BR112022023051B1

BR112022023051B1 - PREDICTIVE MAINTENANCE SYSTEM FOR AN IRRIGATION SYSTEM, COMPUTER IMPLEMENTED METHOD FOR PREDICTIVE MAINTENANCE FOR AN IRRIGATION SYSTEM AND NON-TRANSIENT COMPUTER READABLE MEDIA

Info

Publication number: BR112022023051B1
Application number: BR112022023051-6A
Authority: BR
Inventors: Russell Sanders; Jeremie Pavelski
Original assignee: Heartland Ag Tech, Inc
Priority date: 2020-05-14
Filing date: 2021-05-11
Publication date: 2023-07-25

Abstract

SISTEMA DE MANUTENÇÃO PREDITIVA PARA UM SISTEMA DE IRRIGAÇÃO, MÉTODO IMPLEMENTADO POR COMPUTADOR PARA MANUTENÇÃO PREDITIVA PARA UM SISTEMA DE IRRIGAÇÃO E MEIO LEGÍVEL POR COMPUTADOR NÃO TRANSITÓRIO. Um sistema prevê a manutenção necessária para um sistema de irrigação agrícola que inclui um pivô e uma pistola de extremidade móvel montada no pivô. O sistema de manutenção preditiva inclui um controlador e um ou mais sensores configurados para acoplar à pistola de extremidade móvel e configurados para se comunicar eletricamente com o controlador. Os um ou mais sensores são configurados para gerar um sinal elétrico indicativo de movimento e/ou posicionamento da pistola de extremidade móvel em relação ao pivô ao longo do tempo. O controlador é configurado para receber o sinal elétrico e determinar se a pistola de extremidade móvel, ou um ou mais componentes da mesma, requer manutenção com base no sinal elétrico.PREDICTIVE MAINTENANCE SYSTEM FOR AN IRRIGATION SYSTEM, COMPUTER IMPLEMENTED METHOD FOR PREDICTIVE MAINTENANCE FOR AN IRRIGATION SYSTEM AND NON-TRANSIENT COMPUTER READABLE MEDIA. One system provides necessary maintenance for an agricultural irrigation system that includes a pivot and a moving end gun mounted on the pivot. The predictive maintenance system includes a controller and one or more sensors configured to couple to the moving end gun and configured to communicate electrically with the controller. The one or more sensors are configured to generate an electrical signal indicative of movement and/or positioning of the moving end gun relative to the pivot over time. The controller is configured to receive the electrical signal and determine whether the trailing end gun, or one or more components thereof, requires maintenance based on the electrical signal.

Description

CROSS REFERENCE WITH RELATED ORDERS

[001] Este pedido reivindica o benefício do Pedido de Patente Provisório dos EUA 63/024.721, depositado em 14 de maio de 2020, cujo conteúdo integral é aqui incorporado por referência.[001] This application claims the benefit of US Provisional Patent Application 63/024,721, filed on May 14, 2020, the entire contents of which are incorporated herein by reference.

TECHNICAL FIELD

[002] Esta revelação se refere a sistemas de irrigação e, mais particularmente, a estruturas e métodos para efetuar a manutenção preditiva de sistemas de irrigação.[002] This disclosure relates to irrigation systems and, more particularly, to structures and methods for carrying out predictive maintenance of irrigation systems.

BACKGROUND

[003] Sistemas de irrigação como pivôs, sistemas de movimentação lateral, sistemas de irrigação por gotejamento, etc. quebram em média três vezes por ano em 40 usos. Essas quebras ocorrem durante etapas críticas de crescimento e, em muitos casos, no meio do campo.[003] Irrigation systems such as pivots, lateral movement systems, drip irrigation systems, etc. They break on average three times a year after 40 uses. These breaks occur during critical stages of growth and, in many cases, in the middle of the field.

SUMMARY

[004] Para limitar atrasos, aumento de custos e outros problemas associados à quebra do sistema de irrigação, esta revelação detalha uma solução que inclui observação digital do sistema de irrigação durante a operação normal e parâmetros de-finidos que indicam operação anormal. Para observar essas anomalias operacionais, sensores podem ser adicionados ao sistema de irrigação para fornecer dados para algoritmos processarem. Esses algoritmos podem ser baseados em lógica ou análise. Dados operacionais existentes disponíveis comercialmente podem ser usados em alguns casos. Em aspectos, outras fontes de dados podem ser externas ao sistema, como clima da Administração Nacional Oceânica e Atmosférica (NOAA), mapas topográficos, umidade do solo, etc. ou combinações dos mesmos.[004] To limit delays, increased costs and other problems associated with irrigation system breakdown, this disclosure details a solution that includes digital observation of the irrigation system during normal operation and defined parameters that indicate abnormal operation. To observe these operational anomalies, sensors can be added to the irrigation system to provide data for algorithms to process. These algorithms can be based on logic or analysis. Existing commercially available operational data may be used in some cases. In aspects, other data sources may be external to the system, such as National Oceanic and Atmospheric Administration (NOAA) weather, topographic maps, soil moisture, etc. or combinations thereof.

[005] De acordo com um aspecto, é fornecido um sistema de manutenção pre- ditiva para um sistema de irrigação. O sistema de irrigação agrícola inclui um pivô e uma arma de extremidade móvel montada no pivô. O sistema de manutenção preditiva inclui pelo menos um sensor configurado para acoplar à arma de extremidade móvel, um processador e uma memória. O pelo menos um sensor é configurado para gerar um sinal indicativo de operação anormal da arma de extremidade móvel. A memória inclui instruções armazenadas nela que, quando executadas pelo processador, fazem com que o sistema de manutenção preditiva receba o sinal detectado, determine a operação anormal da arma de extremidade móvel e preveja, por um modelo de aprendizado de máquina, um requisito de manutenção da arma de extremidade móvel com base na operação anormal determinada.[005] According to one aspect, a predictive maintenance system for an irrigation system is provided. The agricultural irrigation system includes a pivot and a moving end gun mounted on the pivot. The predictive maintenance system includes at least one sensor configured to couple to the moving end weapon, a processor, and a memory. The at least one sensor is configured to generate a signal indicative of abnormal operation of the moving end weapon. The memory includes instructions stored therein that, when executed by the processor, cause the predictive maintenance system to receive the detected signal, determine abnormal operation of the trailing end weapon, and predict, by a machine learning model, a maintenance requirement. of the moving end weapon based on the determined abnormal operation.

[006] Em um aspecto da presente revelação, as instruções, quando executadas pelo processador, podem ainda fazer com que o sistema de manutenção preditiva exiba em um visor o requisito de manutenção predita da arma de extremidade móvel.[006] In one aspect of the present disclosure, the instructions, when executed by the processor, may further cause the predictive maintenance system to display on a display the predicted maintenance requirement of the trailing end weapon.

[007] Em outro aspecto da presente revelação, o sensor pode incluir um codificador, um sensor de pressão, um fluxímetro, um magnetômetro, um giroscópio, um acelerômetro, uma câmera, um sensor de gestos, um microfone, um telêmetro a laser, um interruptor de palheta, um interruptor magnético e/ou um interruptor óptico.[007] In another aspect of the present disclosure, the sensor may include an encoder, a pressure sensor, a flow meter, a magnetometer, a gyroscope, an accelerometer, a camera, a gesture sensor, a microphone, a laser rangefinder, a reed switch, a magnetic switch and/or an optical switch.

[008] Ainda em outro aspecto da presente revelação, o sinal de operação anormal pode incluir uma indicação de movimento e/ou posicionamento em relação ao pivô durante um período de tempo.[008] In yet another aspect of the present disclosure, the abnormal operation signal may include an indication of movement and/or positioning relative to the pivot over a period of time.

[009] Em um aspecto adicional da presente revelação, o sinal de operação anormal pode ser baseado em uma frequência de giro da arma de extremidade ficando acima ou abaixo de um limite predeterminado.[009] In a further aspect of the present disclosure, the abnormal operating signal may be based on a tip gun rotation frequency being above or below a predetermined threshold.

[010] Em um aspecto da presente revelação, o sensor pode incluir um sensor de corrente, um sensor de potência, um sensor de tensão ou combinações dos mesmos.[010] In one aspect of the present disclosure, the sensor may include a current sensor, a power sensor, a voltage sensor, or combinations thereof.

[011] Em outro aspecto da presente revelação, as instruções, quando executadas pelo processador, podem ainda fazer com que o sistema de manutenção predi- tiva transmita uma indicação do requisito de manutenção prevista para um dispositivo de usuário para exibição e exiba em um visor do dispositivo de usuário, a indicação do requisito de manutenção predita.[011] In another aspect of the present disclosure, the instructions, when executed by the processor, may further cause the predictive maintenance system to transmit an indication of the expected maintenance requirement to a user device for display and display on a display. of the user device, the indication of the predicted maintenance requirement.

[012] Ainda em outro aspecto da presente revelação, o modelo de aprendizado de máquina pode ser baseado em uma rede de aprendizado profundo, um modelo clássico de aprendizado de máquina ou combinações dos mesmos.[012] In yet another aspect of the present disclosure, the machine learning model may be based on a deep learning network, a classical machine learning model, or combinations thereof.

[013] Em um aspecto adicional da presente revelação, as instruções, quando executadas pelo processador, podem ainda fazer com que o sistema de manutenção preditiva receba dados de pelo menos um de uma estação meteorológica, um sensor de umidade do solo de campo, um mapa de terreno e solo, um sensor de temperatura e/ou clima da Administração Nacional Oceânica e Atmosférica.[013] In a further aspect of the present disclosure, the instructions, when executed by the processor, may further cause the predictive maintenance system to receive data from at least one of a weather station, a field soil moisture sensor, a terrain and soil map, a temperature and/or climate sensor from the National Oceanic and Atmospheric Administration.

[014] Em um aspecto da presente revelação, a predição pode ser baseada na comparação de uma potência e/ou um ciclo de trabalho detectado pelo sensor a uma potência e/ou ciclo de trabalho esperado.[014] In one aspect of the present disclosure, the prediction may be based on comparing a power and/or duty cycle detected by the sensor to an expected power and/or duty cycle.

[015] De acordo com aspectos da revelação, é apresentado um método implementado por computador para manutenção preditiva para um sistema de irrigação. O método implementado por computador inclui receber um sinal, detectado por um sensor disposto em uma arma de extremidade móvel montada em um pivô do sistema de irrigação, indicativo de uma condição de operação anormal da arma de extremi-dade móvel, o sistema de irrigação configurado para irrigar uma área agrícola, determinar a operação anormal da arma de extremidade móvel e prever, por um modelo de aprendizado de máquina, um requisito de manutenção da arma de extremidade móvel com base na operação anormal determinada.[015] According to aspects of the disclosure, a computer-implemented method for predictive maintenance for an irrigation system is presented. The computer-implemented method includes receiving a signal, detected by a sensor disposed in a moving end gun mounted on a pivot of the irrigation system, indicative of an abnormal operating condition of the moving end gun, the configured irrigation system. to irrigate an agricultural area, determine the abnormal operation of the trailing end gun, and predict, by a machine learning model, a maintenance requirement of the trailing end gun based on the determined abnormal operation.

