CN114303605A - 用于确定联合收割机运行期间的谷粒损失量的方法和系统 - Google Patents

Abstract

本公开描述了一种针对虚拟传感器的系统和方法，该虚拟传感器确定联合收割机运行期间的谷粒损失量，而无需针对谷粒损失的任何直接测量。电子控制器被配置成确定包括多个传感器值和致动器设置的一组运行状态的值。电子控制器然后应用人工神经网络，该人工神经网络被配置成接收一组运行状态的值作为输入并且产生指示谷粒损失的估计量的值作为输出。

Description

用于确定联合收割机运行期间的谷粒损失量的方法和系统

技术领域

本发明涉及用于运行联合收割机的系统和方法。具体地，本发明涉及在联合收割机的运行期间监测谷粒损失。

背景技术

机器(例如联合收割机)用于从农田中收集诸如小麦、燕麦、黑麦、大麦和玉米之类的农作物。在一些实施方式中，机器还被配置成将谷粒与其它物料(例如，秸秆)分离。然而，在分离过程中谷粒可能会损失。例如，一些谷粒可能不会通过清选筛中的筛子掉落，而是被携带到后部并与秸秆一起被排出，等等。例如，当筛子由于高湿度而变得阻塞时，或者当收集高水分农作物/菜类农作物时，可能会发生这种情况。例如，当清选筛过载时、当筛子的角度不适当时、当筛子的开口太小时，或者当风扇的气流速度太高时，也可能导致谷粒损失。谷粒损失也可以发生在联合收割机的其它阶段。例如，当谷粒被脱粒器排出到逐稿器而不是穿过凹板到达清选筛时，可能会发生分离损失。在收割玉米的情况下，分离损失可以包括整个穗轴或小片穗轴上仍然附着有籽粒，并且例如在凹板与脱粒滚筒之间的间距对于正在被收割的穗轴的尺寸而言过小时可能会发生分离损失。

发明内容

在一个实施例中，本发明提供了一种系统，该系统被配置成应用虚拟传感器来确定联合收割机运行期间的谷粒损失量。电子控制器被配置成将致动器设置应用于多个致动器中的每一个以控制联合收割机的运行，并且从多个传感器中的每个传感器接收输出信号，其中来自每个传感器的输出信号指示联合收割机的不同运行状态。电子处理器确定一组运行参数的值，并然后应用人工神经网络，该人工神经网络被配置成接收一组运行参数的值作为输入，并且产生指示谷粒损失的估计量的值作为输出。由人工神经网络接收的作为输入的一组运行参数不包括针对谷粒损失的任何直接测量。

在另一实施例中，本发明提供了一种确定联合收割机运行期间的谷粒损失量的方法。电子处理器确定不包括针对谷粒损失的任何直接测量的一组运行参数的值。电子处理器然后应用人工神经网络，该人工神经网络被配置成接收一组运行参数的值作为输入并且产生指示谷粒损失的估计量的值作为输出。

通过考虑具体实施方式和附图，本发明的其它方面将变得显而易见。

附图说明

图1是根据实施例的联合收割机的正视图。

图2是用于在图1的联合收割机中将谷粒与其它物料分离的系统的示意图。

图3是用于图1的联合收割机的控制系统的框图。

图4是用于确定图1的联合收割机中的谷粒损失量的人工神经网络的示意图。

图5是用于分别确定图1的联合收割机中由于分离损失和由于清选筛损失而导致的谷粒损失的人工神经网络的示意图。

图6是用于使用人工神经网络作为冗余机制来确定图1的联合收割机中的谷粒损失的方法的流程图。

图7是用于通过选择性地使用人工神经网络作为冗余机制或作为单一机制来确定图1的联合收割机中的谷粒损失的方法的流程图。

具体实施方式

在详细解释本发明的任何实施例之前，应当理解，本发明在其应用方面不限于在以下描述中阐述的或在以下附图中示出的部件的构造和布置的细节。本发明能够具有其它实施例，并且能够以各种方式实践或实施。

