BR102020007375A2

BR102020007375A2 - Método para determinar uma quantidade de perda de grão, e, sistema configurado para aplicar um sensor virtual.

Info

Publication number: BR102020007375A2
Application number: BR102020007375-3A
Authority: BR
Inventors: Wentao YU; Volker Fuchs; William D. Todd
Original assignee: Deere & Company
Priority date: 2019-05-31
Filing date: 2020-04-14
Publication date: 2020-12-08
Also published as: US20200375104A1; EP3744167B1; EP3744167A1; RU2020116572A; AR119022A1

Abstract

sistemas e métodos são descritos para um sensor virtual que determina uma quantidade de perda de grão durante operação de uma colheitadeira combinada sem nenhuma medição direta de perda de grão. um controlador eletrônico é configurado para determinar valores para um conjunto de condições operacionais incluindo uma pluralidade de valores de sensor e definições de acionador. o controlador eletrônico então aplica uma rede neural artificial que é configurada para receber como entradas os valores para o conjunto de condições operacionais e produzir como uma saída um valor indicativo de uma quantidade estimada de perda de grão.

Description

MÉTODO PARA DETERMINAR UMA QUANTIDADE DE PERDA DE GRÃO, E, SISTEMA CONFIGURADO PARA APLICAR UM SENSOR VIRTUAL.

FUNDAMENTOS

[001] A presente invenção se refere a sistemas e métodos para operar uma colheitadeira combinada. Em particular, a presente invenção se refere ao monitoramento de perda de grão durante a operação de uma colheitadeira combinada.

SUMÁRIO

[002] Em uma modalidade, a invenção provê um sistema configurado para aplicar um sensor virtual para determinar uma quantidade de perda de grão durante operação de uma colheitadeira combinada. Um controlador eletrônico é configurado para aplicar definições de acionador a cada um de uma pluralidade de acionadores para controlar a operação da colheitadeira combinada e receber sinais de saída de cada sensor de uma pluralidade de sensores, em que o sinal de saída de cada sensor é indicativo de um condição operacional diferente da colheitadeira combinada. O processador eletrônico determina valores para um conjunto de parâmetros operacionais e então aplica uma rede neural artificial que é configurada para receber como entradas os valores para o conjunto de parâmetros operacionais e produzir como uma saída um valor indicativo de uma quantidade estimada de perda de grão. O conjunto de parâmetros operacionais recebido como entrada pela rede neural artificial não inclui nenhuma medição direta de perda de grão.

[003] Em uma outra modalidade, a invenção provê um método para determinar uma quantidade de perda de grão durante operação de uma colheitadeira combinada. Um processador eletrônico determina valores para um conjunto de parâmetros operacionais que não inclui nenhuma medição direta de perda de grão. O processador eletrônico então aplica uma rede neural artificial que é configurada para receber como entradas os valores para o conjunto de parâmetros operacionais e produzir como uma saída um valor indicativo de uma quantidade estimada de perda de grão.

[004] Outros aspectos da invenção ficarão aparentes pela consideração à descrição detalhada e desenhos anexos.

BREVE DESCRIÇÃO DOS DESENHOS

[005] A Fig. 1 é uma vista em elevação de uma colheitadeira combinada de acordo com uma modalidade.

[006] A Fig. 2 é uma vista esquemática de sistemas para separar grão de outro material na colheitadeira combinada da Fig. 1.

[007] A Fig. 3 é um diagrama de blocos de um sistema de controle para a colheitadeira combinada da Fig. 1.

[008] A Fig. 4 é um diagrama esquemático de uma rede neural artificial para determinar uma quantidade de perda de grão na colheitadeira combinada da Fig. 1.

[009] A Fig. 5 é um diagrama esquemático de uma rede neural artificial para determinar separadamente perda de grão por causa de perda por separação e por causa de perda na sapata de limpeza na colheitadeira combinada da Fig. 1.

[0010] A Fig. 6 é um fluxograma de um método para determinar perda de grão na colheitadeira combinada da Fig. 1 usando a rede neural artificial como um mecanismo de redundância.

[0011] A Fig. 7 é um fluxograma de um método para determinar perda de grão na colheitadeira combinada da Fig. 1 usando seletivamente a rede neural artificial como um mecanismo de redundância ou como um mecanismo simplex.