[016] Em um aspecto da presente revelação, o método pode ainda incluir a exibição em um visor do requisito de manutenção predita da arma de extremidade móvel.[016] In one aspect of the present disclosure, the method may further include displaying on a display the predicted maintenance requirement of the mobile end weapon.

[017] Em outro aspecto da presente revelação, o sensor pode incluir um codificador, um sensor de pressão, um fluxímetro, um magnetômetro, um giroscópio, um acelerômetro, uma câmera, um sensor de gestos, um microfone, um telêmetro a laser, um interruptor de palheta, um interruptor magnético e/ou um interruptor óptico.[017] In another aspect of the present disclosure, the sensor may include an encoder, a pressure sensor, a flow meter, a magnetometer, a gyroscope, an accelerometer, a camera, a gesture sensor, a microphone, a laser rangefinder, a reed switch, a magnetic switch and/or an optical switch.

[018] Ainda em outro aspecto da presente revelação, o sinal de operação anormal pode incluir uma indicação de movimento e/ou posicionamento em relação ao pivô durante um período de tempo.[018] In yet another aspect of the present disclosure, the abnormal operation signal may include an indication of movement and/or positioning relative to the pivot over a period of time.

[019] Em um aspecto adicional da presente revelação, o sinal de operação anormal pode ser baseado em uma frequência de giro da arma de extremidade ficando acima ou abaixo de um limite predeterminado.[019] In a further aspect of the present disclosure, the abnormal operating signal may be based on a tip gun rotation frequency being above or below a predetermined threshold.

[020] Ainda em outro aspecto da presente revelação, o sensor pode incluir um sensor de corrente, um sensor de potência, um sensor de tensão e/ou combinações dos mesmos.[020] In yet another aspect of the present disclosure, the sensor may include a current sensor, a power sensor, a voltage sensor and/or combinations thereof.

[021] Em outro aspecto da presente revelação, o método pode incluir ainda a transmissão de uma indicação do requisito de manutenção predita para um dispositivo de usuário para exibição e exibição, em um visor do dispositivo de usuário, da indicação do requisito de manutenção predita.[021] In another aspect of the present disclosure, the method may further include transmitting an indication of the predicted maintenance requirement to a user device for displaying and displaying, on a display of the user device, the indication of the predicted maintenance requirement. .

[022] Ainda em outro aspecto da presente revelação, o modelo de aprendizado de máquina pode ser baseado em uma rede de aprendizado profundo, um modelo clássico de aprendizado de máquina e/ou combinações dos mesmos.[022] In yet another aspect of the present disclosure, the machine learning model may be based on a deep learning network, a classical machine learning model and/or combinations thereof.

[023] Em um aspecto adicional da presente revelação, a predição é baseada na comparação de uma potência detectada pelo sensor a uma potência esperada com base em uma umidade do solo medida diretamente, uma umidade do solo inferida a partir de dados climáticos do campo e/ou estações de clima regionais, um mapa topo-gráfico, um mapa de solo, uma RPM do motor, uma relação de caixa de engrenagens, um peso de torre, um peso de extensão, uma condição de operação da arma de extremidade móvel ou combinações dos mesmos.[023] In a further aspect of the present disclosure, the prediction is based on comparing a power detected by the sensor to an expected power based on a directly measured soil moisture, a soil moisture inferred from field weather data, and /or regional weather stations, a topo map, a ground map, an engine RPM, a gearbox ratio, a turret weight, an extension weight, a trailing end weapon operating condition, or combinations thereof.

[024] De acordo com aspectos da revelação, é apresentado um meio legível por computador não transitório que armazena instruções que, quando executadas por um processador, fazem com que o processador execute um método para manutenção preditiva para um sistema de irrigação. O método inclui receber um sinal, detectado por um sensor disposto em uma arma de extremidade móvel do sistema de irrigação, indicativo de uma condição de operação anormal da arma de extremidade móvel, o sistema de irrigação configurado para irrigar uma área agrícola, determinar a operação anormal da arma de extremidade móvel, prever, por um modelo de aprendizado de máquina, um requisito de manutenção da arma de extremidade móvel com base na operação anormal determinada e exibir em um visor o requisito de manutenção predita da arma de extremidade móvel.[024] According to aspects of the disclosure, there is disclosed a non-transitory computer readable medium that stores instructions that, when executed by a processor, cause the processor to execute a method for predictive maintenance for an irrigation system. The method includes receiving a signal, detected by a sensor disposed in a moving end gun of the irrigation system, indicative of an abnormal operating condition of the moving end gun, the irrigation system configured to irrigate an agricultural area, determining the operation of the moving end weapon, predict, by a machine learning model, a maintenance requirement of the moving end weapon based on the determined abnormal operation, and display on a display the predicted maintenance requirement of the moving end weapon.

[025] Outros aspectos, características e vantagens serão evidentes a partir da descrição, dos desenhos e das reivindicações que se seguem.[025] Other aspects, characteristics and advantages will be evident from the description, drawings and claims that follow.

BRIEF DESCRIPTION OF THE DRAWINGS

[026] Os desenhos anexos, que são incorporados e constituem parte deste relatório descritivo, ilustram aspectos da revelação e, juntamente com uma descrição geral da revelação dada acima e a descrição detalhada dada abaixo, explicam os princípios desta revelação, em que: a figura 1 é um diagrama que ilustra um sistema de manutenção preditiva; a figura 2 é um diagrama de blocos de um controlador configurado para uso com o sistema de manutenção preditiva da figura 1; a figura 3 é um diagrama que ilustra um modelo de aprendizado de máquina configurado para uso com o sistema de manutenção preditiva da figura 1; a figura 4A ilustra um fluxograma exemplar de uma operação de fazenda típica; a figura 4B ilustra um fluxograma exemplar de uma operação de fazenda incluindo um sistema de manutenção preditiva de acordo com os princípios desta revelação; a figura 5 ilustra um fluxo de trabalho de ciência de dados com vários modelos do sistema de manutenção preditiva ilustrado na figura 1; as figuras 6 a 8 são diagramas de interface de hardware de exemplo e instrumentação do sistema de manutenção preditiva da figura 1; a figura 9 é uma vista em perspectiva de uma porção de um pivô exemplar do sistema de manutenção preditiva da figura 1; a figura 10 é uma vista em perspectiva de uma porção de instrumentação de compressor de ar de outro pivô exemplar do sistema de manutenção preditiva da figura 1; a figura 11A é uma vista em perspectiva de um conjunto de arma de extremidade do sistema de manutenção preditiva de acordo com os princípios desta revelação; a figura 11B é uma vista lateral do conjunto de arma de extremidade da figura 11A; as figuras 12A a 12C são exemplos de sinais gerados com o sistema de manutenção preditiva da figura 11A. as figuras 13A e 13B ilustram fluxogramas exemplares de sistemas de manutenção preditiva incluindo monitoramento de arma de extremidade de acordo com os princípios desta revelação; a figura 14 ilustra o fluxo de trabalho de ciência de dados exemplar dos sistemas de manutenção preditiva desta revelação; as figuras 15 a 17 são fluxogramas ilustrativos para sistemas de teste dos sistemas de manutenção preditiva desta revelação e a figura 18 é um modelo ilustrativo para predição de desempenho de arma de extremidade usando uma unidade de medição inercial de nove graus de liberdade.[026] The attached drawings, which are incorporated and constitute part of this specification, illustrate aspects of the disclosure and, together with a general description of the disclosure given above and the detailed description given below, explain the principles of this disclosure, in which: the figure 1 is a diagram illustrating a predictive maintenance system; Figure 2 is a block diagram of a controller configured for use with the predictive maintenance system of Figure 1; Figure 3 is a diagram illustrating a machine learning model configured for use with the predictive maintenance system of Figure 1; Figure 4A illustrates an exemplary flowchart of a typical farm operation; Figure 4B illustrates an exemplary flowchart of a farm operation including a predictive maintenance system in accordance with the principles of this disclosure; Figure 5 illustrates a data science workflow with various models of the predictive maintenance system illustrated in Figure 1; Figures 6 to 8 are example hardware interface diagrams and instrumentation of the predictive maintenance system of Figure 1; Figure 9 is a perspective view of a portion of an exemplary pivot of the predictive maintenance system of Figure 1; Figure 10 is a perspective view of an air compressor instrumentation portion of another exemplary pivot of the predictive maintenance system of Figure 1; Figure 11A is a perspective view of an end weapon assembly of the predictive maintenance system in accordance with the principles of this disclosure; Figure 11B is a side view of the end gun assembly of Figure 11A; Figures 12A to 12C are examples of signals generated with the predictive maintenance system of Figure 11A. Figures 13A and 13B illustrate exemplary flowcharts of predictive maintenance systems including edge weapon monitoring in accordance with the principles of this disclosure; Figure 14 illustrates the exemplary data science workflow of the predictive maintenance systems of this disclosure; Figures 15 to 17 are illustrative flowcharts for test systems of the predictive maintenance systems of this disclosure and Figure 18 is an illustrative model for predicting edge weapon performance using a nine degrees of freedom inertial measurement unit.

DETAILED DESCRIPTION

[027] Aspectos dos sistemas de manutenção preditiva revelados são descritos em detalhes com referência aos desenhos, nos quais números de referência semelhantes designam elementos idênticos ou correspondentes em cada uma das várias vistas. Termos direcionais como topo, fundo e semelhantes são usados simplesmente por conveniência de descrição e não se destinam a limitar a revelação anexada a este.[027] Aspects of the disclosed predictive maintenance systems are described in detail with reference to the drawings, in which similar reference numbers designate identical or corresponding elements in each of the various views. Directional terms such as top, bottom and the like are used simply for convenience of description and are not intended to limit the disclosure attached hereto.

[028] Na descrição a seguir, funções ou construções bem conhecidas não são descritas em detalhes para evitar obscurecer a presente revelação com detalhes desnecessários.[028] In the following description, well-known functions or constructions are not described in detail to avoid obscuring the present disclosure with unnecessary details.

