進(jìn)行調(diào)節(jié)，從而按照給定耕作深度執(zhí)行耕作作步驟S4:獲取實(shí)時(shí)采集的真實(shí)耕作深度數(shù)據(jù)；采用控制模塊根據(jù)真實(shí)耕作深度數(shù)據(jù)與給定耕作深度的偏差，調(diào)整調(diào)控指令，完成給定耕作深度的自適應(yīng)調(diào)節(jié)。2.根據(jù)權(quán)利要求1所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法，其特征在于，所述耕深預(yù)測(cè)模型為BOA-TCN-Transformer-LSTM模型；所述BOA-TCN-Transformer-LSTM模型為采用貝葉斯優(yōu)化算法對(duì)TCN-Transformer-3.根據(jù)權(quán)利要求1所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法，其特征在于，所述控制模塊包括融合RL策略網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的PID控制模塊；所述融合RL策略網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的PID控制模塊為雙層控制架構(gòu)，包括底層控制層和上層優(yōu)化層；底層控制層為基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器，用于實(shí)時(shí)計(jì)算液壓系統(tǒng)的控制量，輸出調(diào)控指令至液壓系統(tǒng)的執(zhí)行機(jī)構(gòu)，確?？焖夙憫?yīng)耕深偏差；上層為強(qiáng)化學(xué)習(xí)RL策略網(wǎng)絡(luò)，用于通過(guò)分析液壓系統(tǒng)的耕深誤差，動(dòng)態(tài)優(yōu)化PID控制器參數(shù)和調(diào)整BP神經(jīng)網(wǎng)絡(luò)權(quán)重，提升全局適應(yīng)性。4.基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置，其特征在于，所述裝置包括以下模塊：模塊S1:獲取實(shí)時(shí)采集的拖拉機(jī)耕作數(shù)據(jù)；所述拖拉機(jī)耕作數(shù)據(jù)包括拖拉機(jī)下拉桿角度數(shù)據(jù)、拖拉機(jī)車(chē)身姿態(tài)數(shù)據(jù)及地形數(shù)據(jù)；對(duì)拖拉機(jī)耕作數(shù)據(jù)進(jìn)行預(yù)處理，獲得多維時(shí)間序列數(shù)據(jù)；模塊S2:將多維時(shí)間序列數(shù)據(jù)輸入耕深預(yù)測(cè)模型，獲得耕深預(yù)測(cè)結(jié)果；模塊S3:將耕深預(yù)測(cè)結(jié)果作為給定耕作深度，采用控制模塊計(jì)算調(diào)控指令；所述調(diào)控指令用于對(duì)耕作機(jī)具的角度和懸掛系統(tǒng)的升降進(jìn)行調(diào)節(jié)，從而按照給定耕作深度執(zhí)行耕作作模塊S4:獲取實(shí)時(shí)采集的真實(shí)耕作深度數(shù)據(jù)；采用控制模塊根據(jù)真實(shí)耕作深度數(shù)據(jù)與給定耕作深度的偏差，調(diào)整調(diào)控指令，完成給定耕作深度的自適應(yīng)調(diào)節(jié)。5.基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控系統(tǒng)，其特征在于，所述系統(tǒng)包括采集裝置、液壓系統(tǒng)以及權(quán)利要求4所述基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置；所述采集裝置用于實(shí)時(shí)采集拖拉機(jī)耕作數(shù)據(jù)和真實(shí)耕作深度數(shù)據(jù)；所述基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置用于根據(jù)實(shí)時(shí)采集的拖拉機(jī)耕作數(shù)據(jù)和所述液壓系統(tǒng)用于根據(jù)調(diào)控指令對(duì)耕作機(jī)具的角度和懸掛系統(tǒng)的升降進(jìn)行調(diào)節(jié)，從而按照給定耕作深度執(zhí)行耕作作業(yè)。36.根據(jù)權(quán)利要求5所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控系統(tǒng)，其特征在于，所述系統(tǒng)還包括：模式切換模塊、報(bào)警提示模塊以及操作界面模塊；所述模式切換模塊用于進(jìn)行手動(dòng)模式和自動(dòng)模式的切換；在手動(dòng)模式下，由駕駛員手動(dòng)調(diào)整耕作深度；在自動(dòng)模式下，由基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置完成給定耕作深度的自適應(yīng)調(diào)節(jié)；所述報(bào)警提示模塊用于在拖拉機(jī)執(zhí)行耕作作業(yè)發(fā)生異常時(shí)，發(fā)出報(bào)警信息，提醒駕駛員采取相應(yīng)的措施；所述操作界面模塊用于與駕駛員進(jìn)行人機(jī)交互，包括顯示當(dāng)前耕作深度、顯示報(bào)警信息以及設(shè)置耕作深度的目標(biāo)值。7.一種拖拉機(jī)，其特征在于，所述拖拉機(jī)包括權(quán)利要求5或6所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控系統(tǒng)。8.一種計(jì)算機(jī)設(shè)備，包括：處理器和存儲(chǔ)器，其特征在于，所述存儲(chǔ)器用于存儲(chǔ)所述處理器的可執(zhí)行指令，所述處理器配置為經(jīng)由執(zhí)行所述可執(zhí)行指令來(lái)執(zhí)行權(quán)利要求1-3任意一項(xiàng)所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法。9.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序運(yùn)行時(shí)，執(zhí)行權(quán)利要求1-3任意一項(xiàng)所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法。10.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，其特征在于，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1-3任意一項(xiàng)所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法的步驟。