DESCRIÇÃO DETALHADA

[0012] Antes de qualquer modalidade da invenção ser explicada em detalhe, deve-se entender que a invenção não é limitada em sua aplicação aos detalhes de construção e ao arranjo de componentes apresentados na descrição seguinte ou ilustrados nos desenhos seguintes. A invenção é passível de outras modalidades e de ser praticada ou de ser realizada de várias maneiras.

[0013] A Fig. 1 ilustra um exemplo de uma colheitadeira combinada 100 configurada para coletar (isto é, “ceifar”) lavouras incluindo, por exemplo, trigo, aveias, centeio, cevada e milho. A colheitadeira combinada 100 é também configurada para separar o grão de outro material (por exemplo, palha). A colheitadeira combinada 100 inclui uma ponteira 104 configurada para coletar e cortar a lavoura e uma câmara de alimentação 106 configurada para transportar a lavoura cortada da ponteira 104 para sistemas de separação alojados em um corpo principal 108 da colheitadeira combinada 100.

[0014] A Fig. 2 ilustra um exemplo dos sistemas de separação 112 na colheitadeira combinada 100. Um cilindro de trilhagem 116 inclui barras de raspa 118 que separam grão e resíduos da palha. A maior parte da palha passa do cilindro de trilhagem 116 para um saca-palha 126 configurado para mover a palha para a traseira da colheitadeira combinada 100 onde ela é expelida. O grão, resíduos e um pouco de palha que é separada do resto da lavoura pelo cilindro de trilhagem 116 passa através de aberturas em um côncavo 114 e para uma sapata de limpeza 132. A sapata de limpeza 132 inclui uma peneira superior 120 (ou picador de palha) e uma peneira inferior 122. As peneiras 120, 122 incluem dedos ajustáveis que permitem que material abaixo de um certo tamanho, tal como grão, caia através dos mesmos. Grão que cai através das peneiras 120, 122 entra em uma área de coleta onde o grão é então transportado para o tanque graneleiro por um trado 124. Material sem ser grão (por exemplo, palha) é muito grande para cair na área de coleta através das aberturas nas peneiras 120, 122 e em vez disso é carregado para fora na traseira das peneiras 120, 122 pelo fluxo de ar A1, A2 por uma ventoinha 134 e/ou por meio de um movimento oscilante repetitivo rítmico das peneiras 120, 122.

[0015] Entretanto, grão pode se perder durante o processo de separação ilustrado na Fig. 2. Por exemplo, parte do grão pode não cair através das peneiras 120, 122 na sapata de limpeza e em vez disso será carregado para a traseira e expelido com a palha, etc. Isto pode ocorrer, por exemplo, quando as peneiras 120, 122 ficam obstruídas por causa de alta umidade ou durante coleta de lavouras com alta umidade/verde. Perda de grão pode também ser causada, por exemplo, quando a sapata de limpeza é sobrecarregada, quando os ângulos das peneiras 120, 122 são inadequados, quando as aberturas das peneiras 120, 122 são muito pequenas, ou quando velocidade do ar na ventoinha 134 é muito alta. Perda de grão que ocorre na sapata de limpeza 132 é referida aqui como “perda de grão na sapata de limpeza”.

[0016] Perda de grão pode também ocorrer em outros estágios da colheitadeira combinada 100. Por exemplo, “perda por separação” pode ocorrer quando grãos são expelidos pelo trilhador 116 para o saca-palha 126, em vez de passar através do côncavo 114 para a sapata de limpeza 132. No caso de colheita de milho, perda por separação pode incluir toda a espiga ou pequenos pedaços de espiga com sabugo ainda anexado e pode ocorrer, por exemplo, quando o espaçamento entre o côncavo 114 e o cilindro de trilhagem 116 é muito pequeno para o tamanho das espigas que estão sendo colhidas. Perda por separação pode também ocorrer, por exemplo, (1) quando o rotor está trabalhando muito lentamente e, portanto, não pode separar grão do refugo, (2) quando uma quantidade excessiva de material residual está sendo coletada pela ponteira da colheitadeira 104, e (3) quando o espaçamento do côncavo 114 é muito grande. Perdas de grão que ocorrem após o material sair da câmara de alimentação e antes de o material entrar na sapata de limpeza é referido aqui como “perda por separação”.