[029] Vantajosamente, o sistema revelado prevê tempo de inatividade inesperado comum versus notificação de que ocorreu após o fato. O sistema revelado fornece uma visão melhor do que uma equipe dirigindo para observar a operação (o que pode ser subjetivo). A tecnologia hoje apenas notifica a falha após a ocorrência da falha, enquanto o sistema revelado prevê um requisito de manutenção antes que a falha ocorra.[029] Advantageously, the disclosed system predicts common unexpected downtime versus notification that it occurred after the fact. The revealed system provides better insight than a team driving around to observe the operation (which can be subjective). Technology today only notifies failure after the failure occurs, while the revealed system provides for a maintenance requirement before the failure occurs.

[030] Outras medições de condição de diagnóstico são posteriores ao fato, baseadas em lógica e não tentam atribuir uma condição do sistema. Este sistema prevê a falha antes que a falha ocorra, como uma luz de verificação do motor para um carro ou um gêmeo digital para equipamentos conectados. Além disso, embora o sistema revelado seja descrito neste documento em relação à irrigação para uma fazenda de batatas ou vegetais, este sistema pode ser modificado para qualquer operação agrícola adequada que exija irrigação e pode incluir sistemas de irrigação por gotejamento, sistemas de pivô linear e/ou sistemas de pivô central.[030] Other diagnostic condition measurements are after the fact, logic-based, and do not attempt to assign a system condition. This system predicts failure before the failure occurs, like a check engine light for a car or a digital twin for connected equipment. Furthermore, although the disclosed system is described herein in connection with irrigation for a potato or vegetable farm, this system may be modified for any suitable agricultural operation requiring irrigation and may include drip irrigation systems, linear pivot systems and /or center pivot systems.

[031] Com referência às figuras 1 e 7 a 9, um sistema de manutenção preditiva de arma de extremidade 100 é fornecido. Geralmente, o sistema de manutenção pre- ditiva de arma de extremidade 100 inclui um sistema de irrigação 106 e um controlador 200 configurado para executar instruções que controlam a operação do sistema de manutenção preditiva de arma de extremidade pivô 100. O sistema de irrigação 106 pode incluir uma bomba 10 (por exemplo, um compressor, ver figura 11), um pivô 20, uma ou mais torres 30, uma torre de extremidade 40, uma torre de canto 50, um compressor de ar 60 e uma arma de extremidade 70. A bomba 10 pode incluir um ou mais sensores de corrente e um dispositivo de comunicação sem fio 104 configurado para transmitir dados de forma sem fio para o controlador 200 (por exemplo, dados de corrente detectados). O pivô 20 pode incluir um ou mais sensores 102 e um dispositivo de comunicação sem fio 104 configurado para transmitir dados sem fio para o controlador 200. Cada torre 30, torre de canto 50 e torre de extremidade 40 pode incluir um ou mais sensores 102 e um dispositivo de comunicação sem fio 104 configurado para transmitir dados sem fio para o controlador 200. O dispositivo de comunicação sem fio pode incluir, por exemplo, 3G, LTE, 4G, 5G, Bluetooth e/ou Wi-Fi, etc. Os sensores 102 podem incluir pelo menos um de um sensor de corrente, um sensor de tensão e/ou um sensor de potência configurado para detectar, por exemplo, corrente, tensão e/ou potência, respectivamente.[031] With reference to figures 1 and 7 to 9, an end weapon predictive maintenance system 100 is provided. Generally, the end gun predictive maintenance system 100 includes an irrigation system 106 and a controller 200 configured to execute instructions that control the operation of the pivot end gun predictive maintenance system 100. The irrigation system 106 may include a pump 10 (e.g., a compressor, see Figure 11), a pivot 20, one or more turrets 30, an end turret 40, a corner turret 50, an air compressor 60 and an end gun 70. The pump 10 may include one or more current sensors and a wireless communication device 104 configured to wirelessly transmit data to the controller 200 (e.g., sensed current data). The pivot 20 may include one or more sensors 102 and a wireless communication device 104 configured to transmit data wirelessly to the controller 200. Each tower 30, corner tower 50, and end tower 40 may include one or more sensors 102 and a wireless communication device 104 configured to transmit data wirelessly to the controller 200. The wireless communication device may include, for example, 3G, LTE, 4G, 5G, Bluetooth and/or Wi-Fi, etc. The sensors 102 may include at least one of a current sensor, a voltage sensor and/or a power sensor configured to detect, for example, current, voltage and/or power, respectively.

[032] Em aspectos, o um ou mais sensores 102 podem incluir quaisquer sensores adequados, tais como, por exemplo, um codificador (por exemplo, um codificador angular), sensor de pressão, fluxímetro, etc. ou combinações dos mesmos. Um codificador angular é uma forma de sensor de posição que mede a posição angular de um eixo rotativo.[032] In aspects, the one or more sensors 102 may include any suitable sensors, such as, for example, an encoder (e.g., an angular encoder), pressure sensor, flow meter, etc. or combinations thereof. An angular encoder is a form of position sensor that measures the angular position of a rotating shaft.

[033] Em aspectos, o um ou mais sensores podem ser conectados (por exemplo, diretamente) e/ou podem ser componentes autônomos que podem ser conectados via rede de longa distância (WAN). Em aspectos, o um ou mais sensores podem ser agregados na nuvem com base em configurações de provisionamento. Em aspectos, o um ou mais sensores podem incluir, por exemplo, tecnologia de rede de longa distância de baixa potência (LPWAN) que pode ser de longo alcance (LoRa).[033] In aspects, the one or more sensors may be connected (e.g., directly) and/or may be standalone components that may be connected via a wide area network (WAN). In aspects, the one or more sensors may be aggregated in the cloud based on provisioning configurations. In aspects, the one or more sensors may include, for example, low power wide area network (LPWAN) technology that may be long range (LoRa).

[034] Em aspectos, o controlador 200 pode determinar mudanças na condição do pelo menos um componente com base na comparação do sinal detectado com dados predeterminados.[034] In aspects, the controller 200 may determine changes in the condition of the at least one component based on comparing the detected signal with predetermined data.

[035] O controlador 200 é configurado para receber dados dos sensores 102, bem como de fontes de dados externas, como estações meteorológicas 82, sensores de umidade do solo de campo 86, mapas de terreno e solo 88, sensores de temperatura 89 e/ou clima da Administração Nacional Oceânica e Atmosférica (NOAA) 84 para fazer e/ou refinar previsões indicativas de uma condição de pelo menos um componente (por exemplo, um pivô 20, uma arma de extremidade 70, uma torre 30, etc.) da pluralidade de componentes do sistema de irrigação 106. Esta predição permite que o controlador 200 determine mudanças na condição do pelo menos um componente e preveja os requisitos de manutenção do pelo menos um componente com base em dados predeterminados (por exemplo, dados históricos). Por exemplo, a predição pode ser baseada na comparação das alterações determinadas na condição de pelo menos um componente do sistema de irrigação 106 com dados predeterminados. Por exemplo, o sensor 102 de uma torre 30 pode detectar o consumo de corrente típico dessa torre 30. O consumo de corrente detectado pode então ser comparado pelo controlador 200 ao consumo de corrente histórico e/ou típico da torre. O controlador pode determinar que o consumo de corrente detectado desta torre 30 é consideravelmente maior do que o consumo de corrente histórico por um número predeterminado (por exemplo, cerca de 30%) para um determinado conjunto de condições (dia enso-larado, solo seco, etc.). Com base nesta determinação, o controlador 200 pode prever que esta torre 30 precisa de manutenção. Além disso, o tipo específico de manutenção pode ser previsto. Por exemplo, se a corrente do motor de uma torre 30 está alta, isso pode indicar um pneu furado. O sistema 100 pode prever adicionalmente o número de horas normalmente necessárias para reparar tal ocorrência. Em outro exemplo, o sistema pode detectar, pelo sensor 102, que a corrente em uma bomba 10 está baixa e, consequentemente, prever que há uma falha na bomba 10.[035] Controller 200 is configured to receive data from sensors 102 as well as external data sources such as weather stations 82, field soil moisture sensors 86, terrain and soil maps 88, temperature sensors 89 and/or or weather from the National Oceanic and Atmospheric Administration (NOAA) 84 to make and/or refine forecasts indicative of a condition of at least one component (e.g., a pivot 20, an end gun 70, a turret 30, etc.) of the plurality of components of the irrigation system 106. This prediction allows the controller 200 to determine changes in the condition of the at least one component and predict the maintenance requirements of the at least one component based on predetermined data (e.g., historical data). For example, the prediction may be based on comparing determined changes in the condition of at least one component of the irrigation system 106 with predetermined data. For example, the sensor 102 of a tower 30 may detect the typical current consumption of that tower 30. The detected current consumption may then be compared by the controller 200 to the historical and/or typical current consumption of the tower. The controller may determine that the detected current draw of this tower 30 is considerably greater than the historical current draw by a predetermined number (e.g., about 30%) for a given set of conditions (sunny day, dry ground , etc.). Based on this determination, controller 200 may predict that this tower 30 needs maintenance. Furthermore, the specific type of maintenance can be predicted. For example, if the motor current on a 30 tower is high, this could indicate a flat tire. System 100 may further predict the number of hours typically required to repair such an occurrence. In another example, the system may detect, via sensor 102, that the current in a pump 10 is low and, consequently, predict that there is a failure in the pump 10.

[036] Os dados das fontes de dados externas podem ser usados para melhorar as previsões do modelo. Por exemplo, ao processar dados como maior uso de potência para motores das torres 30 porque o campo está lamacento devido à chuva recente, esses dados processados podem ser usados para melhorar as previsões do modelo. O sistema de manutenção preditiva de arma de extremidade de pivô 100 pode exibir mapas de campo para terreno, tipos de solo, etc. que ajudam o modelo a explicar a variação no uso de potência. As previsões podem ser transmitidas para um dispositivo de usuário 120, pelo controlador 200, para exibição e/ou análise adicional.[036] Data from external data sources can be used to improve model predictions. For example, when processing data such as increased power usage for 30 tower engines because the field is muddy due to recent rain, this processed data can be used to improve model predictions. The pivot end weapon predictive maintenance system 100 can display field maps for terrain, soil types, etc. that help the model explain variation in power use. The predictions may be transmitted to a user device 120 by the controller 200 for display and/or further analysis.

[037] Em aspectos, os dados e/ou as previsões podem ser processados por um sistema de visualização de dados 110. A visualização de dados é a representação gráfica de informações e dados. Ao usar elementos visuais como tabelas, gráficos e mapas, as ferramentas de visualização de dados fornecem uma maneira acessível de ver e entender tendências, discrepâncias e padrões nos dados.[037] In aspects, the data and/or predictions may be processed by a data visualization system 110. Data visualization is the graphical representation of information and data. By using visual elements like tables, graphs, and maps, data visualization tools provide an accessible way to see and understand trends, outliers, and patterns in data.