4基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法、裝置及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及智能化農(nóng)業(yè)機(jī)械技術(shù)領(lǐng)域，尤其涉及耕作深度的自適應(yīng)調(diào)節(jié)。背景技術(shù)[0002]在現(xiàn)代化農(nóng)業(yè)中，拖拉機(jī)作為主要的耕作機(jī)械，其耕作深度和均勻性對(duì)農(nóng)作物的生長(zhǎng)和產(chǎn)量具有重要影響。然而，傳統(tǒng)的拖拉機(jī)耕深控制大多依賴(lài)于手動(dòng)調(diào)節(jié)，這種方式存在諸多不足。首先，手動(dòng)調(diào)節(jié)需要操作者根據(jù)經(jīng)驗(yàn)判斷并手動(dòng)調(diào)整耕深調(diào)節(jié)手柄，這不僅增加了操作者的勞動(dòng)強(qiáng)度，還可能導(dǎo)致耕深不穩(wěn)定和不均勻。其次，手動(dòng)調(diào)節(jié)往往難以達(dá)到理想的耕作深度，從而影響耕作質(zhì)量和效率。[0003]為了解決上述問(wèn)題，本領(lǐng)域技術(shù)人員進(jìn)行了大量的研究和探索。其中，基于液壓系統(tǒng)的耕深調(diào)控技術(shù)因其響應(yīng)速度快、控制精度高等優(yōu)點(diǎn)而備受關(guān)注。然而，現(xiàn)有的液壓耕深調(diào)控系統(tǒng)大多依賴(lài)于固定的控制參數(shù)，無(wú)法根據(jù)拖拉機(jī)車(chē)身姿態(tài)及地形等實(shí)時(shí)變化的信息進(jìn)行動(dòng)態(tài)調(diào)整，從而限制了其在實(shí)際應(yīng)用中的性能和效果。發(fā)明內(nèi)容[0004]本發(fā)明提出了基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法、裝置及系統(tǒng)，解決了現(xiàn)有的液壓耕深調(diào)控系統(tǒng)所存在的大多依賴(lài)于固定的控制參數(shù)，無(wú)法根據(jù)拖拉機(jī)車(chē)身姿態(tài)及地形等實(shí)時(shí)變化的信息進(jìn)行動(dòng)態(tài)調(diào)整，從而限制了其在實(shí)際應(yīng)用中的性能和效果的問(wèn)題。[0005]本發(fā)明所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法，所述方法包括以下步驟：步驟S1:獲取實(shí)時(shí)采集的拖拉機(jī)耕作數(shù)據(jù)；所述拖拉機(jī)耕作數(shù)據(jù)包括拖拉機(jī)下拉桿角度數(shù)據(jù)、拖拉機(jī)車(chē)身姿態(tài)數(shù)據(jù)及地形數(shù)據(jù)；對(duì)拖拉機(jī)耕作數(shù)據(jù)進(jìn)行預(yù)處理，獲得多維時(shí)間序列數(shù)據(jù)；步驟S2:將多維時(shí)間序列數(shù)據(jù)輸入耕深預(yù)測(cè)模型，獲得耕深預(yù)測(cè)結(jié)果；步驟S3:將耕深預(yù)測(cè)結(jié)果作為給定耕作深度，采用控制模塊計(jì)算調(diào)控指令；所述調(diào)控指令用于對(duì)耕作機(jī)具的角度和懸掛系統(tǒng)的升降進(jìn)行調(diào)節(jié)，從而按照給定耕作深度執(zhí)行耕作作業(yè)；步驟S4:獲取實(shí)時(shí)采集的真實(shí)耕作深度數(shù)據(jù)；采用控制模塊根據(jù)真實(shí)耕作深度數(shù)據(jù)與給定耕作深度的偏差，調(diào)整調(diào)控指令，完成給定耕作深度的自適應(yīng)調(diào)節(jié)。[0006]進(jìn)一步的，提供一個(gè)優(yōu)選實(shí)施方式，所述耕深預(yù)測(cè)模型為BOA-TCN-Transformer-所述BOA-TCN-Transformer-LSTM模型為采用貝葉斯優(yōu)化算法對(duì)TCN-Transformer-LSTM模型進(jìn)行自動(dòng)化調(diào)參，搜索到最優(yōu)超參數(shù)配置后獲得。[0007]進(jìn)一步的，提供一個(gè)優(yōu)選實(shí)施方式，所述控制模塊包括融合RL策略網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的PID控制模塊；所述融合RL策略網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的PID控制模塊為雙層控制架構(gòu)，包括底層控制層和上層優(yōu)化層；5底層控制層為基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器，用于實(shí)時(shí)計(jì)算液壓系統(tǒng)的控制量，輸出調(diào)控指令至液壓系統(tǒng)的執(zhí)行機(jī)構(gòu)，確?？焖夙憫?yīng)耕深偏差；上層為強(qiáng)化學(xué)習(xí)RL策略網(wǎng)絡(luò)，用于通過(guò)分析液壓系統(tǒng)的耕深誤差，動(dòng)態(tài)優(yōu)化PID控制器參數(shù)和調(diào)整BP神經(jīng)網(wǎng)絡(luò)權(quán)重，提升全局適應(yīng)性。[0008]本發(fā)明還提出了基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置，所述裝置包括以下模模塊S1:獲取實(shí)時(shí)采集的拖拉機(jī)耕作數(shù)據(jù)；所述拖拉機(jī)耕作數(shù)據(jù)包括拖拉機(jī)下拉桿角度數(shù)據(jù)、拖拉機(jī)車(chē)身姿態(tài)數(shù)據(jù)及地形數(shù)據(jù)；對(duì)拖拉機(jī)耕作數(shù)據(jù)進(jìn)行預(yù)處理，獲得多維時(shí)間序列數(shù)據(jù)；模塊S2:將多維時(shí)間序列數(shù)據(jù)輸入耕深預(yù)測(cè)模型，獲得耕深預(yù)測(cè)結(jié)果；模塊S3:將耕深預(yù)測(cè)結(jié)果作為給定耕作深度，采用控制模塊計(jì)算調(diào)控指令；所述調(diào)控指令用于對(duì)耕作機(jī)具的角度和懸掛系統(tǒng)的升降進(jìn)行調(diào)節(jié)，從而按照給定耕作深度執(zhí)行耕作作業(yè)；模塊S4:獲取實(shí)時(shí)采集的真實(shí)耕作深度數(shù)據(jù)；采用控制模塊根據(jù)真實(shí)耕作深度數(shù)據(jù)與給定耕作深度的偏差，調(diào)整調(diào)控指令，完成給定耕作深度的自適應(yīng)調(diào)節(jié)。