[0017] Uma abordagem para medir perda de grão é utilizar um sensor físico. Por exemplo, um sensor físico de perda de grão pode ser configurado para detectar grãos impactando uma superfície de um dispositivo de medição pela detecção do contato (por exemplo, um sensor capacitivo ou piezoelétrico) ou pela detecção de som de grãos colidindo em uma superfície. Entretanto, vários exemplos descritos a seguir fornecem um mecanismo de aprendizagem de máquina ou inteligência artificial que é configurado para operar como um “sensor virtual” para estimar uma quantidade de perda de grão.

[0018] A Fig. 3 ilustra um exemplo de um sistema de controle para uma colheitadeira combinada 100 configurado para aplicar um mecanismo de rede neural artificial para estimar perda de grão. O sistema inclui um controlador 301 que inclui um processador eletrônico 303 e uma memória legível por computador não transitória 305. A memória 305 armazena dados e instruções que, quando executadas pelo processador eletrônico 303, fornecem a funcionalidade do controlador 301 (incluindo, por exemplo, a funcionalidade descrita aqui).

[0019] O controlador 301 é comunicativamente acoplado a uma pluralidade de acionadores e é configurado para prover sinais de controle aos acionadores para regular a operação da colheitadeira combinada 100. Por exemplo, o controlador 301 é comunicativamente acoplado a um ou mais acionadores do alimentador 307 que controlam a velocidade na qual material de lavoura é alimentado através da câmara de alimentação 106 nos mecanismos de separação 112. O controlador 301 é também configurado para prover sinais de controle à ventoinha 309 para regular a velocidade operacional da ventoinha 309, aos acionadores de resíduo 311 para ajustar o tamanho de abertura das peneiras 120, 122, e aos acionadores de trilhador 313 para ajustar uma velocidade rotacional do trilhador cilindro 116 e/ou um espaçamento entre o cilindro trilhador 116 e o côncavo 114.

[0020] No exemplo da Fig. 3, o controlador 301 é também comunicativamente acoplado a uma pluralidade de sensores que provêm o controlador 301 com realimentação e/ou outra informação relativa a condições operacionais da colheitadeira combinada 100. Por exemplo, o controlador 301 é acoplado a um higrômetro 315 configurado para prover um sinal ao controlador 301 indicativo de uma umidade medida e a um sensor de luz ambiente 317 configurado para medir uma quantidade de luz ambiente. O controlador 301 pode também ser acoplado a sensores de inclinação 319, 321 configurados para prover informação ao controlador 301 relativa a inclinação lateral e longitudinal de uma superfície de campo na qual a colheitadeira combinada 100 está operando. O controlador 301 é também comunicativamente acoplado a um sensor físico de perda de grão 323 configurado para prover um sinal de saída indicativo de uma quantidade de perda de grão medida ao controlador 301.

[0021] No exemplo da Fig. 3, o controlador 301 é também comunicativamente acoplado a um comutador alternado 325 e/ou outros controles de entrada de usuário e um transceptor sem fio 327 para comunicar com sistemas de computador remotos. Em várias diferentes implementações, o controlador 301 pode ser configurado para comunicar com outros sensores ou acionadores em adição ou em substituição aos sensores e acionadores ilustrados no exemplo da Fig. 3. Além disso, em várias diferentes implementações, o controlador 301 pode ser configurado para comunicar com os sensores e acionadores através de uma interface de comunicação física, uma interface de comunicação sem fio, ou combinações de interfaces físicas e sem fio.

[0022] A Fig. 4 ilustra um exemplo de uma rede neural artificial (ANN) projetada para estimar/predizer perdas de grão com base em definições de máquina, configurações, e entradas operacionais. No exemplo específico da Fig. 4, a rede neural artificial recebe como entradas uma taxa de alimentação total (por exemplo, com base na definição operacional atual do alimentador 307), uma umidade (com base na saída do higrômetro 315), uma inclinação longitudinal (com base na saída do sensor de inclinação longitudinal 319), uma inclinação lateral (com base na saída do sensor de inclinação lateral 321), uma velocidade de ventoinha (com base na definição operacional atual da ventoinha 309), um tamanho de abertura do picador de palha (com base na definição operacional atual do(s) acionador(s) do picador de palha 311), e uma medição de luz ambiente (com base na saída do sensor de luz ambiente 317). A rede neural artificial da Fig. 4 é treinada para produzir uma quantidade estimada de perda de grão (por exemplo, como uma taxa de perda de grão) com base nessas entradas. Através do retreinamento continuado da rede neural artificial, o sistema será capaz de identificar melhor as entradas que contribuem para perda de grão. Dessa forma, em várias diferentes implementações, a rede artificialmente neural pode ser configurada para receber mais entradas, menos entradas, ou outras entradas além das entradas listadas no exemplo da Fig. 4.