[038] Em aspectos, o sistema de manutenção preditiva de arma de extremidade de pivô 100 pode ser implementado na nuvem. Por exemplo, o Linux, que pode executar um roteiro Python, por exemplo, pode ser utilizado para efetuar a predição.[038] In aspects, the pivot end weapon predictive maintenance system 100 can be implemented in the cloud. For example, Linux, which can run a Python script, for example, can be used to perform the prediction.

[039] A figura 2 ilustra que o controlador 200 inclui um processador 220 conectado a um meio de armazenamento legível por computador ou uma memória 230. O meio de armazenamento legível por computador ou memória 230 pode ser um tipo de memória volátil, por exemplo, RAM, ou um tipo não volátil de memória, por exemplo, mídia flash, mídia de disco, etc. Em vários aspectos da revelação, o processador 220 pode ser outro tipo de processador, tal como um processador de sinal digital, um microprocessador, um ASIC, uma unidade de processamento gráfico (GPU), uma matriz de portas programáveis em campo (FPGA) ou uma unidade de processamento central (CPU). Em certos aspectos da revelação, a inferência de rede também pode ser realizada em sistemas que possuem pesos implementados como memristores, quimicamente ou outros cálculos de inferência, em oposição a processadores.[039] Figure 2 illustrates that the controller 200 includes a processor 220 connected to a computer-readable storage medium or memory 230. The computer-readable storage medium or memory 230 may be a type of volatile memory, e.g. RAM, or a non-volatile type of memory, e.g. flash media, disk media, etc. In various aspects of the disclosure, the processor 220 may be another type of processor, such as a digital signal processor, a microprocessor, an ASIC, a graphics processing unit (GPU), a field programmable gate array (FPGA), or a central processing unit (CPU). In certain aspects of the disclosure, network inference can also be performed on systems that have implemented weights such as memristors, chemically, or other inference computations, as opposed to processors.

[040] Em aspectos da revelação, a memória 230 pode ser memória de acesso aleatório, memória somente leitura, memória de disco magnético, memória de estado sólido, memória de disco óptico e/ou outro tipo de memória. Em alguns aspectos da revelação, a memória 230 pode ser separada do controlador 200 e pode se comunicar com o processador 220 por meio de barramentos de comunicação de uma placa de circuito e/ou por meio de cabos de comunicação, como cabos seriais ATA ou outros tipos de cabos. A memória 230 inclui instruções legíveis por computador que são executáveis pelo processador 220 para operar o controlador 200. Em outros aspectos da revelação, o controlador 200 pode incluir uma interface de rede 240 para se comunicar com outros computadores ou com um servidor. Um dispositivo de armazenamento 210 pode ser usado para armazenar dados.[040] In aspects of the disclosure, memory 230 may be random access memory, read-only memory, magnetic disk memory, solid state memory, optical disk memory and/or other type of memory. In some aspects of the disclosure, the memory 230 may be separate from the controller 200 and may communicate with the processor 220 via communication buses on a circuit board and/or via communication cables such as serial ATA cables or the like. cable types. Memory 230 includes computer-readable instructions that are executable by processor 220 for operating controller 200. In other aspects of the disclosure, controller 200 may include a network interface 240 for communicating with other computers or with a server. A storage device 210 can be used to store data.

[041] O método revelado pode ser executado no controlador 200 ou em um dispositivo de usuário, incluindo, por exemplo, em um dispositivo móvel, um dispositivo IoT ou um sistema de servidor.[041] The disclosed method can be executed on the controller 200 or on a user device, including, for example, on a mobile device, an IoT device or a server system.

[042] A figura 3 ilustra um modelo de aprendizado de máquina 300 e fluxo de dados\armazenamento\retorno do sistema de manutenção preditiva de pivô. O modelo de aprendizado de máquina 300 pode ser hospedado no pivô 20 ou na nuvem (por exemplo, um servidor remoto). O modelo de aprendizado de máquina 300 pode incluir uma ou mais redes neurais convolucionais (CNN).[042] Figure 3 illustrates a machine learning model 300 and data flow\storage\return of the pivot predictive maintenance system. The machine learning model 300 may be hosted on pivot 20 or in the cloud (e.g., a remote server). The machine learning model 300 may include one or more convolutional neural networks (CNN).

[043] No aprendizado de máquina, uma rede neural convolucional (CNN) é uma classe de rede neural artificial (ANN), mais comumente aplicada à análise de imagens visuais. O aspecto convolucional de uma CNN está relacionado à aplicação de operações de processamento de matriz a partes localizadas de uma imagem, e os resultados dessas operações (que podem envolver dezenas de cálculos diferentes paralelos e seriais) são conjuntos de muitos recursos que são usados para treinar redes neurais. Uma CNN normalmente inclui camadas de convolução, camadas de função de ativação e camadas de associação (geralmente associação máxima) para reduzir a dimensionalidade sem perder muitos recursos. Informações adicionais podem ser incluídas nas operações que geram esses recursos. O fornecimento de informações exclusivas que produz recursos que fornecem informações às redes neurais pode ser usado para fornecer, em última análise, uma maneira agregada de diferen-ciar entre diferentes entradas de dados para as redes neurais. Em aspectos, o modelo de aprendizado de máquina 300 pode incluir uma combinação de uma ou mais redes de aprendizado profundo (por exemplo, uma CNN) e modelos clássicos de aprendizado de máquina (por exemplo, um SVM, uma árvore de decisão, etc.). Por exemplo, o modelo de aprendizado de máquina 300 pode incluir duas redes de aprendizado profundo.[043] In machine learning, a convolutional neural network (CNN) is a class of artificial neural network (ANN), most commonly applied to the analysis of visual images. The convolutional aspect of a CNN is concerned with applying matrix processing operations to localized parts of an image, and the results of these operations (which may involve dozens of different parallel and serial calculations) are sets of many features that are used to train neural networks. A CNN typically includes convolution layers, activation function layers, and association layers (usually max association) to reduce dimensionality without losing too many features. Additional information can be included in the operations that generate these resources. Providing unique information that produces features that provide information to neural networks can be used to ultimately provide an aggregated way to differentiate between different data inputs to neural networks. In aspects, the machine learning model 300 may include a combination of one or more deep learning networks (e.g., a CNN) and classical machine learning models (e.g., an SVM, a decision tree, etc.). ). For example, machine learning model 300 may include two deep learning networks.

[044] Em aspectos, dois métodos de rotulagem para os dados de treinamento podem ser usados, um baseado em uma conexão com um sistema de manutenção de computador (CMMS) e outro baseado na entrada do usuário. Em alguns aspectos, o usuário pode ser solicitado a rotular os dados ou fornecer os dados manualmente (por exemplo, no momento de eventos de serviço).[044] In aspects, two labeling methods for the training data can be used, one based on a connection to a computer maintenance system (CMMS) and another based on user input. In some aspects, the user may be required to label data or provide data manually (for example, at the time of service events).

[045] Como observado acima, a figura 4A ilustra um fluxograma exemplar de uma operação de fazenda típica 400a. Geralmente, na etapa 410, a manutenção de pré-estação é realizada no equipamento de irrigação. Em seguida, na etapa 420, o equipamento de irrigação é usado na estação. Na etapa 440, se for determinado que o equipamento quebrou, ele é enviado para reparo na etapa 430. No fim da estação (etapa 450), a manutenção pós-estação é realizada (etapa 460).[045] As noted above, Figure 4A illustrates an exemplary flowchart of a typical farm operation 400a. Generally, in step 410, pre-season maintenance is performed on the irrigation equipment. Then, in step 420, irrigation equipment is used at the station. In step 440, if it is determined that the equipment has broken down, it is sent for repair in step 430. At the end of the season (step 450), post-station maintenance is performed (step 460).

[046] A figura 4B ilustra um fluxograma exemplar 400b de uma operação de fazenda incluindo um sistema de manutenção preditiva de arma de extremidade 100 de acordo com os princípios desta revelação. Geralmente, na etapa 410, a manutenção de pré-estação é realizada no equipamento de irrigação. Em seguida, o sistema de manutenção preditiva de arma de extremidade 100 prevê se a manutenção é necessária para uma peça específica do equipamento de irrigação. Se a manutenção for prevista na etapa 415, então na etapa 430, o equipamento é examinado e reparado. Em seguida, na etapa 420, o equipamento de irrigação é usado na estação. Na etapa 440, se o equipamento estiver quebrado, o equipamento é enviado para reparo na etapa 430. No fim da estação (etapa 450), a manutenção pós-estação é realizada (etapa 460).[046] Figure 4B illustrates an exemplary flowchart 400b of a farm operation including an end weapon predictive maintenance system 100 in accordance with the principles of this disclosure. Generally, in step 410, pre-season maintenance is performed on the irrigation equipment. Next, the end gun predictive maintenance system 100 predicts whether maintenance is needed for a specific piece of irrigation equipment. If maintenance is provided for in step 415, then in step 430, the equipment is examined and repaired. Then, in step 420, irrigation equipment is used at the station. In step 440, if the equipment is broken, the equipment is sent for repair in step 430. At the end of the season (step 450), post-station maintenance is performed (step 460).

[047] A figura 5 ilustra um fluxo de trabalho de ciência de dados com vários modelos do sistema de manutenção preditiva ilustrado na figura 4B.[047] Figure 5 illustrates a data science workflow with various models of the predictive maintenance system illustrated in Figure 4B.

[048] Os cinco modelos incluem um modelo de predição da arma de extremidade 502, um modelo de predição de acionamento de torre 504, um modelo de predição de sequenciamento 506, um modelo de predição de compressão de ar 508 e um modelo de predição elétrica 510. Os modelos podem ser implementados via lógica e/ou aprendizado de máquina.[048] The five models include a butt gun prediction model 502, a turret drive prediction model 504, a sequencing prediction model 506, an air compression prediction model 508, and an electrical prediction model 510. Models can be implemented via logic and/or machine learning.

[049] Com referência às figuras 5 e 18, um modelo de predição da arma de extremidade 502 é mostrado. O modelo de predição da arma de extremidade pode contar o número de vezes que a arma de extremidade 70 (figura 1) leva para passar da esquerda para a direita e voltar. O tempo esperado para passar para a esquerda e para a direita pode ser baseado na pressão, condição do rolamento, tensão, etc. ou suas combinações.[049] With reference to figures 5 and 18, a prediction model of the tip weapon 502 is shown. The tip gun prediction model can count the number of times it takes the tip gun 70 (figure 1) to move from left to right and back. The expected time to shift left and right may be based on pressure, bearing condition, tension, etc. or combinations thereof.