[0009]本發(fā)明還提出了基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控系統(tǒng)，所述系統(tǒng)包括采集裝置、液壓系統(tǒng)以及上述基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置；所述采集裝置用于實(shí)時(shí)采集拖拉機(jī)耕作數(shù)據(jù)和真實(shí)耕作深度數(shù)據(jù)；所述基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置用于根據(jù)實(shí)時(shí)采集的拖拉機(jī)耕作數(shù)據(jù)和真實(shí)耕作深度數(shù)據(jù)，輸出調(diào)控指令；所述液壓系統(tǒng)用于根據(jù)調(diào)控指令對(duì)耕作機(jī)具的角度和懸掛系統(tǒng)的升降進(jìn)行調(diào)節(jié)，從而按照給定耕作深度執(zhí)行耕作作業(yè)。[0010]進(jìn)一步的，提供一個(gè)優(yōu)選實(shí)施方式，所述系統(tǒng)還包括：模式切換模塊、報(bào)警提示模塊以及操作界面模塊；所述模式切換模塊用于進(jìn)行手動(dòng)模式和自動(dòng)模式的切換；在手動(dòng)模式下，由駕駛員手動(dòng)調(diào)整耕作深度；在自動(dòng)模式下，由基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置完成給定耕作深度的自適應(yīng)調(diào)節(jié)；所述報(bào)警提示模塊用于在拖拉機(jī)執(zhí)行耕作作業(yè)發(fā)生異常時(shí)，發(fā)出報(bào)警信息，提醒駕駛員采取相應(yīng)的措施；所述操作界面模塊用于與駕駛員進(jìn)行人機(jī)交互，包括顯示當(dāng)前耕作深度、顯示報(bào)警信息以及設(shè)置耕作深度的目標(biāo)值。[0011]本發(fā)明還提出了一種拖拉機(jī)，所述拖拉機(jī)包括上述任意一項(xiàng)所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控系統(tǒng)。[0012]本發(fā)明還提出了一種計(jì)算機(jī)設(shè)備，包括：處理器和存儲(chǔ)器，所述述處理器的可執(zhí)行指令，所述處理器配置為經(jīng)由執(zhí)行所述可執(zhí)行指令來(lái)執(zhí)行上述任意一項(xiàng)所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法。[0013]本發(fā)明還提出了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序運(yùn)行時(shí)，執(zhí)行上述任意一項(xiàng)所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法。[0014]本發(fā)明還提出了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，該計(jì)算機(jī)程序/指6令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述任意一項(xiàng)所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法的步[0015]本發(fā)明有以下有益效果：1.本發(fā)明所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法，通過(guò)采集拖拉機(jī)下拉桿角度、拖拉機(jī)車(chē)身姿態(tài)及地形多維度信息，運(yùn)用先進(jìn)的深度學(xué)習(xí)算法，構(gòu)建高精度的耕深預(yù)測(cè)模型；耕深預(yù)測(cè)模型為BOA-TCN-Transformer-LSTM模型，其中型是一種多層次混合架構(gòu)，結(jié)合了時(shí)間卷積網(wǎng)絡(luò)(TCN)、Transformer編碼器和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)的優(yōu)勢(shì)，旨在高效處理多維時(shí)間序列數(shù)據(jù)并提升預(yù)測(cè)性能；模型的核心思想是依托TCN(TemporalConvolutionalNetwork)提取輸入數(shù)據(jù)的局部時(shí)序特征，利用Transformer編碼器捕獲全局依賴(lài)關(guān)系，最終通過(guò)LSTM(LongShort-TermMemory)進(jìn)行多尺度特征融合并生成預(yù)測(cè)結(jié)果；模型關(guān)鍵的超參數(shù)以及模型結(jié)構(gòu)對(duì)于TCN-Transformer-LSTM模型性能優(yōu)化至關(guān)重要，這些參數(shù)的精細(xì)調(diào)整往往是實(shí)現(xiàn)模型最佳表現(xiàn)的關(guān)鍵所在；鑒于手動(dòng)調(diào)整這些參數(shù)的繁瑣與低效，創(chuàng)新性地引入了貝葉斯優(yōu)化算算法(Bayesianoptimisationalgorithm,BOA),智能化地搜索最優(yōu)參數(shù)配置。[0016]2.本發(fā)明所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法，通過(guò)采用融合RL策略網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的PID控制模塊，接收并解析耕深預(yù)測(cè)模型的輸出結(jié)果，計(jì)算出調(diào)整流量、壓力等所需的參數(shù)，生成精確調(diào)控指令，并發(fā)送給液壓系統(tǒng)；液壓系統(tǒng)隨即響應(yīng)，通過(guò)精細(xì)調(diào)節(jié)流量閥、壓力閥以及電液比例換向閥等關(guān)鍵部件，準(zhǔn)確控制液壓油的流量和壓力，驅(qū)動(dòng)懸掛系統(tǒng)升降，以達(dá)到預(yù)設(shè)耕作深度；在耕作過(guò)程中，實(shí)時(shí)監(jiān)測(cè)耕作深度變化，一旦差，立即進(jìn)行二次調(diào)整，保證耕作深度準(zhǔn)確無(wú)誤；隨著作業(yè)推進(jìn)，耕深預(yù)測(cè)模型不斷更新預(yù)測(cè)結(jié)果，融合RL策略網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的PID控制模塊則據(jù)此持續(xù)發(fā)出調(diào)控指令，實(shí)現(xiàn)耕作深度的動(dòng)態(tài)調(diào)整與優(yōu)化。[0017]3.本發(fā)明所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法，融合耕深預(yù)測(cè)以及液壓調(diào)控，形成了一個(gè)閉環(huán)的智能化調(diào)控體系，克服了傳統(tǒng)耕作深度調(diào)控技術(shù)的不足，實(shí)現(xiàn)耕作[0018]4.