[0023] O exemplo da Fig. 4 é configurado para produzir uma única saída indicativa de “perda de grão”. Dessa forma, em algumas implementações, uma única rede neural artificial pode ser implementada para produzir uma estimativa de perda de grão total. Entretanto, em outras implementações, uma ou mais redes neurais artificiais podem ser treinadas para estimar um tipo particular de perda de grão. Por exemplo, um controlador 301 pode ser configurado para usar uma rede neural artificial que é treinada para estimar apenas perda por separação. Em um outro exemplo, o controlador 301 pode ser configurado para usar múltiplas diferentes redes neurais artificiais onde uma rede neural artificial é treinada para estimar perda por separação e uma outra rede neural artificial é treinada para estimar perda na sapata de limpeza. Em ainda outras implementações, o controlador 301 pode ser configurado para aplicar uma rede neural artificial que é treinada para produzir múltiplas saídas, cada uma indicativa de um tipo diferente de perda de grão. Por exemplo, a Fig. 5 ilustra uma rede neural artificial que é configurada para receber as mesmas entradas que a rede neural artificial da Fig. 4, mas é treinada para produzir duas saídas: uma estimativa de perda de grão por separação e uma estimativa de perda de grão na sapata de limpeza. Outras implementações podem ser configuradas para usar redes neurais artificiais que são treinadas para estimar diferentes tipos de perda de grão incluem, por exemplo, perdas pré-colheita, perdas na ponteira e perdas por fuga.

[0024] As redes neurais artificiais ilustras nos exemplos das Figs. 4 e 5 recebem como entradas uma variedade de valores de sensor e acionador. Entretanto, elas não recebem como uma entrada medida uma quantidade de perda de grão do sensor de perda de grão 323. Dessa forma, o controlador 301 pode ser configurado para usar o mecanismo de rede neural artificial como uma redundância (para detectar inconsistências ou problemas dos sensores de hardware) ou como um sensor de perda de grão simplex (para prover um mecanismo alternativo para medir perda de grão). Em algumas implementações, a colheitadeira combinada 100 pode ser configurada para não incluir nenhum sensor físico de perda de grão 323 e, em vez disso, usar o mecanismo de rede neural artificial como o único método para estimar/medir perda de grão.

[0025] A Fig. 6 ilustra um exemplo de um método para usar a rede neural artificial como uma redundância para confirmar a operação correta do sensor físico de perda de grão 323 (por exemplo, um sensor físico de perda de grão configurado para detectar perda por separação). O controlador 301 recebe um sinal de saída do sensor de perda de grão 323 e determina, com base na saída do sensor, uma quantidade de perda por separação (etapa 601). O controlador 301 também aplica a rede neural artificial (por exemplo, da Fig. 4) para determinar uma quantidade estimada de perda por separação (etapa 603). O controlador 301 compara os dois valores de perda de grão determinados e, se a diferença estiver dentro de um limiar de tolerância definido (etapa 605), o controlador 301 determina que o sensor físico de perda de grão 323 está operando corretamente e define a perda por separação com base na saída do sensor (etapa 607). Entretanto, se a diferença for maior que o limiar de tolerância, então o controlador 301 determina que existe um erro na saída do sensor físico de perda de grão 323 (etapa 609) e define a perda por separação com base na saída da rede neural artificial (isto é, o “sensor virtual”) (etapa 611).