[050] O modelo de predição da arma de extremidade 502 pode considerar a potência esperada com base na umidade do solo medida diretamente ou inferida a partir de dados climáticos do campo ou estações meteorológicas regionais, mapas topográficos, mapas de solo, RPM do motor, relação da caixa de engrenagens, peso da torre, peso da extensão, condição de operação, etc. ou suas combinações. A arma de extremidade 70 inclui instrumentação que pode medir cada ciclo usando um interruptor de proximidade, codificador, capacitância e/ou sistema de imagem. Aspectos do sistema de manutenção preditiva de arma de extremidade 100 do sistema de manutenção preditiva 100 podem ser montados dentro ou fora do sistema de irrigação 106, por exemplo, um sensor de umidade que registra quando o sensor de umidade é respingado remotamente pela água sendo distribuída para o campo. Se uma arma eletrônica for usada, o uso de energia e o ciclo de trabalho podem ser usados. Em aspectos, o um ou mais sensores podem incluir quaisquer sensores adequados, tais como, por exemplo, um codificador (por exemplo, angular), sensor de pressão, fluxí- metro, magnetômetro, giroscópio, acelerômetro, câmera, sensor de gestos, microfone, telêmetro a laser, interruptor de palheta/magnético/óptico, etc. ou suas combinações. O modelo de predição da arma de extremidade 502 também pode incluir como entradas a pressão da bomba, o número do modelo da arma de extremidade, o diâmetro do bico da arma de extremidade, a configuração da mola do braço de acionamento, o tipo de difusor, uma medição de fluxo, um fator K da mola do braço de acionamento, um equilíbrio do braço de acionamento, uma condição de rolamento do braço de acionamento, uma condição de rolamento da base, uma condição de vedação da base, um alinhamento do braço de acionamento e/ou uma rigidez da base de montagem (figura 18). O tipo de bico pode ser inferido a partir de uma vazão medida e pressão medida. Em aspectos, o modelo de predição da arma de extremidade 502 pode prever uma frequência de impacto do braço de acionamento, uma magnitude de aceleração por impacto do braço de acionamento, uma taxa angular para frente, uma taxa angular reversa, uma taxa de mudança de direção para frente ou reversa, um tempo por passagem e/ ou um tempo para virar uma alavanca de reversão (figura 18). As saídas do modelo podem ser usadas para prever ainda mais a operação anormal.[050] The tip gun 502 prediction model may consider expected horsepower based on soil moisture directly measured or inferred from field weather data or regional weather stations, topographic maps, soil maps, engine RPM, gearbox ratio, tower weight, extension weight, operating condition, etc. or combinations thereof. The end gun 70 includes instrumentation that can measure each cycle using a proximity switch, encoder, capacitance, and/or imaging system. Aspects of the end gun predictive maintenance system 100 of the predictive maintenance system 100 may be mounted inside or outside the irrigation system 106, for example, a humidity sensor that records when the humidity sensor is remotely splashed by water being distributed. to the field. If an electronic weapon is used, the power usage and duty cycle may be used. In aspects, the one or more sensors may include any suitable sensors, such as, for example, an encoder (e.g., angular), pressure sensor, flow meter, magnetometer, gyroscope, accelerometer, camera, gesture sensor, microphone , laser rangefinder, reed/magnetic/optical switch, etc. or combinations thereof. The butt gun prediction model 502 may also include as inputs pump pressure, butt gun model number, butt gun nozzle diameter, drive arm spring configuration, diffuser type , a flow measurement, a drive arm spring K factor, a drive arm balance, a drive arm bearing condition, a base bearing condition, a base seal condition, an arm alignment drive and/or rigidity of the mounting base (figure 18). The nozzle type can be inferred from a measured flow rate and measured pressure. In aspects, the butt weapon prediction model 502 may predict a drive arm impact frequency, a drive arm impact acceleration magnitude, a forward angular rate, a reverse angular rate, a rate of change of forward or reverse direction, a time per pass and/or a time to turn a reversing lever (figure 18). The model outputs can be used to further predict abnormal operation.

[051] A operação anormal da arma de extremidade pode ser ainda baseada no movimento e/ou posicionamento da arma de extremidade móvel 70 em relação ao pivô 20 ao longo do tempo. Por exemplo, o sistema 100 pode monitorar a frequência do braço de acionamento usando um acelerômetro e/ou giroscópio e/ou a mudança de direção da arma de extremidade 70 pode ser determinada por um magnetômetro. A arma de extremidade 70 pode tipicamente ficar "ligada" por cerca de quinze graus de rotação desde o momento em que é iniciada até o momento em que é interrompida. O sensor 102 pode detectar que a arma de extremidade 70 estava ligada por cerca de três graus de rotação e o controlador pode determinar que esta foi uma operação anormal e que a arma de extremidade 70 pode precisar de manutenção. Em aspectos, a lógica para determinar a operação anormal pode ser baseada em uma janela deslizante ao longo de segundos, minutos, horas, dias e/ou anos.[051] Abnormal operation of the end gun may further be based on the movement and/or positioning of the movable end gun 70 relative to the pivot 20 over time. For example, the system 100 may monitor the frequency of the drive arm using an accelerometer and/or gyroscope and/or the change in direction of the end weapon 70 may be determined by a magnetometer. The 70 end gun can typically be "on" for about fifteen degrees of rotation from the time it is started to the time it is stopped. The sensor 102 can detect that the end gun 70 was on for about three degrees of rotation and the controller can determine that this was an abnormal operation and that the end gun 70 may need maintenance. In aspects, the logic for determining abnormal operation may be based on a sliding window over seconds, minutes, hours, days and/or years.

[052] O monitoramento de parâmetros de saída, como regulação, vazão e/ou pressão da arma de extremidade 70, também pode ajudar a inferir a condição do compressor de ar.[052] Monitoring output parameters such as regulation, flow and/or pressure of the end gun 70 can also help infer the condition of the air compressor.

[053] Por exemplo, se um agricultor estiver aplicando muita pressão na arma de extremidade 70, e a água e o fertilizante podem ser jogados sobre a colheita, levando a anéis secos. O sensor de pressão pode detectar que a pressão da arma de extremidade estava caindo para cerca de 275,8 kPa (40 psi) a partir de um normal de 489,5 kPa (71 psi). O modelo de predição da arma de extremidade 502 pode prever que o sistema está operando de forma anormal com base na medição de pressão ao longo do tempo. A pressão pode ter sido inicialmente alta e depois cair cerca de 68,9 kPa (10 psi) na próxima hora. O agricultor pode estar operando com uma pressão muito alta porque a bomba de reforço estava falhando e reiniciando com frequência. A reinicialização da bomba é muito prejudicial à condição do sistema de irrigação 106, pois pode desgastar os componentes elétricos bem antes de sua vida útil nominal.[053] For example, if a farmer is applying too much pressure on the end gun 70, and water and fertilizer can be thrown onto the crop, leading to dry rings. The pressure sensor could detect that the butt gun pressure was dropping to about 275.8 kPa (40 psi) from a normal of 489.5 kPa (71 psi). The 502 tip gun prediction model can predict that the system is operating abnormally based on pressure measurement over time. The pressure may have initially been high and then dropped to about 68.9 kPa (10 psi) over the next hour. The farmer may have been operating at too high a pressure because the booster pump was failing and restarting frequently. Restarting the pump is very detrimental to the condition of the 106 irrigation system as it can wear out the electrical components well before their rated life.

Electrical Instrumentation:

[054] O sistema também pode monitorar contatores, anéis do comutador, enrolamentos do motor, conexões elétricas e/ou falhas de fiação. O monitoramento de transientes elétricos ou métricas de energia, como THD, fator de potência, equilíbrio de corrente, pode ajudar a inferir a condição do sistema elétrico.[054] The system can also monitor contactors, commutator rings, motor windings, electrical connections and/or wiring faults. Monitoring electrical transients or power metrics such as THD, power factor, current balance can help infer the condition of the electrical system.

[055] O monitoramento das temperaturas dos componentes listados acima também pode ajudar a inferir a condição do sistema elétrico.[055] Monitoring the temperatures of the components listed above can also help infer the condition of the electrical system.

[056] Com referência às figuras 11A, 11B e 12A a 12C a arma de extremidade móvel 70 suporta um invólucro de eletrônicos 1110 que suporta pelo menos um sensor 1120 incluindo um acelerômetro, giroscópio e/ou magnetômetro, uma fonte de energia ou bateria 1130, um circuito 1140 (por exemplo, um controlador) e/ou um painel solar 1150 que pode ser eletricamente acoplados um ao outro.[056] Referring to figures 11A, 11B and 12A to 12C, the mobile end weapon 70 supports an electronics housing 1110 that supports at least one sensor 1120 including an accelerometer, gyroscope and/or magnetometer, a power source or battery 1130 , a circuit 1140 (e.g., a controller) and/or a solar panel 1150 that may be electrically coupled to each other.

[057] Em aspectos, o magnetômetro pode determinar a direção e/ou o deslocamento típico para uma arma de extremidade 70 (ver figuras 15 e 16). Por exemplo, o deslocamento típico para uma arma de extremidade 70 pode variar de cerca de 100 a cerca de 150 graus em rotação. Se a mola de retorno do braço de acionamento 1210 mudar devido a um ajuste ruim ou devido a um galho de árvore puxando-a, a precisão da direção pode ser de pelo menos cerca de 10 graus.[057] In aspects, the magnetometer can determine the direction and/or displacement typical for a 70 end gun (see figures 15 and 16). For example, the typical offset for a 70 butt gun can range from about 100 to about 150 degrees in rotation. If the 1210 drive arm return spring shifts due to poor adjustment or due to a tree branch pulling on it, the steering accuracy may be at least about 10 degrees.