图1示出了被配置成收集(即，“收获”)农作物的联合收割机100 的示例，农作物例如包括小麦、燕麦、黑麦、大麦和玉米。联合收割机 100还被配置成将谷粒与其它物料(例如，秸秆)分离。联合收割机100 包括割台104和喂入机构106，割台104被配置成收集和切割农作物，喂入机构106被配置成将切割后的农作物从割台104输送到容纳在联合收割机100的主体108中的分离系统。

图2示出了联合收割机100中的分离系统112的示例。脱粒滚筒116 包括将谷粒和谷壳与秸秆分离的纹杆(rasp bar)118。大部分秸秆从脱粒滚筒116被传送到逐稿器126，逐稿器126被配置成使秸秆朝向联合收割机100的后部移动，秸秆在联合收割机的后部被排出。谷粒、谷壳和通过脱粒滚筒116与剩余农作物分离开的一些秸秆穿过凹板114中的开口并到达清选筛132。清选筛132包括上筛120(或谷壳筛)和下筛122。筛子 120、122包括能够调节的指状物，该能够调节的指状物允许小于一定尺寸的物料(例如谷粒)掉落。通过筛子120、122掉落的谷粒进入收集区域中，然后在该收集区域谷粒由螺旋输送器124输送到粮箱。除了谷粒之外的物料(例如，秸秆)由于太大而不能通过筛子120、122中的开口掉落到收集区域，而是通过来自风扇134的气流A1、A2和/或经由筛子120、 122的有规律的重复的振动运动被携带离开筛子120、122的后部。

然而，在图2所示的分离过程中，谷粒可能会损失。例如，一些谷粒可能不会通过清选筛中的筛子120、122掉落，而是被携带到后部并与秸秆一起被排出，等等。例如，当筛子120、122由于高湿度而变得阻塞时，或者当收集高水分农作物/菜类农作物时，可能会发生这种情况。例如，当清选筛过载时、当筛子120、122的角度不适当时、当筛子120、122 的开口太小时，或者当风扇134的气流速度太高时，也可能导致谷粒损失。在清选筛132处发生的谷粒损失在本文中被称为“清选筛谷粒损失”。

谷粒损失也可以发生在联合收割机100的其它阶段。例如，当谷粒被脱粒器116排出到逐稿器126而不是穿过凹板114到达清选筛132时，会发生“分离损失”。在收割玉米的情况下，分离损失可以包括整个穗轴或小片穗轴上仍然附着有籽粒，并且例如在凹板114与脱粒滚筒116之间的间距对于正在被收割的穗轴的尺寸而言过小时可能会发生分离损失。例如在以下情况下也可能会发生分离损失：(1)当转子运行过慢并因此不能将谷粒与废料分离时；(2)当收割机割台104收集到过量的废料时；以及(3) 当凹板114的间距过宽时。在物料离开喂入机构之后并在物料进入清选筛之前发生的谷粒损失在本文中被称为“分离损失”。

测量谷粒损失的一种方法是使用物理传感器。例如，物理谷粒损失传感器可以被配置成通过检测接触(例如，电容传感器或压电传感器)或通过检测籽粒撞击表面的声音来检测撞击测量装置的表面的籽粒。然而，下面进一步描述的各种示例提供了被配置成作为用于估计谷粒损失量的“虚拟传感器”来运行的机器学习机制或人工智能机制。

图3示出了用于联合收割机100的控制系统的示例，该控制系统被配置成应用人工神经网络机制来估计谷粒损失。该系统包括控制器301，控制器301包括电子处理器303和非暂时性计算机可读存储器305。存储器 305存储数据和指令，所述数据和指令在由电子处理器303执行时实现控制器301的功能(例如包括本文所述的功能)。