[0026] Em algumas implementações, o controlador 301 é configurado para atualizar e retreinar a rede neural artificial com base no conjunto de entradas e em uma saída definida determinada pelo sensor físico de perda de grão 323. Por exemplo, no método da Fig. 6, o controlador 301 é configurado para retreinar a rede neural artificial em resposta à determinação de que o sensor físico de perda de grão 323 está operando corretamente (etapa 613). Isto pode ser implementado, por exemplo, usando “aprendizagem supervisionada” na qual a saída do sensor físico de perda de grão 323 é provida como a “saída” definida correspondente ao conjunto atual de “entradas”. Em algumas implementações, o controlador 301 pode ser configurado para realizar esta operação de retreinamento localmente enquanto, em outras implementações, o conjunto de entradas e a “saída” definida são transferidos para um sistema de computador remoto (por exemplo, por meio do transceptor sem fio 327) que retreina a rede neural artificial e transmite uma rede neural artificial atualizada de volta ao controlador 301 para uso futuro. Em algumas implementações, a rede neural artificial é retreinada com base apenas em dados de uma única colheitadeira combinada 100 enquanto, em outras implementações, a rede neural artificial é configurada para agregar dados de múltiplas diferentes colheitadeiras combinadas para retreinar a rede neural artificial. Por exemplo, a rede neural artificial pode ser retreinada com base em dados de múltiplas colheitadeiras combinadas em uma frota.

[0027] No exemplo da Fig. 6, em resposta à determinação de que o sensor físico de perda de grão 323 está operando corretamente, a perda por separação é definida com base na saída do sensor físico de perda de grão 323 (etapa 607). Em algumas implementações, o controlador 301 pode ser configurado para fazer isto simplesmente definindo perda por separação como igual à saída do sensor de perda de grão 323. Entretanto, em outras implementações, o controlador 301 pode ser configurado para determinar uma quantidade de perda de grão com base tanto na saída do sensor físico de perda de grão 323 quanto na saída do “sensor virtual” baseado em rede neural artificial. Por exemplo, o controlador 301 pode ser configurado para definir a perda por separação como uma média da saída do sensor físico de perda de grão 323 e da saída do sensor virtual.

[0028] O exemplo da Fig. 6 exige tanto o “sensor virtual” quanto um sensor físico de perda de grão 323 como um mecanismo redundante para medir perda de grão. Entretanto, em outras implementações, o sensor físico de perda de grão 323 pode ser omitido completamente e substituído com o sensor virtual. Por exemplo, o controlador 301 pode ser configurado para definir perda de grão total, perda por separação e/ou perda na sapata de limpeza com base na saída de uma ou mais redes neurais artificiais. Dessa forma, o custo da colheitadeira combinada 100 pode ser reduzido substituindo o sensor físico de perda de grão 323 com o sensor virtual.

[0029] Similarmente, em algumas implementações, o sistema pode ser configurado para permitir que um operador selecione manualmente se usa o sensor virtual como uma redundância para o sensor físico de perda de grão ou usa apenas o sensor virtual como um mecanismo “simplex” para determinar perda de grão. A Fig. 7 ilustra um exemplo de um método como esse. O controlador 301 monitora o estado de um controle de entrada de usuário (por exemplo, comutador alternado 325) (etapa 701) para determinar se o operador selecionou um “modo redundante” ou um “modo simplex” (etapa 703). Se o operador tiver selecionado o “modo simplex” (isto é, movendo o comutador alternado para uma primeira posição), o controlador 301 aplica a rede neural artificial para determinar perda de grão usando o “sensor virtual” (etapa 705). Ao contrário, se o operador tiver selecionado o “modo redundante” (isto é, movendo o comutador alternado para uma segunda posição), o controlador 301 aplica um método como ilustrado na Fig. 6 para usar a saída do “sensor virtual” como uma redundância da saída do sensor físico de perda de grão (etapa 707).

[0030] Dessa forma, a invenção provê, dentre outras coisas, sistemas e métodos para um sensor de perda de grão virtual usando uma rede neural artificial configurada para estimar perda de grão com base em definições operacionais de máquina e/ou outras saídas de sensor. Vários recursos e vantagens da invenção são apresentados nas reivindicações seguintes.