[058] A arma de extremidade móvel 70 pode ainda suportar um conjunto de codificador 1160 tendo um codificador 1162 e um disco de codificador 1164 que é acoplado ao invólucro de eletrônicos 1110. Um sensor de pressão 1170 também é acoplado ao invólucro de eletrônicos 1110 para medir a pressão de fluxo de fluido através da arma de extremidade 70 (figura 15). Além disso, um interruptor de palheta 1180 ou outro interruptor magnético pode ser acoplado à arma de extremidade móvel 70 e disposto na proximidade de um ímã 1190 suportado no pivô 20 (figura 1). Como pode ser verificado, qualquer um dos componentes eletrônicos revelados pode acoplar eletricamente ao circuito 140 por meio de conexão com ou sem fio (ver figuras 13A e 13B). Notavelmente, um ou mais dentre o acelerômetro, giroscópio, magnetô- metro, conjunto de codificador e/ou qualquer outro sensor(es) adequado(s) é configurado para gerar um sinal elétrico indicativo de movimento e/ou posicionamento (por exemplo, aceleração, velocidade, distância, localização, etc.) da arma de extremidade móvel 70 em relação ao pivô 20 ao longo do tempo (segundos, minutos, horas, dias, anos, etc.). O controlador 200 é configurado para receber o sinal elétrico e determinar se a arma de extremidade móvel requer manutenção com base no sinal elétrico. O controlador 200 pode enviar um sinal e/ou alerta indicando a condição da arma de extremidade e/ou se a manutenção é necessária com base em dados ou limites pre-determinados que podem ser parte de um banco de dados, programa e/ou armazenado na memória (por exemplo, suportado no circuito, na nuvem, em uma rede, servidor, etc.).[058] The moving end gun 70 may further support an encoder assembly 1160 having an encoder 1162 and an encoder disk 1164 that is coupled to the electronics housing 1110. A pressure sensor 1170 is also coupled to the electronics housing 1110 to measure the fluid flow pressure through the end gun 70 (figure 15). Additionally, a reed switch 1180 or other magnetic switch may be coupled to the movable end gun 70 and disposed in proximity to a magnet 1190 supported on the pivot 20 (Figure 1). As can be seen, any of the disclosed electronic components can electrically couple to circuit 140 via wired or wireless connection (see Figures 13A and 13B). Notably, one or more of the accelerometer, gyroscope, magnetometer, encoder assembly and/or any other suitable sensor(s) is configured to generate an electrical signal indicative of motion and/or positioning (e.g., acceleration). , speed, distance, location, etc.) of the moving end weapon 70 relative to the pivot 20 over time (seconds, minutes, hours, days, years, etc.). The controller 200 is configured to receive the electrical signal and determine whether the trailing end weapon requires maintenance based on the electrical signal. The controller 200 may send a signal and/or alert indicating the condition of the end weapon and/or whether maintenance is required based on predetermined data or thresholds that may be part of a database, program and/or stored in memory (e.g. supported in-circuit, in the cloud, on a network, server, etc.).

[059] Quando há um problema mecânico com a arma de extremidade, a taxa angular pode diminuir. Além disso, a razão entre o tempo de avanço e o tempo de retrocesso pode se tornar menos equilibrada e o tempo gasto no avanço se tornará muito mais longo do que a velocidade de retorno.[059] When there is a mechanical problem with the butt gun, the angular rate may decrease. Additionally, the ratio of forward time to backward time may become less balanced and the time spent in forward will become much longer than the return speed.

[060] As figuras 12A e 12B são exemplos de sinais gerados durante uma passagem da esquerda para a direita da arma de extremidade com o sistema de manutenção preditiva da figura 11A. Em aspectos, o modelo de predição da arma de extremidade 502 pode usar razões de fatores como período de passagem total (Tc), taxa angular de avanço (T1), taxa angular reversa (T2), número de voltas de avanço (n), número de voltas reversas ( m), taxa angular de avanço e/ou taxa angular reversa, para indicar a condição diminuída da arma de extremidade. Por exemplo, uma arma de extremidade em perfeitas condições pode ter uma razão entre a razão angular de avanço e a razão angular reversa de 1. Enquanto que esta razão pode começar a se desviar de 1, à medida que a condição da arma de extremidade diminui. Em outro exemplo, uma inclinação do sinal do giroscópio ao longo do tempo durante o movimento de avanço ou o movimento reverso pode ser proporcional à aceleração angular. Esta inclinação pode ser usada pelo modelo de predição da arma de extremidade 502 para prever a operação anormal da arma de extremidade.[060] Figures 12A and 12B are examples of signals generated during a left-to-right passage of the end weapon with the predictive maintenance system of Figure 11A. In aspects, the butt gun 502 prediction model may use ratios of factors such as total passage period (Tc), forward angular rate (T1), reverse angular rate (T2), number of forward turns (n), number of reverse turns ( m), forward angular rate and/or reverse angular rate, to indicate the diminished condition of the tip weapon. For example, a tip gun in perfect condition may have a ratio of forward angular ratio to reverse angular ratio of 1. Whereas this ratio may begin to deviate from 1 as the condition of the tip gun decreases. . In another example, a slope of the gyroscope signal over time during forward motion or reverse motion may be proportional to angular acceleration. This slope can be used by the tip gun prediction model 502 to predict the abnormal operation of the tip gun.

[061] Com referência às figuras 13A, 13B e 14, os sistemas de manutenção preditiva revelados, que podem estar na forma de uma arma de extremidade inteligente para manutenção preditiva da arma de extremidade, podem operar usando qualquer número ou tipo adequado de abordagens analíticas e/ou lógicas, como gráficos de controle, detecção de anomalias de aprendizado de máquina (“ML”), alarmes de limite de parâmetro, etc.[061] With reference to Figures 13A, 13B and 14, the disclosed predictive maintenance systems, which may be in the form of a smart end weapon for predictive maintenance of the end weapon, may operate using any suitable number or type of analytical approaches. and/or logic, such as control charts, machine learning (“ML”) anomaly detection, parameter threshold alarms, etc.

[062] Em aspectos, os sistemas de manutenção preditiva revelados podem ser um sistema separado que pode ser acoplado ou adaptado seletivamente a uma arma de extremidade 70 ou, em alguns aspectos, o sistema de manutenção preditiva pode ser construído diretamente em uma arma de extremidade 70.[062] In aspects, the disclosed predictive maintenance systems may be a separate system that may be coupled or selectively adapted to an end weapon 70 or, in some aspects, the predictive maintenance system may be built directly into an end weapon. 70.

[063] A figura 17 mostra um diagrama lógico para a tecnologia revelada. O sistema de manutenção preditiva pode observar vários critérios de aceitação de movimento, como taxa angular de avanço/reversa, razão de movimento de avanço para trás, faixa angular, alavanca de detecção de tempo para desarme, aceleração nas direções x/y/z/ de avanço/reversa e/ ou mudança de direção de avanço e para trás. Esses movimentos são proporcionais à pressão da água. Em aspectos, a inclinação do acelerômetro e/ou o sinal do giroscópio ao longo do tempo e/ou as formas de onda do giroscópio e/ou acelerômetro ao longo do tempo também podem ser usadas para determinar a operação anormal da arma de extremidade.[063] Figure 17 shows a logical diagram for the disclosed technology. The predictive maintenance system can observe various motion acceptance criteria such as forward/reverse angular rate, forward/reverse motion ratio, angular range, time-to-trip detection lever, acceleration in x/y/z/ directions. forward/reverse and/or forward/backward direction change. These movements are proportional to water pressure. In aspects, the slope of the accelerometer and/or the gyroscope signal over time and/or the waveforms of the gyroscope and/or accelerometer over time can also be used to determine abnormal operation of the tip weapon.

[064] Além disso, a estrutura revelada pode incluir quaisquer componentes mecânicos, elétricos e/ou químicos adequados para operar o sistema de manutenção preditiva de pivô revelado ou seus componentes. Por exemplo, tais componentes elétricos podem incluir, por exemplo, qualquer circuito elétrico e/ou eletromecânico e/ou eletroquímico adequado, que pode incluir ou ser acoplado a uma ou mais placas de circuito impresso. Conforme usado neste documento, o termo "controlador" inclui "processador", "dispositivo de processamento digital" e termos semelhantes, e são usados para indicar um microprocessador ou unidade de processamento central (CPU). A CPU é o circuito eletrônico dentro de um computador que executa as instruções de um programa de computador executando as operações básicas de aritmética, lógica, controle e entrada/saída (I/O) especificadas pelas instruções e por meio de exemplos não limitativos, incluem computadores servidores. Em alguns aspectos, o controlador inclui um sistema operacional configurado para executar instruções executáveis. Os versados na técnica reconhecerão que os sistemas operacionais de servidor adequados incluem, a título de exemplos não limitativos, FreeBSD, OpenBSD, NetBSD®, Linux, Apple® Mac OS X Server®, Oracle® Solaris®, Windows Server® e Novell® NetWare®. Em alguns aspectos, o sistema operacional é fornecido pela computação em nuvem.[064] Furthermore, the disclosed structure may include any mechanical, electrical and/or chemical components suitable for operating the disclosed pivot predictive maintenance system or components thereof. For example, such electrical components may include, for example, any suitable electrical and/or electromechanical and/or electrochemical circuit, which may include or be coupled to one or more printed circuit boards. As used herein, the term "controller" includes "processor", "digital processing device" and similar terms, and are used to indicate a microprocessor or central processing unit (CPU). The CPU is the electronic circuit within a computer that executes the instructions of a computer program by performing the basic arithmetic, logic, control, and input/output (I/O) operations specified by the instructions and by way of non-limiting examples include server computers. In some aspects, the controller includes an operating system configured to execute executable instructions. Those skilled in the art will recognize that suitable server operating systems include, by way of non-limiting examples, FreeBSD, OpenBSD, NetBSD®, Linux, Apple® Mac OS X Server®, Oracle® Solaris®, Windows Server® and Novell® NetWare ®. In some aspects, the operating system is provided by cloud computing.

[065] Em alguns aspectos, o termo "controlador" pode ser usado para indicar um dispositivo que controla a transferência de dados de um computador ou dispositivo de computação para um dispositivo periférico ou separado e vice-versa e/ou um dispositivo mecânico e/ou eletromecânico (por exemplo, uma alavanca, botão, etc.) que opera mecanicamente e/ou aciona um dispositivo periférico ou separado.[065] In some aspects, the term "controller" may be used to indicate a device that controls the transfer of data from a computer or computing device to a peripheral or separate device and vice versa and/or a mechanical device and/or or electromechanical (e.g., a lever, button, etc.) that mechanically operates and/or actuates a peripheral or separate device.

[066] Em aspectos, o controlador inclui um dispositivo de armazenamento e/ou memória. O dispositivo de armazenamento e/ou memória é um ou mais aparelhos físicos usados para armazenar dados ou programas de forma temporária ou permanente. Em alguns aspectos, o controlador inclui memória volátil e requer energia para manter as informações armazenadas. Em vários aspectos, o controlador inclui memória não volátil e retém informações armazenadas quando não está energizado. Em alguns aspectos, a memória não volátil inclui memória flash. Em certos aspectos, a memória não volátil inclui memória dinâmica de acesso aleatório (DRAM). Em alguns aspectos, a memória não volátil inclui memória ferroelétrica de acesso aleatório (FRAM). Em vários aspectos, a memória não volátil inclui memória de acesso aleatório de mudança de fase (PRAM). Em certos aspectos, o controlador é um dispositivo de armazenamento incluindo, a título de exemplos não limitativos, CD-ROMs, DVDs, dis- positivos de memória flash, unidades de disco magnético, unidades de fitas magnéticas, unidades de disco óptico e armazenamento baseado em computação em nuvem. Em vários aspectos, o dispositivo de armazenamento e/ou memória é uma combinação de dispositivos como os revelados neste documento.[066] In aspects, the controller includes a storage and/or memory device. The storage and/or memory device is one or more physical devices used to store data or programs temporarily or permanently. In some aspects, the controller includes volatile memory and requires power to maintain stored information. In many respects, the controller includes non-volatile memory and retains stored information when not powered. In some aspects, non-volatile memory includes flash memory. In certain aspects, non-volatile memory includes dynamic random access memory (DRAM). In some aspects, non-volatile memory includes ferroelectric random access memory (FRAM). In many aspects, non-volatile memory includes phase-change random access memory (PRAM). In certain aspects, the controller is a storage device including, by way of non-limiting examples, CD-ROMs, DVDs, flash memory devices, magnetic disk drives, magnetic tape drives, optical disk drives, and storage based in cloud computing. In various aspects, the storage and/or memory device is a combination of devices such as those disclosed herein.