控制器301通信地联接到多个致动器，并且被配置成向致动器提供控制信号以调节联合收割机100的操作。例如，控制器301通信地联接到喂入器307的一个或更多个致动器，所述一个或更多个致动器控制农作物物料通过喂入机构106被喂入到分离机构112的速度。控制器301还被配置成向风扇309提供控制信号以调节风扇309的运行速度，向谷壳筛致动器 311提供控制信号以调节筛子120、122的开口尺寸，以及向脱粒器致动器313提供控制信号以调节脱粒滚筒116的旋转速度和/或脱粒滚筒116 与凹板114之间的间距。

在图3的示例中，控制器301还通信地联接到多个传感器，该多个传感器向控制器301提供关于联合收割机100的运行状态的反馈和/或其它信息。例如，控制器301联接到湿度计315并且联接到环境光传感器317，该湿度计315被配置成向控制器301提供指示测得的湿度的信号，该环境光传感器317被配置成测量环境光的量。控制器301还可以联接到倾斜传感器319、321，该倾斜传感器319、321被配置成向控制器301提供关于联合收割机100在其上运行的田地表面的横向倾斜和纵向倾斜的信息。控制器301还通信地联接到物理谷粒损失传感器323，该物理谷粒损失传感器323被配置成向控制器301提供指示测得的谷粒损失量的输出信号。

在图3的示例中，控制器301还通信地联接到拨动开关325和/或其它用户输入控制件以及用于与远程计算机系统通信的无线收发器327。在各种不同的实施方式中，控制器301可以被配置成与除了图3的示例中所示的传感器和致动器之外的或代替图3的示例中所示的传感器和致动器的其它传感器或致动器通信。此外，在各种不同的实施方式中，控制器301可以被配置成通过有线通信接口、无线通信接口或有线接口和无线接口的组合与传感器和致动器通信。

图4示出了被设计成基于机器设置、配置和运行输入来估计/预测谷粒损失的人工神经网络(ANN)的示例。在图4的特定示例中，人工神经网络接收总喂入速率(例如，基于喂入器307的当前运行设置)、湿度 (基于湿度计315的输出)、纵向倾斜度(基于纵向倾斜传感器319的输出)、横向倾斜度(基于横向倾斜传感器321的输出)、风扇速度(基于风扇309的当前运行设置)、谷壳筛开口尺寸(基于一个或多个谷壳筛致动器311的当前运行设置)和环境光的测量值(基于环境光传感器317的输出)作为输入。图4的人工神经网络被训练成基于这些输入来产生谷粒损失的估计量(例如，为谷粒损失率)。通过人工神经网络的连续再训练，系统将能够更好地识别造成谷粒损失的输入。因此，在各种不同的实施方式中，人工神经网络可以被配置成接收更多的输入、更少的输入，或接收除了图4的示例中列出的输入之外的或代替图4的示例中列出的输入的其它输入。

图4的示例被配置成产生指示“谷粒损失”的单个输出。因此，在一些实施方式中，可以实施单个人工神经网络以产生对总谷粒损失的估计。然而，在其它实施方式中，可以训练一个或更多个人工神经网络以估计特定类型的谷粒损失。例如，控制器301可以被配置成使用被训练成仅估计分离损失的人工神经网络。在另一示例中，控制器301可以被配置成使用多个不同的人工神经网络，其中一个人工神经网络被训练成估计分离损失，另一个人工神经网络被训练成估计清选筛损失。在其它的实施方式中，控制器301还可以被配置成应用被训练成产生多个输出的人工神经网络，其中每个输出指示不同类型的谷粒损失。例如，图5示出了一人工神经网络，该人工神经网络被配置成接收与图4的人工神经网络相同的输入，但被训练成产生两种输出：分离谷粒损失的估计和清选筛谷粒损失的估计。其它实施方式可以被配置成使用被训练成估计不同类型的谷粒损失的人工神经网络，例如包括收割前损失、割台损失和泄漏损失。