Claims

Método para determinar uma quantidade de perda de grão durante operação de uma colheitadeira combinada, o método caracterizado pelo fato de que compreende:
determinar, por um processador eletrônico, valores para um conjunto de parâmetros operacionais, o conjunto de parâmetros operacionais não incluindo nenhuma medição direta de perda de grão; e
aplicar, pelo processador eletrônico, uma rede neural artificial treinada para receber como entradas o conjunto de parâmetros operacionais e produzir como uma saída um valor indicativo de uma quantidade estimada de perda de grão.
Método de acordo com a reivindicação 1, caracterizado pelo fato de que determinar os valores para o conjunto de parâmetros operacionais inclui:
determinar pelo menos um valor de sensor com base em uma saída recebida pelo processador eletrônico de um sensor indicativo de uma condição medida pelo sensor, e
determinar pelo menos uma definição de acionador, em que o processador eletrônico é configurado para controlar a colheitadeira combinada pela aplicação de pelo menos uma definição de acionador a um acionador da colheitadeira combinada.
Método de acordo com a reivindicação 1, caracterizado pelo fato de que determinar os valores para o conjunto de parâmetros operacionais inclui determinar valores de:
uma taxa de alimentação total da colheitadeira combinada,
uma umidade,
uma inclinação longitudinal,
uma inclinação lateral,
uma velocidade de uma ventoinha configurada para soprar uma corrente de ar sobre pelo menos uma peneira de uma sapata de limpeza da colheitadeira combinada,
um tamanho de abertura do picador de palha da sapata de limpeza da colheitadeira combinada, e
uma quantidade de luz ambiente.
Método de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente:
receber, pelo processador eletrônico, uma saída de um sensor físico de perda de grão indicativa de uma quantidade de perda de grão medida pelo sensor físico de perda de grão; e
confirmar a operação correta do sensor físico de perda de grão com base pelo menos em parte em uma comparação da saída do sensor físico de perda de grão e a saída da rede neural artificial.
Método de acordo com a reivindicação 4, caracterizado pelo fato de que compreende adicionalmente:
monitorar, pelo processador eletrônico, um estado de um comutador alternado para determinar se o comutador alternado está em uma primeira posição ou uma segunda posição;
em resposta à determinação de que o comutador alternado está em uma primeira posição, definir a quantidade de perda de grão com base na saída do sensor físico de perda de grão, ainda usando a saída da rede neural artificial para confirmar a operação correta do sensor físico de perda de grão; e
em resposta à determinação de que o comutador alternado está em uma segunda posição, definir a quantidade de perda de grão com base na saída da rede neural artificial.
Método de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente:
receber, pelo processador eletrônico, uma saída de um sensor físico de perda de grão indicativa de uma quantidade de perda de grão medida pelo sensor físico de perda de grão; e
retreinar a rede neural artificial através de aprendizagem de máquina supervisionada usando o conjunto de parâmetros operacionais como a entrada e a saída do sensor físico de perda de grão como uma saída definida da rede neural artificial.
Método de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente ajustar, pelo processador eletrônico, pelo menos uma definição do acionador da colheitadeira combinada com base pelo menos em parte na quantidade determinada de perda de grão.
Método de acordo com a reivindicação 1, caracterizado pelo fato de que aplicar a rede neural artificial inclui aplicar uma primeira rede neural artificial treinada para produzir como uma saída um valor indicativo de uma quantidade de perda por separação, e adicionalmente compreendendo aplicar uma segunda rede neural artificial treinada para produzir como uma saída um valor indicativo de uma quantidade de perda na sapata de limpeza.
Método de acordo com a reivindicação 8, caracterizado pelo fato de que a segunda rede neural artificial é configurada para receber como entradas um segundo conjunto de parâmetros operacionais, e em que o segundo conjunto de parâmetros operacionais é diferente do conjunto de parâmetros operacionais recebido como as entradas pela primeira rede neural artificial.
Método de acordo com a reivindicação 8, caracterizado pelo fato de que o conjunto de parâmetros operacionais recebido como entradas pela segunda rede neural artificial é o mesmo do conjunto de parâmetros operacionais recebido como entradas pela primeira rede neural artificial.
Sistema configurado para aplicar um sensor virtual para determinar uma quantidade de perda de grão durante operação de uma colheitadeira combinada, o sistema caracterizado pelo fato de que compreende:
uma pluralidade de acionadores;
uma pluralidade de sensores; e
um controlador eletrônico configurado para:
aplicar uma definição de acionador a cada acionador da pluralidade de acionadores para controlar operação da colheitadeira combinada,