本發(fā)明所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控系統(tǒng)，通過(guò)提供用戶(hù)友好的操作界面，駕駛員可輕松設(shè)置耕作深度目標(biāo)值、監(jiān)控當(dāng)前耕作深度，并接收系統(tǒng)報(bào)警信息。[0019]5.本發(fā)明所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控系統(tǒng)，通過(guò)支持手動(dòng)模式和自動(dòng)模式的切換，以適應(yīng)不同作業(yè)環(huán)境和需求。[0020]本發(fā)明所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法、裝置及系統(tǒng)，適用于通過(guò)實(shí)時(shí)監(jiān)測(cè)和分析拖拉機(jī)下拉桿角度、拖拉機(jī)車(chē)身姿態(tài)及地形等信息，預(yù)測(cè)耕作深度，并根據(jù)預(yù)測(cè)結(jié)果動(dòng)態(tài)調(diào)整液壓系統(tǒng)的控制參數(shù)，實(shí)現(xiàn)對(duì)耕作深度的精確控制，其應(yīng)用場(chǎng)景覆蓋多維度復(fù)雜耕作環(huán)境，適用于多尺度坡度地形。附圖說(shuō)明[0021]為了更清楚地說(shuō)明本發(fā)明實(shí)施方式中的技術(shù)方案，下面將對(duì)實(shí)施方式中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施方式，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其它的附圖。7[0022]圖1為本發(fā)明的一個(gè)實(shí)施方式中，基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法的流程示意圖；圖2為本發(fā)明的一個(gè)實(shí)施方式中，拖拉機(jī)耕作數(shù)據(jù)的示意圖；圖3為本發(fā)明的一個(gè)實(shí)施方式中，BOA-TCN-Transformer-LSTM模型的結(jié)構(gòu)示意圖；圖4為本發(fā)明的一個(gè)實(shí)施方式中，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的仿真示意圖；圖中，zeros(s):表示系統(tǒng)的零點(diǎn)，即傳遞函數(shù)分子為零時(shí)的s值，零點(diǎn)對(duì)系統(tǒng)的動(dòng)態(tài)響應(yīng)有重要影響，它們可以影響系統(tǒng)的穩(wěn)定性和響應(yīng)速度；poles(s):表示系統(tǒng)的極點(diǎn)，即傳遞函數(shù)分母為零時(shí)的s值，極點(diǎn)決定了系統(tǒng)的穩(wěn)定性和復(fù)平面上的分布直接影響系統(tǒng)的穩(wěn)定性和響應(yīng)特性；1/z:在離散時(shí)間系統(tǒng)中，z是復(fù)頻域變量，1/z表示一個(gè)采樣周期的延遲，這個(gè)模塊用于模擬信號(hào)在系統(tǒng)中的傳輸延遲，是離散時(shí)間系統(tǒng)中常見(jiàn)的延遲環(huán)節(jié)；BPPID:代表基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器；圖5為本發(fā)明的一個(gè)實(shí)施方式中，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的仿真結(jié)果示意圖6為本發(fā)明的一個(gè)實(shí)施方式中，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的結(jié)構(gòu)示意圖；圖7為本發(fā)明的一個(gè)實(shí)施方式中，融合RL策略網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的PID控制模塊的結(jié)構(gòu)示意圖。具體實(shí)施方式[0023]為使本發(fā)明的技術(shù)方案及優(yōu)點(diǎn)表述更清楚，下面將結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步地詳細(xì)、完整地描述。下述所描述的各個(gè)實(shí)施方式僅是本發(fā)明一部分優(yōu)選方案，而不是全部的實(shí)施方案；下面描述的各個(gè)實(shí)施方式旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制；本發(fā)明中各個(gè)實(shí)施方式所限定的技術(shù)特征的合理組合，以及基于本發(fā)明中的實(shí)施方式，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施[0024]實(shí)施方式一，提供基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法，所述方法包括以下步步驟S1:獲取實(shí)時(shí)采集的拖拉機(jī)耕作數(shù)據(jù)；所述拖拉機(jī)耕作數(shù)據(jù)包括拖拉機(jī)下拉桿角度數(shù)據(jù)、拖拉機(jī)車(chē)身姿態(tài)數(shù)據(jù)及地形數(shù)據(jù)；對(duì)拖拉機(jī)耕作數(shù)據(jù)進(jìn)行預(yù)處理，獲得多維時(shí)間序列數(shù)據(jù)；步驟S2:將多維時(shí)間序列數(shù)據(jù)輸入耕深預(yù)測(cè)模型，獲得耕深預(yù)測(cè)結(jié)果；步驟S3:將耕深預(yù)測(cè)結(jié)果作為給定耕作深度，采用控制模塊計(jì)算調(diào)控指令；所述調(diào)控指令用于對(duì)耕作機(jī)具的角度和懸掛系統(tǒng)的升降進(jìn)行調(diào)節(jié)，從而按照給定耕作深度執(zhí)行耕步驟S4:獲取實(shí)時(shí)采集的真實(shí)耕作深度數(shù)據(jù)；采用控制模塊根據(jù)真實(shí)耕作深度數(shù)據(jù)與給定耕作深度的偏差，調(diào)整調(diào)控指令，完成給定耕作深度的自適應(yīng)調(diào)節(jié)。[0025]本實(shí)施方式中，所述拖拉機(jī)耕作數(shù)據(jù)采用傳感器和無(wú)人機(jī)實(shí)時(shí)采集。[0026]本實(shí)施方式中，所述控制模塊采用PID調(diào)控或模糊控制計(jì)算調(diào)控指令。[0028]DEM數(shù)據(jù)即數(shù)字高程模型，是一種通過(guò)有序數(shù)值陣列表達(dá)地表高程的柵格數(shù)據(jù)集。8其核心是通過(guò)離散化的高程點(diǎn)(如每點(diǎn)間隔3米或1米)構(gòu)建連續(xù)的地形表面，反映區(qū)域的地研究區(qū)域在(五個(gè))不同尺度下的坡度信息。