[067] Em alguns aspectos, o controlador inclui um visor para enviar informações visuais a um usuário. Em vários aspectos, o visor é um tubo de raios catódicos (CRT). Em vários aspectos, o visor é uma tela de cristal líquido (LCD). Em certos aspectos, o visor é uma tela de cristal líquido de transistor de filme fino (TFT-LCD). Em alguns aspectos, o visor é uma tela de diodo orgânico emissor de luz (OLED). Em certos aspectos, a tela OLED é uma tela OLED de matriz passiva (PMOLED) ou OLED de matriz ativa (AMOLED). Em aspectos, o visor é uma tela de plasma. Em certos aspectos, o visor é um projetor de vídeo. Em vários aspectos, a tela é interativa (por exemplo, tendo uma tela sensível ao toque ou um sensor como uma câmera, um sensor 3D, um LiDAR, um radar, etc.) que pode detectar interações/gestos/respostas do usuário e semelhantes. Em alguns aspectos, o visor é uma combinação de dispositivos, como os revelados neste documento.[067] In some aspects, the controller includes a display for sending visual information to a user. In many ways, the display is a cathode ray tube (CRT). In many respects, the display is a liquid crystal display (LCD). In certain aspects, the display is a thin-film transistor liquid crystal display (TFT-LCD). In some aspects, the display is an organic light-emitting diode (OLED) screen. In certain aspects, the OLED screen is a passive matrix OLED (PMOLED) or active matrix OLED (AMOLED) display. In aspects, the display is a plasma screen. In some respects, the viewfinder is a video projector. In various aspects, the display is interactive (e.g., having a touch screen or a sensor such as a camera, a 3D sensor, a LiDAR, a radar, etc.) that can detect user interactions/gestures/responses and the like . In some aspects, the display is a combination of devices, such as those disclosed in this document.

[068] O controlador pode incluir ou ser acoplado a um servidor e/ou rede. Conforme usado neste documento, o termo "servidor" inclui "servidor de computador", "servidor central", "servidor principal" e termos semelhantes para indicar um computador ou dispositivo em uma rede que gerencia o sistema, seus componentes e/ou seus recursos. Conforme usado neste documento, o termo "rede" pode incluir qualquer tecnologia de rede incluindo, por exemplo, uma rede de dados celular, uma rede com fio, uma rede de fibra óptica, uma rede de satélite e/ou uma rede sem fio IEEE 802.11a/b/g/n /ac, entre outros.[068] The controller may include or be coupled to a server and/or network. As used herein, the term "server" includes "computer server", "central server", "main server" and similar terms to indicate a computer or device on a network that manages the system, its components and/or its resources . As used herein, the term "network" may include any network technology including, for example, a cellular data network, a wired network, a fiber optic network, a satellite network, and/or an IEEE wireless network. 802.11a/b/g/n/ac, among others.

[069] Em vários aspectos, o controlador pode ser acoplado a uma rede de malha. Conforme usado neste documento, uma "rede de malha" é uma topologia de rede na qual cada nó retransmite dados para a rede. Todos os nós da malha cooperam na distribuição de dados na rede. Isso pode ser aplicado a redes com e sem fio. As redes de malha sem fio podem ser consideradas um tipo de rede “sem fio ad hoc”. Assim, as redes de malha sem fio estão intimamente relacionadas às redes móveis ad hoc (MANETs). Embora as MANETs não estejam restritas a uma topologia de rede de malha específica, as redes ad hoc sem fio ou MANETs podem assumir qualquer forma de topologia de rede. As redes de malha podem retransmitir mensagens usando uma técnica de inundação ou uma técnica de roteamento. Com o roteamento, a mensagem é propagada ao longo de um caminho pulando de nó em nó até chegar ao seu destino. Para garantir que todos os seus caminhos fiquem disponíveis, a rede deve permitir conexões contínuas e deve se reconfigurar em torno de caminhos quebrados, usando algoritmos de autorrecuperação, como Shortest Path Bridging. A autorrecupe- ração permite que uma rede baseada em roteamento opere quando um nó quebra ou quando uma conexão se torna não confiável. Como resultado, a rede geralmente é bastante confiável, pois geralmente há mais de um caminho entre uma origem e um destino na rede. Este conceito também pode ser aplicado a redes cabeadas e à interação de software. Uma rede de malha cujos nós estão todos conectados uns aos outros é uma rede totalmente conectada.[069] In various aspects, the controller can be coupled to a mesh network. As used in this document, a "mesh network" is a network topology in which each node relays data to the network. All nodes in the mesh cooperate in distributing data across the network. This can be applied to wired and wireless networks. Wireless mesh networks can be considered a type of “ad hoc wireless” network. Thus, wireless mesh networks are closely related to mobile ad hoc networks (MANETs). Although MANETs are not restricted to a specific mesh network topology, wireless ad hoc networks or MANETs can take any form of network topology. Mesh networks can relay messages using a flooding technique or a routing technique. With routing, the message is propagated along a path jumping from node to node until it reaches its destination. To ensure that all of its paths are available, the network must allow continuous connections and must reconfigure itself around broken paths using self-healing algorithms such as Shortest Path Bridging. Self-healing allows a routing-based network to operate when a node breaks or when a connection becomes unreliable. As a result, the network is generally quite reliable, as there is usually more than one path between a source and a destination on the network. This concept can also be applied to wired networks and software interaction. A mesh network whose nodes are all connected to each other is a fully connected network.

[070] Em alguns aspectos, o controlador pode incluir um ou mais módulos. Conforme usado neste documento, o termo "módulo" e termos semelhantes são usados para indicar um componente de hardware autônomo do servidor central, que por sua vez inclui módulos de software. No software, um módulo é uma parte de um programa. Os programas são compostos por um ou mais módulos desenvolvidos inde-pendentemente que não são combinados até que o programa seja vinculado. Um único módulo pode conter uma ou várias rotinas ou seções de programas que executam uma determinada tarefa.[070] In some aspects, the controller may include one or more modules. As used in this document, the term "module" and similar terms are used to indicate a stand-alone hardware component of the central server, which in turn includes software modules. In software, a module is a part of a program. Programs are composed of one or more independently developed modules that are not combined until the program is linked. A single module can contain one or several routines or program sections that perform a certain task.

[071] Conforme usado neste documento, o controlador inclui módulos de software para gerenciar vários aspectos e funções do sistema revelado ou componentes do mesmo.[071] As used herein, the controller includes software modules for managing various aspects and functions of the disclosed system or components thereof.

[072] A estrutura revelada também pode utilizar um ou mais controladores para receber várias informações e transformar as informações recebidas para gerar uma saída. O controlador pode incluir qualquer tipo de dispositivo de computação, circuito computacional ou qualquer tipo de processador ou circuito de processamento capaz de executar uma série de instruções que são armazenadas na memória. O controlador pode incluir vários processadores e/ou unidades de processamento central de vários núcleos (CPUs) e pode incluir qualquer tipo de processador, como um microprocessador, processador de sinal digital, microcontrolador, dispositivo lógico programável (PLD), matriz de portas programáveis em campo (FPGA) ou semelhante. O controlador também pode incluir uma memória para armazenar dados e/ou instruções que, quando executadas por um ou mais processadores, fazem com que o um ou mais processadores executem um ou mais métodos e/ou algoritmos.[072] The disclosed structure may also utilize one or more controllers to receive various information and transform the received information to generate an output. The controller may include any type of computing device, computing circuit, or any type of processor or processing circuit capable of executing a series of instructions that are stored in memory. The controller may include multiple processors and/or multi-core central processing units (CPUs) and may include any type of processor, such as a microprocessor, digital signal processor, microcontroller, programmable logic device (PLD), programmable gate array in field (FPGA) or similar. The controller may also include a memory for storing data and/or instructions that, when executed by the one or more processors, cause the one or more processors to execute one or more methods and/or algorithms.

[073] Qualquer um dos métodos, programas, algoritmos ou códigos aqui descritos podem ser convertidos ou expressos em uma linguagem de programação ou programa de computador. Os termos "linguagem de programação" e "programa de computador", conforme usados neste documento, incluem qualquer linguagem usada para especificar instruções para um computador e incluem (mas não se limitam a) às seguintes linguagens e seus derivados: Assembler, Basic, Batch files, BCPL, C, C+, C++, Delphi, Fortran, Java, JavaScript, código de máquina, linguagens de comando do sistema operacional, Pascal, Perl, PL1, linguagens de roteiro, Visual Basic, metalinguagens que por si próprias especificam programas e todas as linguagens de computador das primeira, segunda, terceira, quarta, quinta geração ou posterior. Também estão incluídos o banco de dados e outros esquemas de dados e quaisquer outras metalinguagens. Nenhuma distinção é feita entre linguagens que são interpretadas, compiladas ou usam abordagens compiladas e interpretadas. Nenhuma distinção é feita entre as versões compilada e fonte de um programa. Assim, a referência a um programa, onde a linguagem de programação pode existir em mais de um estado (como fonte, compilado, objeto ou vinculado) é uma referência a todos e quaisquer tais estados. A referência a um programa pode abranger as instruções reais e/ou a intenção dessas instruções.[073] Any of the methods, programs, algorithms or codes described herein can be converted or expressed in a programming language or computer program. The terms "programming language" and "computer program" as used herein include any language used to specify instructions for a computer and include (but are not limited to) the following languages and their derivatives: Assembler, Basic, Batch files, BCPL, C, C+, C++, Delphi, Fortran, Java, JavaScript, machine code, operating system command languages, Pascal, Perl, PL1, scripting languages, Visual Basic, metalanguages that themselves specify programs and all computer languages of the first, second, third, fourth, fifth generation or later. Also included are database and other data schemas and any other metalanguages. No distinction is made between languages that are interpreted, compiled, or use both compiled and interpreted approaches. No distinction is made between the compiled and source versions of a program. Thus, a reference to a program, where the programming language can exist in more than one state (such as source, compiled, object, or linked) is a reference to any and all such states. Reference to a program may encompass the actual instructions and/or the intent of those instructions.