在图4和图5的示例中示出的人工神经网络接收各种传感器值和致动器值作为输入。然而，所述人工神经网络不接收来自谷粒损失传感器323 的测得的谷粒损失量作为输入。因此，控制器301可以被配置成使用人工神经网络机制作为冗余机制(以检测硬件传感器的问题或不一致性)或作为单一谷粒损失传感器(以提供用于测量谷粒损失的替代机制)。在一些实施方式中，联合收割机100可以被配置成不包括任何物理谷粒损失传感器323，而是使用人工神经网络机制作为用于估计/测量谷粒损失的唯一方法。

图6示出了使用人工神经网络作为冗余机制来确认物理谷粒损失传感器323(例如，被配置成检测分离损失的物理谷粒损失传感器)的正确运行的方法的示例。控制器301接收来自谷粒损失传感器323的输出信号，并基于传感器输出确定分离损失量(步骤601)。控制器301还应用人工神经网络(例如，图4的人工神经网络)来确定分离损失的估计量(步骤 603)。控制器301将这两个确定出的谷粒损失值进行比较，并且如果差值在限定的公差阈值内(步骤605)，则控制器301确定物理谷粒损失传感器323在正常运行，并基于传感器输出限定分离损失(步骤607)。然而，如果该差值大于公差阈值，则控制器301确定在来自物理谷粒损失传感器 323的输出中存在误差(步骤609)，并基于人工神经网络(即“虚拟传感器”)的输出来限定分离损失(步骤611)。

在一些实施方式中，控制器301被配置成基于一组输入和由物理谷粒损失传感器323确定的被限定的输出来更新并再训练人工神经网络。例如，在图6的方法中，控制器301被配置成响应于确定物理谷粒损失传感器323在正常运行而再训练人工神经网络(步骤613)。这可以例如通过使用“监督学习”来实现，在监督学习中，物理谷粒损失传感器323的输出被提供为与当前一组“输入”相对应的限定的“输出”。在一些实施方式中，控制器301可以被配置成本地执行该再训练操作，而在其它实施方式中，所述一组输入和限定的“输出”被传输到远程计算机系统(例如，经由无线收发器327)，该远程计算机系统再训练人工神经网络并且将更新后的人工神经网络传输回控制器301以供将来使用。在一些实施方式中，仅基于来自单个联合收割机100的数据来再训练人工神经网络，而在其它实施方式中，人工神经网络被配置成集合来自多个不同联合收割机的数据来再训练人工神经网络。例如，可以基于来自车队中的多个联合收割机的数据来再训练人工神经网络。

在图6的示例中，响应于确定物理谷粒损失传感器323在正常运行，基于物理谷粒损失传感器323的输出来限定分离损失(步骤607)。在一些实施方式中，控制器301可以被配置成通过简单地将分离损失限定为等于谷粒损失传感器323的输出来实现这一点。然而，在其它实施方式中，控制器301可以被配置成基于物理谷粒损失传感器323的输出和基于人工神经网络的“虚拟传感器”的输出两者来确定谷粒损失量。例如，控制器 301可以被配置成将分离损失限定为来自物理谷粒损失传感器323的输出和来自虚拟传感器的输出的平均值。

图6的示例需要“虚拟传感器”和物理谷粒损失传感器323两者作为用于测量谷粒损失的冗余机制。然而，在其它实施方式中，物理谷粒损失传感器323可以被完全省略并且用虚拟传感器代替。例如，控制器301 可以被配置成基于一个或更多个人工神经网络的输出来限定总谷粒损失、分离损失和/或清选筛损失。因此，可以通过用虚拟传感器代替物理谷粒损失传感器323来降低联合收割机100的成本。

类似地，在一些实施方式中，系统可以被配置成允许操作者手动地选择是使用虚拟传感器作为物理谷粒损失传感器的冗余机制，还是仅使用虚拟传感器作为用于确定谷粒损失的“单一”机制。图7示出了一种这样的方法的示例。控制器301监测用户输入控制件(例如拨动开关325)的状态(步骤701)，从而确定操作者是选择了“冗余模式”还是“单一模式”(步骤703)。如果操作者选择了“单一模式”(即，通过将拨动开关移动到第一位置)，控制器301使用“虚拟传感器”来应用人工神经网络确定谷粒损失(步骤705)。相反，如果操作者选择了“冗余模式”(即，通过将拨动开关移动到第二位置)，控制器301应用类似于图6所示的方法将“虚拟传感器”的输出用作物理谷粒损失传感器的输出的冗余(步骤 707)。