[0029]五個(gè)不同尺度：飛行高度25米，圖像分辨率0.68厘米；飛行高度30米，圖像分辨率行高度45米，圖像分辨率1.23厘米。[0030]本實(shí)施方式中，拖拉機(jī)車(chē)身姿態(tài)數(shù)據(jù)包括拖拉機(jī)車(chē)身在深翻作業(yè)時(shí)的水平傾斜角度與俯仰角度。[0031]本實(shí)施方式中，拖拉機(jī)下拉桿角度數(shù)據(jù)為拖拉機(jī)連接液壓翻轉(zhuǎn)犁的拉桿相對(duì)于水平面的抬起角度。為“一種用于牽引式耕整地機(jī)具的耕深在線(xiàn)監(jiān)測(cè)系統(tǒng)及方法”的專(zhuān)利文獻(xiàn)所記載的“一種用于牽引式耕整地機(jī)具的耕深在線(xiàn)監(jiān)測(cè)系統(tǒng)及方法”采集獲得。基于調(diào)控策略，對(duì)液壓缸位移、(液壓系統(tǒng)的)流量閥和壓力閥進(jìn)行調(diào)節(jié)，實(shí)現(xiàn)耕作機(jī)具的(耕作)角度的優(yōu)化。采用電液多目標(biāo)優(yōu)化調(diào)控，以調(diào)整懸掛系統(tǒng)的升降：采用控制模塊(如PID控制)調(diào)節(jié)電液比例換向閥，進(jìn)而調(diào)節(jié)液壓油流量，實(shí)現(xiàn)對(duì)懸掛系統(tǒng)的升降的調(diào)整。[0035]實(shí)施方式二，所述耕深預(yù)測(cè)模型為BOA-TCN-Transformer-LSTM模型；所述BOA-TCN-Transformer-LSTM模型為采用貝葉斯優(yōu)化算法對(duì)TCN-Transformer-LSTM模型進(jìn)行自動(dòng)化調(diào)參，搜索到最優(yōu)超參數(shù)配置后獲得。[0036]本實(shí)施方式中，貝葉斯優(yōu)化算法，英文全稱(chēng)“BayesianOptimization[0037]本實(shí)施方式中，利用貝葉斯優(yōu)化算法(BOA)智能化搜索TCN-Transformer-LSTM模型的最優(yōu)超參數(shù)配置(自動(dòng)調(diào)節(jié)超參數(shù)),以提高預(yù)測(cè)性能。[0038]深度學(xué)習(xí)模型(如BOA-TCN-Transformer-LSTM)通常包含大量超參數(shù)(如學(xué)習(xí)率、耗時(shí)且低效。[0039]所述貝葉斯優(yōu)化算法，通過(guò)數(shù)學(xué)建模和迭代采樣，自動(dòng)尋找使模型性能(如預(yù)測(cè)誤差最小化)最優(yōu)的超參數(shù)組合，避免窮舉搜索(如網(wǎng)格搜索)或隨機(jī)搜索的低效性。[0040]貝葉斯優(yōu)化流程：代理模型(SurrogateModel):使用高斯過(guò)程(aussianProcess)或隨機(jī)森林(RandomForest)建模超參數(shù)與模型性能的關(guān)系。[0041]采集函數(shù)(AcquisitionFunction):根據(jù)代理模型預(yù)測(cè)的“潛在收益”,選擇下一組待評(píng)估的超參數(shù)(如期望改進(jìn)EI、置信上界UCB)。[0042]迭代優(yōu)化：重復(fù)“采樣超參數(shù)→訓(xùn)練模型→評(píng)估性能→更新代理模型”,直至達(dá)到預(yù)設(shè)迭代次數(shù)或收斂。9高效性：通過(guò)代理模型和采集函數(shù)，優(yōu)先探索性能更優(yōu)的超參數(shù)區(qū)域，減少無(wú)效嘗[0044]適應(yīng)復(fù)雜目標(biāo)函數(shù)：適用于模型性能與超參數(shù)間非線(xiàn)性、非凸的復(fù)雜關(guān)系。Transformer、LSTM模塊的特征提取能力最大化協(xié)同，提升最終預(yù)測(cè)精度。[0047]綜上，貝葉斯優(yōu)化是自動(dòng)化調(diào)參工具，通過(guò)數(shù)學(xué)建模和智能采樣，找到使TCN-Transformer-LSTM組合模型在耕深預(yù)測(cè)任務(wù)中表現(xiàn)最優(yōu)的超參數(shù)配置。這種方法的引入大幅降低了人工調(diào)參成本，同時(shí)提高了模型的泛化能力和預(yù)測(cè)精度。[0048]優(yōu)化的差參數(shù)如下表所示：1S181[0049]本實(shí)施方式中，BOA-TCN-Transformer-LSTM模型融合了時(shí)間卷積網(wǎng)絡(luò)(TCN)、Transformer編碼器和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)的優(yōu)勢(shì)，以處理多維時(shí)間序列數(shù)據(jù)。[0050]BOA-TCN-Transformer-LSTM模型依托TCN(TemporalConvolutional取輸入數(shù)據(jù)的局部時(shí)序特征，利用Transformer編碼器捕獲全局依賴(lài)關(guān)系，最終通過(guò)LSTM(LongShort-TermMemory)進(jìn)行多尺度特征融合并生成耕深預(yù)測(cè)結(jié)果。所述TCN模塊用于提取多維時(shí)間序列數(shù)據(jù)的局部時(shí)序特征；所述Transformer編碼器用于捕獲多維時(shí)間序列數(shù)據(jù)的全局依賴(lài)關(guān)系；TCN模塊由多個(gè)堆疊的時(shí)間卷積殘差塊(TemporalBlock)組成；Convolution)提取局部時(shí)序模式，以增強(qiáng)對(duì)短期動(dòng)態(tài)變化的感知能力。[0053]本殘差塊的輸出與上一個(gè)殘差塊的輸出相加，作為下一個(gè)殘差塊的輸入。[0054]每個(gè)殘差塊包括重復(fù)的2個(gè)串聯(lián)結(jié)構(gòu)；每個(gè)串聯(lián)結(jié)構(gòu)由擴(kuò)張因果卷積層、權(quán)重歸一[0055]本實(shí)施方式中，Transformer編碼器：包括多頭注意力層(即多頭自注意力機(jī)制，Self-Attention)和前饋層。[0056]通過(guò)多頭自注意力機(jī)制，能夠建模時(shí)間序列中的長(zhǎng)期依賴(lài)關(guān)系，提高全局特征的表達(dá)能力。進(jìn)一步融合時(shí)間序列信息，以捕獲長(zhǎng)期時(shí)序依賴(lài)并生成最終的耕深預(yù)測(cè)結(jié)果。[0058]本實(shí)施方式中，所述LSTM模塊包括LSTM層和全連接層(FullyConnectedLayer);所述全連接層用于將LSTM層輸出的隱狀態(tài)映射至目標(biāo)監(jiān)測(cè)空間，以完成最終的回歸任務(wù)。對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練集和測(cè)試集的劃分，劃分比例為4:1,使用訓(xùn)練集進(jìn)行訓(xùn)練，使用測(cè)試集對(duì)模型進(jìn)行驗(yàn)證。