receber sinais de saída de cada sensor dentre a pluralidade de sensores, em que o sinal de saída de cada sensor é indicativo de uma condição operacional diferente da colheitadeira combinada,
determinar valores para um conjunto de parâmetros operacionais, o conjunto de parâmetros operacionais não incluindo nenhuma medição direta de perda de grão, e
aplicar uma rede neural artificial treinada para receber como entradas o conjunto de parâmetros operacionais e produzir como uma saída um valor indicativo de uma quantidade de perda de grão.
Sistema de acordo com a reivindicação 11, caracterizado pelo fato de que o conjunto de parâmetros operacionais inclui pelo menos um selecionado a partir o grupo que consiste em:
uma taxa de alimentação total da colheitadeira combinada,
uma umidade medida,
uma inclinação longitudinal,
uma inclinação lateral,
uma velocidade de uma ventoinha configurada para soprar uma corrente de ar sobre pelo menos uma peneira de uma sapata de limpeza da colheitadeira combinada,
um tamanho de abertura do picador de palha da sapata de limpeza da colheitadeira combinada, e
uma quantidade de luz ambiente.
Sistema de acordo com a reivindicação 11, caracterizado pelo fato de que compreende adicionalmente um sensor físico de perda de grão configurado para medir diretamente uma quantidade de perda de grão e produzir um sinal indicativo da quantidade de perda de grão medida pelo sensor físico de perda de grão, em que o processador eletrônico é adicionalmente configurado para
receber a saída do sensor físico de perda de grão, e
confirmar a operação correta do sensor físico de perda de grão com base pelo menos em parte em uma comparação da saída do sensor físico de perda de grão e na saída da rede neural artificial.
Sistema de acordo com a reivindicação 13, caracterizado pelo fato de que compreende adicionalmente um comutador alternado seletivamente posicionável em uma primeira posição e uma segunda posição, em que o processador eletrônico é adicionalmente configurado para:
monitorar o comutador alternado para determinar se o comutador alternado está na primeira posição ou na segunda posição,
em resposta à determinação de que o comutador alternado está na primeira posição, definir a quantidade de perda de grão com base na saída do sensor físico de perda de grão, ainda usando a saída da rede neural artificial para confirmar a operação correta do sensor físico de perda de grão, e
em resposta à determinação de que o comutador alternado está na segunda posição, definir a quantidade de perda de grão com base na saída da rede neural artificial.
Sistema de acordo com a reivindicação 14, caracterizado pelo fato de que o processador eletrônico é adicionalmente configurado para definir a quantidade de perda de grão com base na saída da rede neural artificial quando o comutador alternado está na primeira posição em resposta à determinação de que o sensor físico de perda de grão não está operando corretamente com base na comparação da saída do sensor físico de perda de grão e na saída da rede neural artificial.
Sistema de acordo com a reivindicação 11, caracterizado pelo fato de que compreende adicionalmente um sensor físico de perda de grão configurado para medir diretamente uma quantidade de perda de grão e produzir um sinal indicativo da quantidade de perda de grão medida pelo sensor físico de perda de grão, em que o processador eletrônico é adicionalmente configurado para:
receber a saída do sensor físico de perda de grão, e
retreinar a rede neural artificial através de aprendizagem de máquina supervisionada usando o conjunto de parâmetros operacionais como a entrada e a saída do sensor físico de perda de grão como uma saída definida da rede neural artificial.
Sistema de acordo com a reivindicação 11, caracterizado pelo fato de que o processador eletrônico é adicionalmente configurado para ajustar pelo menos uma definição de acionador da colheitadeira combinada com base pelo menos em parte na quantidade determinada de perda de grão.
Sistema de acordo com a reivindicação 11, caracterizado pelo fato de que o processador eletrônico é configurado para aplicar a rede neural artificial aplicando uma primeira rede neural artificial treinada para produzir como uma saída um valor indicativo de uma quantidade de perda por separação, e em que o processador eletrônico é adicionalmente configurado para aplicar uma segunda rede neural artificial treinada para produzir como uma saída um valor indicativo de uma quantidade de perda na sapata de limpeza.
Sistema de acordo com a reivindicação 18, caracterizado pelo fato de que a segunda rede neural artificial é configurada para receber como entradas um segundo conjunto de parâmetros operacionais, e em que o segundo conjunto de parâmetros operacionais é diferente do conjunto de parâmetros operacionais recebido como as entradas pela primeira rede neural artificial.
Sistema de acordo com a reivindicação 18, caracterizado pelo fato de que o conjunto de parâmetros operacionais recebido como entradas pela segunda rede neural artificial é o mesmo que o conjunto de parâmetros operacionais recebido como entradas pela primeira rede neural artificial.