因此，本发明尤其提供了针对使用人工神经网络的虚拟谷粒损失传感器的系统和方法，所述人工神经网络被配置成基于机器运行设置和/或其它传感器输出来估计谷粒损失。本发明的各种特征和优点在以下权利要求中阐述。

Claims (20)

1.一种用于确定联合收割机运行期间的谷粒损失量的方法，所述方法包括：

由电子处理器确定一组运行参数的值，所述一组运行参数不包括针对谷粒损失的任何直接测量；以及

由所述电子处理器应用人工神经网络，所述人工神经网络被训练成接收所述一组运行参数作为输入并且产生指示谷粒损失的估计量的值作为输出。

2.根据权利要求1所述的方法，其中，确定所述一组运行参数的值包括：

基于由所述电子处理器从传感器接收到的指示由所述传感器测得的状态的输出来确定至少一个传感器值，以及

确定至少一个致动器设置，其中，所述电子处理器被配置成通过将所述至少一个致动器设置应用于所述联合收割机的致动器来控制所述联合收割机。

3.根据权利要求1所述的方法，其中，确定所述一组运行参数的值包括确定以下项的值：

所述联合收割机的总喂入速率，

湿度，

纵向倾斜度，

横向倾斜度，

风扇的速度，所述风扇被配置成将气流吹过所述联合收割机的清选筛的至少一个筛子，

所述联合收割机的所述清选筛的谷壳筛开口尺寸，以及

环境光的量。

4.根据权利要求1所述的方法，还包括：

由所述电子处理器从物理谷粒损失传感器接收指示由所述物理谷粒损失传感器测得的谷粒损失量的输出；以及

至少部分地基于来自所述物理谷粒损失传感器的输出与所述人工神经网络的输出的比较来确认所述物理谷粒损失传感器的正确运行。

5.根据权利要求4所述的方法，还包括：

由所述电子处理器监测拨动开关的状态来确定所述拨动开关是处于第一位置还是第二位置；

响应于确定所述拨动开关处于第一位置，基于所述物理谷粒损失传感器的输出来限定所述谷粒损失量，同时使用所述人工神经网络的输出来确认所述物理谷粒损失传感器的正确运行；以及

响应于确定所述拨动开关处于第二位置，基于所述人工神经网络的输出来限定所述谷粒损失量。

6.根据权利要求1所述的方法，还包括：

由所述电子处理器从物理谷粒损失传感器接收指示由所述物理谷粒损失传感器测得的谷粒损失量的输出；以及

使用所述一组运行参数作为所述人工神经网络的输入并且使用所述物理谷粒损失传感器的输出作为所述人工神经网络的被限定的输出，通过监督式机器学习来再训练所述人工神经网络。

7.根据权利要求1所述的方法，还包括由所述电子处理器至少部分地基于确定出的所述谷粒损失量来调节所述联合收割机的至少一个致动器设置。

8.根据权利要求1所述的方法，其中，应用所述人工神经网络包括应用被训练成产生指示分离损失量的值作为输出的第一人工神经网络，并且还包括应用被训练成产生指示清选筛损失量的值作为输出的第二人工神经网络。

9.根据权利要求8所述的方法，其中，所述第二人工神经网络被配置成接收第二组运行参数作为输入，并且其中，所述第二组运行参数不同于由所述第一人工神经网络接收的作为输入的所述一组运行参数。