[0060]本實(shí)施方式中，BOA-TCN-Transformer-LSTM模型采用Huber損失函數(shù)對(duì)輸出的預(yù)測(cè)值進(jìn)行微調(diào)。[0063]實(shí)施方式三，所述控制模塊包括基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器：所述基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器包括BP神經(jīng)網(wǎng)絡(luò)和PID控制器；所述PID控制器用于對(duì)液壓系統(tǒng)進(jìn)行閉環(huán)反饋控制，實(shí)時(shí)計(jì)算液壓系統(tǒng)的控制量，輸出調(diào)控指令給液壓系統(tǒng)的執(zhí)行機(jī)構(gòu)；所述BP神經(jīng)網(wǎng)絡(luò)用于以系統(tǒng)狀態(tài)(即液壓系統(tǒng)的狀態(tài))為輸入，以系統(tǒng)性能指標(biāo)(即液壓系統(tǒng)的性能指標(biāo))為優(yōu)化目標(biāo)，通過(guò)反向傳播算法調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)重和偏置，對(duì)PID控制器的參數(shù)進(jìn)行自適應(yīng)優(yōu)化。[0064]本實(shí)施方式中，BP神經(jīng)網(wǎng)絡(luò)(BackPropagationNeuralNetwork,即反向傳播神經(jīng)網(wǎng)絡(luò)):訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。其核心結(jié)構(gòu)包括輸入層、隱藏層和輸出層，通過(guò)迭代調(diào)整權(quán)重和偏置來(lái)最小化預(yù)測(cè)誤差。[0065]本實(shí)施方式中，所述PID控制器用于對(duì)受控對(duì)象(即液壓系統(tǒng))進(jìn)行閉環(huán)反饋控制，調(diào)節(jié)液壓系統(tǒng)中液壓油的流量和壓力。[0066]本實(shí)施方式中，所述基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器可簡(jiǎn)稱(chēng)BP-PID調(diào)控系統(tǒng)，是一種將反向傳播(BP)神經(jīng)網(wǎng)絡(luò)與PID控制器相結(jié)合的控制策略，通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力動(dòng)態(tài)優(yōu)化PID參數(shù)(比例、積分、微分系數(shù)),使控制算法兼具PID的實(shí)時(shí)性和神經(jīng)網(wǎng)絡(luò)的適應(yīng)11性，解決了傳統(tǒng)PID控制參數(shù)固定、自適應(yīng)能力差，以[0067]本實(shí)施方式中，所述系統(tǒng)性能指標(biāo)包括超調(diào)量、調(diào)節(jié)時(shí)間以及穩(wěn)態(tài)誤差。[0068]本實(shí)施方式中，所述PID控制器的參數(shù)包括比例、積分和微分系數(shù)。[0069]PID控制的比例、積分、微分三個(gè)參數(shù)具有相互配合并相互制約的特點(diǎn)。[0070]本實(shí)施方式中，借助BP神經(jīng)網(wǎng)絡(luò)對(duì)非線(xiàn)性函數(shù)的映射能力，可以使得PID控制器中三個(gè)參數(shù)的各種非線(xiàn)性組合的最優(yōu)解能夠通過(guò)自學(xué)習(xí)得到。[0071]本實(shí)施方式中，BP神經(jīng)網(wǎng)絡(luò)根據(jù)系統(tǒng)狀態(tài)和學(xué)習(xí)算法，動(dòng)態(tài)優(yōu)化PID控制器的參指BP神經(jīng)網(wǎng)絡(luò)輸入層的實(shí)時(shí)反饋?zhàn)兞?，包括：誤差(e)和誤差變化率(△e)誤差(e):參考輸入r(給定耕作深度)與系統(tǒng)輸出y(真實(shí)耕作深度數(shù)據(jù))的偏差，即示這些狀態(tài)變量構(gòu)成神經(jīng)網(wǎng)絡(luò)的輸入特征向量，反映了系統(tǒng)當(dāng)前動(dòng)態(tài)特性。例如當(dāng)系統(tǒng)出現(xiàn)大誤差時(shí)，網(wǎng)絡(luò)會(huì)優(yōu)先調(diào)整比例項(xiàng)Kp;當(dāng)誤差持續(xù)存在(積分特性明顯)時(shí)，則會(huì)著重優(yōu)化Ki參數(shù)。[0072](2學(xué)習(xí)算法：指驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的反向傳播算法(Backpropagation),其運(yùn)作機(jī)制如下：前向傳播：輸入層→隱含層→輸出層，生成PID參數(shù)權(quán)重更新：采用梯度下降法修正網(wǎng)絡(luò)權(quán)重和偏置，更新公式為：[0074](3)BP神經(jīng)網(wǎng)絡(luò)根據(jù)系統(tǒng)狀態(tài)和學(xué)習(xí)算法，動(dòng)態(tài)優(yōu)化PID參數(shù)的流程包括：初始化PID參數(shù)和神經(jīng)網(wǎng)絡(luò)權(quán)重→采集系統(tǒng)輸出y和參考輸入r→計(jì)算PID控制器輸出→通過(guò)神經(jīng)網(wǎng)絡(luò)調(diào)整參數(shù)→迭代更新直至系統(tǒng)穩(wěn)定。[0075]在實(shí)現(xiàn)過(guò)程中，BP神經(jīng)網(wǎng)絡(luò)的輸入層接收系統(tǒng)狀態(tài)變量(誤差和誤差變化率),隱含層通過(guò)激活函數(shù)處理信號(hào)，輸出層生成PID參數(shù)的調(diào)整量；通過(guò)誤差反向傳播算法，神經(jīng)網(wǎng)絡(luò)不斷優(yōu)化權(quán)重和偏置，從而實(shí)現(xiàn)對(duì)PID參數(shù)的動(dòng)態(tài)調(diào)整。[0076]反向傳播(BP)神經(jīng)網(wǎng)絡(luò)與PID控制器的結(jié)合使傳統(tǒng)PID突破了線(xiàn)性組合的局限，能[0077]本實(shí)施方式中，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器相比與傳統(tǒng)PID控制模塊(或稱(chēng)傳統(tǒng)自適應(yīng)能力參數(shù)固定，依賴(lài)人工整定穩(wěn)定，但動(dòng)態(tài)性能受限響應(yīng)速度神經(jīng)網(wǎng)絡(luò)能夠加速PID參數(shù)調(diào)整，響響應(yīng)較慢，尤其在復(fù)雜系統(tǒng)中PID參數(shù)顯式調(diào)整，控制邏輯透明完全透明項(xiàng)抑制穩(wěn)態(tài)誤差[0078]需要說(shuō)明的是，在現(xiàn)有技術(shù)中一般采用“實(shí)時(shí)采集耕作深度數(shù)據(jù)與傳統(tǒng)PID控制”相結(jié)合的方式，進(jìn)行耕作深度實(shí)時(shí)控制。