[074] O modelo de aprendizado de máquina (“ML”) pode ser o mais eficiente para falhas complexas. No entanto, a lógica básica pode ser usada para modos de falha mais simples. Sinais prováveis de operação anormal podem vir de aumentos na energia necessária para mover o sistema de irrigação, mudanças na velocidade do sistema ou mudanças na sequência do movimento das torres, frequência de giro da arma de extremidade ou métricas de qualidade de energia, como equilíbrio de fase, corrente de irrupção, fator de potência, THD. Como eles variam com um espaço de inferência complexo, o ML pode ajudar a prever operações anormais e simplificar a entrada de usuários e especialistas no assunto fornecendo um método de rotulagem simples.[074] The machine learning (“ML”) model may be the most efficient for complex failures. However, the basic logic can be used for simpler failure modes. Probable signs of abnormal operation may come from increases in the power required to move the irrigation system, changes in system speed, or changes in the sequence of turret movement, tip gun swing frequency, or power quality metrics such as power balance. phase, inrush current, power factor, THD. As they vary with a complex inference space, ML can help predict abnormal operations and simplify input for users and subject matter experts by providing a simple labeling method.

[075] Como pode ser verificado, a fixação de qualquer um dos componentes do aparelho revelado pode ser efetuada usando técnicas de fixação conhecidas, tais como soldagem, crimpagem, colagem, fixação, etc.[075] As can be seen, the fixing of any of the components of the disclosed apparatus can be carried out using known fixing techniques, such as welding, crimping, gluing, fixing, etc.

[076] Os versados na técnica compreenderão que as estruturas e os métodos especificamente descritos neste documento e ilustrados nas figuras anexas são aspectos exemplares não limitativos e que a descrição, revelação e figuras devem ser interpretadas meramente como exemplos de aspectos particulares. Deve ser entendido, portanto, que esta revelação não se limita aos aspectos precisos descritos e que várias outras alterações e modificações podem ser efetuadas por um versado na técnica sem se afastar do escopo ou espírito da revelação. Além disso, prevê-se que os elementos e recursos ilustrados ou descritos em conexão com um aspecto exemplar possam ser combinados com os elementos e recursos de outro sem se afastar do escopo desta revelação e que tais modificações e variações também se destinam a ser incluídas dentro do escopo desta revelação. De fato, qualquer combinação de qualquer um dos elementos e recursos revelados está dentro do escopo desta revelação. Consequentemente, o assunto desta revelação não deve ser limitado pelo que foi particularmente mostrado e descrito.[076] Those skilled in the art will understand that the structures and methods specifically described in this document and illustrated in the attached figures are exemplary, non-limiting aspects and that the description, disclosure and figures should be interpreted merely as examples of particular aspects. It should be understood, therefore, that this disclosure is not limited to the precise aspects described and that various other changes and modifications may be made by one skilled in the art without departing from the scope or spirit of the disclosure. Furthermore, it is anticipated that the elements and features illustrated or described in connection with one exemplary aspect may be combined with the elements and features of another without departing from the scope of this disclosure and that such modifications and variations are also intended to be included within the scope of this revelation. In fact, any combination of any of the disclosed elements and features is within the scope of this disclosure. Consequently, the subject matter of this revelation should not be limited by what has been particularly shown and described.

Claims

1. Predictive maintenance system (100) for an irrigation system (106), the irrigation system (106) including a portion of the irrigation system (106) and a movable end gun (70) operatively associated with the portion of the irrigation system (106), the predictive maintenance system (100) CHARACTERIZED by the fact that it comprises: at least one sensor (102, 1120) configured to couple to the movable end gun (70), the at least one sensor (102, 1120) configured to generate a signal indicative of abnormal operation of the moving end weapon (70), wherein the signal indicative of abnormal operation includes an indication of movement and/or positioning relative to the portion of the firing system. irrigation (106) for a period of time; a processor (220); and a memory (230), including instructions stored therein, which, when executed by the processor (220), cause the predictive maintenance system (100): to receive the generated signal; predict, based on the generated signal, at least one of a drive arm impact frequency, a drive arm impact acceleration magnitude, a forward angular rate of the moving end weapon (70), an angular rate for behind the trailing end gun (70), a rate of change in forward direction of the trailing end gun (70), a rate of change in backward direction of the trailing end gun (70), a time per pass, or a time to turn a reversal lever; determine abnormal operation of the moving end gun (70) based on the prediction; and provide a maintenance requirement for the moving end weapon (70) based on the determined abnormal operation.

2. Predictive maintenance system (100), according to claim 1, CHARACTERIZED by the fact that the instructions, when executed by the processor (220), further cause the predictive maintenance system (100): to display on a display the predicted maintenance requirement of the moving end weapon (70).

3. Predictive maintenance system (100), according to claim 1, CHARACTERIZED by the fact that the sensor (102, 1120) includes at least one of an encoder (1162), a pressure sensor (1170), a flow meter , a magnetometer, a gyroscope, an accelerometer, a camera, a gesture sensor, a microphone, a laser rangefinder, a reed switch (1180), a magnetic switch or an optical switch.

4. Predictive maintenance system (100), according to claim 3, CHARACTERIZED by the fact that the irrigation system portion (106) includes a pivot (20), and wherein the movable end gun (70) is mounted on the pivot (20).

5. Predictive maintenance system (100), according to claim 4, CHARACTERIZED by the fact that the signal indicative of abnormal operation is based on an end weapon rotation frequency being above or below a predetermined limit.

6. Predictive maintenance system (100), according to claim 1, CHARACTERIZED by the fact that the sensor (102, 1120) includes a current sensor, a power sensor, a voltage sensor or combinations thereof.

7. Predictive maintenance system (100), according to claim 1, CHARACTERIZED by the fact that the instructions, when executed by the processor (220), further cause the predictive maintenance system (100): to transmit an indication of the predicted maintenance requirement for a user device (120) for display; and display, on a display of the user device (120), an indication of the predicted maintenance requirement.

8. Predictive maintenance system (100), according to claim 1, CHARACTERIZED by the fact that the prediction is performed by a machine learning model (300), and wherein the machine learning model (300) is based on a deep learning network, a classic machine learning model or combinations thereof.

9. Predictive maintenance system (100), according to claim 8, CHARACTERIZED by the fact that the instructions, when executed by the processor (220), further cause the predictive maintenance system (100) to receive data from at least one from a weather station (82), a soil moisture sensor in the field (86), a terrain and soil map (88), a temperature (89) or weather sensor from the National Oceanic and Atmospheric Administration (84).

10. Predictive maintenance system (100), according to claim 8, CHARACTERIZED by the fact that the prediction is based on comparing a power and/or a work cycle detected by the sensor (102, 1120) to a power and /or expected duty cycle.

11. Computer-implemented method for predictive maintenance for an irrigation system (106), the computer-implemented method CHARACTERIZED by the fact that it comprises: receiving a signal, detected by a sensor (102, 1120) disposed in a movable end gun (70) operatively associated with a portion of the irrigation system (106), indicative of an abnormal operating condition of the moving end gun (70), the irrigation system (106) configured to irrigate an area, in which the signal indicative of abnormal operation includes an indication of movement and/or positioning relative to the portion of the irrigation system (106) for a period of time; predict, based on the signal, at least one of a drive arm impact frequency, a drive arm impact acceleration magnitude, a forward angular rate of the moving end weapon (70), a backward angular rate of the trailing end gun (70), a rate of forward change of direction of the trailing end gun (70), a rate of backward change of direction of the trailing end gun (70), a time per pass, or a time to turn a reversing lever; determining abnormal operation of the moving end weapon (70) based on the prediction; and providing a maintenance requirement for the moving end weapon (70) based on the determined abnormal operation.

12. Computer-implemented method according to claim 11, CHARACTERIZED by the fact that it further comprises: displaying on a display the predicted maintenance requirement of the mobile end weapon (70).

13. Computer-implemented method according to claim 11, CHARACTERIZED by the fact that the sensor (102, 1120) includes at least one of an encoder (1162), a pressure sensor (1170), a flow meter, a magnetometer - tro, a gyroscope, an accelerometer, a camera, a gesture sensor, a microphone, a laser rangefinder, a reed switch (1180), a magnetic switch or an optical switch.

14. Computer-implemented method according to claim 13, CHARACTERIZED by the fact that the portion of the irrigation system (106) includes a pivot (20).

15. Computer-implemented method according to claim 14, CHARACTERIZED by the fact that the signal indicating an abnormal operating condition is based on an end weapon rotation frequency being above or below a predetermined threshold.

16. Computer-implemented method according to claim 11, CHARACTERIZED by the fact that the sensor (102, 1120) includes a current sensor, a power sensor, a voltage sensor or combinations thereof.

17. Computer-implemented method according to claim 11, CHARACTERIZED by the fact that it further comprises: transmitting an indication of the predicted maintenance requirement to a user device (120) for display; and displaying, on a display of the user device (120), an indication of the predicted maintenance requirement.

18. Computer-implemented method according to claim 11, CHARACTERIZED by the fact that the prediction is performed by a machine learning model (300), and wherein the machine learning model (300) is based on a deep learning network, a classic machine learning model, or combinations thereof.

19. Computer-implemented method according to claim 18, CHARACTERIZED by the fact that the prediction is based on comparing a power detected by the sensor (102, 1120) to an expected power based on at least one of a humidity of the directly measured soil, a soil moisture inferred from field weather data and/or regional weather stations, a topographic map, a soil map, an engine RPM, a gearbox ratio, a tower weight, an extension weight, an operating condition of the moving end gun (70) or combinations thereof.

20. Non-transitory computer-readable medium that stores instructions that, when executed by a processor (220), cause the processor (220) to execute a method for predictive maintenance for an irrigation system (106), the method CHARACTERIZED by the fact which comprises: receiving a signal, detected by a sensor (102, 1120) disposed on a moving end gun (70) of the irrigation system (106), indicative of an abnormal operating condition of the moving end gun (70) , the irrigation system (106) configured to irrigate an area, wherein the signal indicative of abnormal operation includes an indication of movement and/or positioning relative to the portion of the irrigation system (106) for a period of time; predict, based on the signal, at least one of a drive arm impact frequency, a drive arm impact acceleration magnitude, a forward angular rate of the moving end weapon (70), a backward angular rate of the trailing end gun (70), a rate of forward change of direction of the trailing end gun (70), a rate of backward change of direction of the trailing end gun (70), a time per pass, or a time to turn a reversing lever; determining abnormal operation of the moving end weapon (70) based on the prediction; predicting, by a machine learning model (300), a maintenance requirement of the moving end weapon (70) based on the determined abnormal operation; and displaying on a display the predicted maintenance requirement of the trailing end weapon (70).