10.根据权利要求8所述的方法，其中，由所述第二人工神经网络接收的作为输入的所述一组运行参数与由所述第一人工神经网络接收的作为输入的所述一组运行参数相同。

11.一种被配置成应用虚拟传感器来确定联合收割机运行期间的谷粒损失量的系统，所述系统包括：

多个致动器；

多个传感器；以及

电子控制器，所述电子控制器被配置成：

将致动器设置应用于所述多个致动器中的每个致动器来控制所述联合收割机的运行，

从所述多个传感器中的每个传感器接收输出信号，其中，来自每个传感器的所述输出信号指示所述联合收割机的不同运行状态，

确定一组运行参数的值，所述一组运行参数不包括针对谷粒损失的任何直接测量，以及

应用人工神经网络，所述人工神经网络被训练成接收所述一组运行参数作为输入并且产生指示谷粒损失量的值作为输出。

12.根据权利要求11所述的系统，其中，所述一组运行参数包括从由以下各项组成的组中选择的至少一项：

所述联合收割机的总喂入速率，

测得的湿度，

纵向倾斜度，

横向倾斜度，

风扇的速度，所述风扇被配置成将气流吹过所述联合收割机的清选筛的至少一个筛子，

所述联合收割机的所述清选筛的谷壳筛开口尺寸，以及

环境光的量。

13.根据权利要求11所述的系统，还包括物理谷粒损失传感器，所述物理谷粒损失传感器被配置成直接测量谷粒损失量并输出指示由所述物理谷粒损失传感器测得的所述谷粒损失量的信号，其中所述电子处理器还被配置成：

从所述物理谷粒损失传感器接收输出，以及

至少部分地基于来自所述物理谷粒损失传感器的输出与所述人工神经网络的输出的比较来确认所述物理谷粒损失传感器的正确运行。

14.根据权利要求13所述的系统，还包括能够选择性地定位在第一位置和第二位置的拨动开关，其中，所述电子处理器还被配置成：

监测所述拨动开关以确定所述拨动开关是处于所述第一位置还是所述第二位置，

响应于确定所述拨动开关处于所述第一位置，基于所述物理谷粒损失传感器的输出来限定所述谷粒损失量，同时使用所述人工神经网络的输出来确认所述物理谷粒损失传感器的正确运行，以及

响应于确定所述拨动开关处于所述第二位置，基于所述人工神经网络的输出来限定所述谷粒损失量。

15.根据权利要求14所述的系统，其中，所述电子处理器还被配置成在所述拨动开关处于所述第一位置时，响应于基于所述物理谷粒损失传感器的输出与所述人工神经网络的输出的比较确定所述物理谷粒损失传感器未正确地运行而基于所述人工神经网络的输出来限定所述谷粒损失量。

16.根据权利要求11所述的系统，还包括物理谷粒损失传感器，所述物理谷粒损失传感器被配置成直接测量谷粒损失量并输出指示由所述物理谷粒损失传感器测量的所述谷粒损失量的信号，其中所述电子处理器还被配置成：

从所述物理谷粒损失传感器接收输出，以及

使用所述一组运行参数作为所述人工神经网络的输入并且使用所述物理谷粒损失传感器的输出作为所述人工神经网络的被限定的输出，通过监督式机器学习来再训练所述人工神经网络。

17.根据权利要求11所述的系统，其中，所述电子处理器还被配置成至少部分地基于确定出的所述谷粒损失量来调节所述联合收割机的至少一个致动器设置。

18.根据权利要求11所述的系统，其中，所述电子处理器被配置成通过下述方式应用所述人工神经网络：应用被训练成产生指示分离损失量的值作为输出的第一人工神经网络，并且

其中，所述电子处理器还被配置成应用被训练成产生指示清选筛损失量的值作为输出的第二人工神经网络。

19.根据权利要求18所述的系统，其中，所述第二人工神经网络被配置成接收第二组运行参数作为输入，并且其中，所述第二组运行参数不同于由所述第一人工神经网络接收的作为输入的所述一组运行参数。

20.根据权利要求18所述的系统，其中，由所述第二人工神经网络接收的作为输入的所述一组运行参数与由所述第一人工神经网络接收的作为输入的所述一组运行参数相同。

Images