本實(shí)施方式中，則采用“耕深預(yù)測(cè)模型與基于BP神測(cè)模型與基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器”相結(jié)合的方式通過(guò)深度學(xué)習(xí)實(shí)現(xiàn)了動(dòng)態(tài)自適應(yīng)決策，能夠融合多源數(shù)據(jù)預(yù)測(cè)耕深變化趨勢(shì)，并主動(dòng)優(yōu)化控制參數(shù)(如液壓油壓力),根據(jù)拖拉機(jī)車(chē)身姿態(tài)及地形等實(shí)時(shí)變化的信息進(jìn)行動(dòng)態(tài)調(diào)整，顯著減少滯后效應(yīng)和機(jī)械損耗，其優(yōu)勢(shì)在于：(1)自適應(yīng)復(fù)雜環(huán)境(如軟硬交替土壤),無(wú)需人工調(diào)參；(2)長(zhǎng)期作業(yè)中自動(dòng)優(yōu)化策略，提升能效，最終通過(guò)智能化決策實(shí)現(xiàn)更高精度、更低能耗的耕作過(guò)程。[0080](3)采用“耕深預(yù)測(cè)模型與基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器”相結(jié)合的方式具有一定的魯棒性和容錯(cuò)能力，能夠在一定程度上抵抗數(shù)據(jù)噪聲和干擾。這意味著即使實(shí)時(shí)采集的真實(shí)耕深數(shù)據(jù)存在一定的誤差或波動(dòng)，神經(jīng)網(wǎng)絡(luò)模型仍然能夠輸出較為準(zhǔn)確的結(jié)果。而傳統(tǒng)的“實(shí)時(shí)采集耕作深度數(shù)據(jù)與傳統(tǒng)PID控制”相結(jié)合的方式則完全依賴(lài)于實(shí)時(shí)采集的數(shù)據(jù)，如果數(shù)據(jù)存在誤差或波動(dòng)，可能會(huì)導(dǎo)致控制效果的下降。[0081]本實(shí)施方式中，如圖5所示，為基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器控制器輸出在初始階段的大幅度波動(dòng)，顯示了控制器具有較高的靈活性。它可以根據(jù)系統(tǒng)的實(shí)時(shí)狀態(tài)和需求，快速調(diào)整其輸出，以便更有效地控制系統(tǒng)的行為。而系統(tǒng)輸出則更多地受到控制器輸出的影響，其靈活性相對(duì)較低，更多地是跟隨控制器輸出的變化而變化。在穩(wěn)定階段，控制器輸出逐漸趨于平穩(wěn)，波動(dòng)范圍明顯減小，并最終穩(wěn)定在一個(gè)較小的范圍內(nèi)。這種穩(wěn)定性有助于系統(tǒng)輸出保持在期望的穩(wěn)定值附近，避免系統(tǒng)輸出出現(xiàn)不必要的振蕩或超調(diào)?？刂破鬏敵龅姆€(wěn)定性對(duì)于系統(tǒng)輸出的穩(wěn)定性具有重要影響，是確保系統(tǒng)穩(wěn)定工作的關(guān)鍵因素之一。[0082]實(shí)施方式四，所述控制模塊包括融合RL策略網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的PID控制模塊；所述融合RL策略網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的PID控制模塊為雙層控制架構(gòu)，包括底層控制層和上層優(yōu)化層；底層控制層為基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器，用于實(shí)時(shí)計(jì)算液壓系統(tǒng)的控制量，輸出調(diào)控指令至液壓系統(tǒng)的執(zhí)行機(jī)構(gòu)，確?？焖夙憫?yīng)耕深偏差；上層為強(qiáng)化學(xué)習(xí)RL策略網(wǎng)絡(luò)，用于通過(guò)分析液壓系統(tǒng)的耕深誤差，動(dòng)態(tài)優(yōu)化PID控制器參數(shù)和調(diào)整BP神經(jīng)網(wǎng)絡(luò)權(quán)重，提升全局適應(yīng)性。[0084]進(jìn)一步地，在一實(shí)施方式中，所述作為底層控制層的基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器所述PID控制器用于對(duì)液壓系統(tǒng)進(jìn)行閉環(huán)反饋控制，實(shí)時(shí)計(jì)算液壓系統(tǒng)的控制量，輸出調(diào)控指令給液壓系統(tǒng)的執(zhí)行機(jī)構(gòu)；所述BP神經(jīng)網(wǎng)絡(luò)用于以系統(tǒng)狀態(tài)(即液壓系統(tǒng)的狀態(tài))為輸入，以系統(tǒng)性能指標(biāo)(即液壓系統(tǒng)的性能指標(biāo))為優(yōu)化目標(biāo)，通過(guò)反向傳播算法調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)重和偏置，對(duì)PID控制器的參數(shù)進(jìn)行自適應(yīng)優(yōu)化。[0085]進(jìn)一步地，在一實(shí)施方式中，所述作為上層優(yōu)化層的強(qiáng)化學(xué)習(xí)RL策略網(wǎng)絡(luò)(或稱(chēng)RL算法)采用Actor-Critic結(jié)構(gòu)和多目標(biāo)優(yōu)化機(jī)制，使控制策略在探索最優(yōu)參數(shù)的同時(shí)保持[0086]本實(shí)施方式中，針對(duì)農(nóng)田耕深液壓(控制)系統(tǒng)的非線(xiàn)性、時(shí)變性和抗擾性不足等問(wèn)題，提出一種融合強(qiáng)化學(xué)習(xí)(RL策略網(wǎng)絡(luò))與基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的分層智能控制框架；通過(guò)雙層優(yōu)化結(jié)構(gòu)實(shí)現(xiàn)耕深的自適應(yīng)調(diào)節(jié)，以適應(yīng)復(fù)雜農(nóng)田環(huán)境下的精準(zhǔn)控制需[0087]需要說(shuō)明的是，傳統(tǒng)PID控制在耕深調(diào)節(jié)中依賴(lài)人工調(diào)參，難以適應(yīng)地形地貌的變化；而B(niǎo)P神經(jīng)網(wǎng)絡(luò)PID雖具備參數(shù)自整定能力，但在復(fù)雜干擾下易陷入局部最優(yōu)。底層為基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器，實(shí)時(shí)輸出控制量(調(diào)控指令)至液壓執(zhí)行機(jī)構(gòu)(液壓系統(tǒng));上層引入RL策略網(wǎng)絡(luò)，通過(guò)分析系統(tǒng)狀態(tài)(如壓力、流量、誤差信號(hào))在線(xiàn)優(yōu)化PID控制器參數(shù)或調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)重。[0089]本實(shí)施方式中，采用雙層控制架構(gòu)旨在實(shí)現(xiàn)農(nóng)田作業(yè)中耕深的高精度、自適應(yīng)控采用電液多目標(biāo)優(yōu)化調(diào)控，以調(diào)整懸掛系統(tǒng)的升降：采用基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器調(diào)節(jié)電液比例換向閥，進(jìn)而調(diào)節(jié)液壓油流量，實(shí)現(xiàn)對(duì)懸掛系統(tǒng)的升降的調(diào)整。[0091]另外，在一實(shí)施方式中，進(jìn)行了田間實(shí)驗(yàn)，驗(yàn)證了本實(shí)施方式中所述方法(BOA-TCN-Transformer-LSTM模型輸出耕深預(yù)測(cè)結(jié)果)的準(zhǔn)確性和魯棒性，能夠滿(mǎn)足精整深度一致性的要求。[0092]田間實(shí)驗(yàn)具體：實(shí)驗(yàn)地塊面積共178畝，地形相對(duì)平坦，土壤類(lèi)型為典型黑土。[0093]試驗(yàn)所用農(nóng)機(jī)設(shè)備包括道依茨法爾CD2004(G4)輪式拖拉機(jī)和雷沃1LFTT-4455R液壓翻轉(zhuǎn)犁。[0094]以每5秒的頻率記錄拖拉機(jī)姿態(tài)、GPS位置與拉桿角度信息，并與地形高程數(shù)據(jù)(由RTK無(wú)人機(jī)采集)相匹配，作為模型(耕深預(yù)測(cè)模型)輸入，輸出深翻深度預(yù)測(cè)結(jié)果。傳統(tǒng)模型：決定系數(shù)(R2)的范圍在0.53-0.65之間；均方根誤差(RMSE)的范圍為3.71-4.02cm;平均絕對(duì)誤差(MAE)的范圍為2.85-3.24cm。[0097]BOA-TCN-Transformer-LSTM模型：決定系數(shù)(R2)為0.765,均方根誤差(RMSE)為1.978cm,平均絕對(duì)誤差(MAE)為1.489cm。[0098]綜上，相比傳統(tǒng)模型，所提出的BOA-TCN-Transformer-LSTM模型實(shí)現(xiàn)了最高的監(jiān)測(cè)精度。[0099]實(shí)施方式五，提供基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置，所述裝置包括以下模模塊S1:獲取實(shí)時(shí)采集的拖拉機(jī)耕作數(shù)據(jù)；所述拖拉機(jī)耕作數(shù)據(jù)包括拖拉機(jī)下拉桿角度數(shù)據(jù)、拖拉機(jī)車(chē)身姿態(tài)數(shù)據(jù)及地形數(shù)據(jù)；對(duì)拖拉機(jī)耕作數(shù)據(jù)進(jìn)行預(yù)處理，獲得多維時(shí)間序列數(shù)據(jù)；模塊S2:將多維時(shí)間序列數(shù)據(jù)輸入耕深預(yù)測(cè)模型，獲得耕深預(yù)測(cè)結(jié)果；模塊S3:將耕深預(yù)測(cè)結(jié)果作為給定耕作深度，采用控制模塊計(jì)算調(diào)控指令；所述調(diào)控指令用于對(duì)耕作機(jī)具的角度和懸掛系統(tǒng)的升降進(jìn)行調(diào)節(jié)，從而按照給定耕作深度執(zhí)行耕作作業(yè)；模塊S4:獲取實(shí)時(shí)采集的真實(shí)耕作深度數(shù)據(jù)；采用控制模塊根據(jù)真實(shí)耕作深度數(shù)據(jù)與給定耕作深度的偏差，調(diào)整調(diào)控指令，完成給定耕作深度的自適應(yīng)調(diào)節(jié)。[0100]實(shí)施方式六，提供基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控系統(tǒng)，所述系統(tǒng)包括采集裝置、液壓系統(tǒng)以及實(shí)施方式四所述基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置；所述采集裝置用于實(shí)時(shí)采集拖拉機(jī)耕作數(shù)據(jù)和真實(shí)耕作深度數(shù)據(jù)；所述基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置用于根據(jù)實(shí)時(shí)采集的拖拉機(jī)耕作數(shù)據(jù)和真實(shí)耕作深度數(shù)據(jù)，輸出調(diào)控指令；所述液壓系統(tǒng)用于根據(jù)調(diào)控指令對(duì)耕作機(jī)具的角度和懸掛系統(tǒng)的升降進(jìn)行調(diào)節(jié)，從而按照給定耕作深度執(zhí)行耕作作業(yè)。所述模式切換模塊用于進(jìn)行手動(dòng)模式和自動(dòng)模式的切換；在手動(dòng)模式下，由駕駛員手動(dòng)調(diào)整耕作深度；在自動(dòng)模式下，由基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控裝置完成給定耕作深度的自適應(yīng)調(diào)節(jié)；所述報(bào)警提示模塊用于在拖拉機(jī)執(zhí)行耕作作業(yè)發(fā)生異常時(shí)，發(fā)出報(bào)警信息，提醒駕駛員采取相應(yīng)的措施；所述操作界面模塊用于與駕駛員進(jìn)行人機(jī)交互，包括顯示當(dāng)前耕作深度、顯示報(bào)警信息以及設(shè)置耕作深度的目標(biāo)值。[0102]本實(shí)施方式中，所述拖拉機(jī)執(zhí)行耕作作業(yè)發(fā)生異常包括耕作深度偏離預(yù)定范圍。[0103]實(shí)施方式八，提供一種拖拉機(jī)，所述拖拉機(jī)包括上述任意一項(xiàng)所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控系統(tǒng)。[0104]實(shí)施方式九，提供一種計(jì)算機(jī)設(shè)備，包括：處理器和存儲(chǔ)器，所述存儲(chǔ)器用于存儲(chǔ)所述處理器的可執(zhí)行指令，所述處理器配置為經(jīng)由執(zhí)行所述可執(zhí)行指令來(lái)執(zhí)行上述任意一項(xiàng)所述的基于耕深預(yù)測(cè)結(jié)果的液壓耕深調(diào)控方法。[0105]實(shí)施方式十，提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)中存儲(chǔ)