CN115836309A - 适配用于运行多个工作机器中的一个、特别是用于块根作物的收割机的过程模型方法 - Google Patents
适配用于运行多个工作机器中的一个、特别是用于块根作物的收割机的过程模型方法 Download PDFInfo
- Publication number
- CN115836309A CN115836309A CN202180048378.7A CN202180048378A CN115836309A CN 115836309 A CN115836309 A CN 115836309A CN 202180048378 A CN202180048378 A CN 202180048378A CN 115836309 A CN115836309 A CN 115836309A
- Authority
- CN
- China
- Prior art keywords
- process model
- machine
- data
- working
- edv
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 311
- 230000008569 process Effects 0.000 title claims abstract description 271
- 230000006978 adaptation Effects 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000007704 transition Effects 0.000 claims description 13
- 238000009434 installation Methods 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000011022 operating instruction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000003306 harvesting Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 244000061456 Solanum tuberosum Species 0.000 description 8
- 235000002595 Solanum tuberosum Nutrition 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 238000009412 basement excavation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 235000016068 Berberis vulgaris Nutrition 0.000 description 3
- 241000335053 Beta vulgaris Species 0.000 description 3
- 241001124569 Lycaenidae Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000012015 potatoes Nutrition 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 1
- 244000060234 Gmelina philippensis Species 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 235000021536 Sugar beet Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D33/00—Accessories for digging harvesters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
- A01D41/12—Details of combines
- A01D41/127—Control or measuring arrangements specially adapted for combines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Environmental Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Soil Sciences (AREA)
- Mechanical Engineering (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
用于适配运行多个工作机器中的一个的过程模型的方法,工作机器包括:一个或多个第一组合农业工作机器(1);以及至少一个另外的工作机器,在EDV设备(20)上进行适配,并且在运行中基于至少一个第一工作数据集借助于在第一工作机器(1)上运行的第一过程模型产生至少一个第一过程模型输出,以影响农业工作结果,由此得到至少一个后续的工作数据集,EDV设备(20)经由至少一个接口从至少一个尤其远离设置的第一工作机器(1)在其运行期间或之后获得第一机器数据集的至少一部分,在EDV设备(20)上,存储在EDV设备(20)中的基础过程模型改变第一过程模型或另外的过程模型,并且该改变的过程模型随后为了优选后续运行而完全或部分地从EDV设备(20)提供以尤其传递到第一工作机器和/或另外的工作机器上和/或朝所述工作机器的方向传输,还涉及一种用于执行该方法的EDV设备(图1)。
Description
技术领域
本发明涉及一种适配用于运行多个工作机器、尤其自行式或牵引式收割机、优选用于块根作物的工作机器中的其中一个的过程模型的方法。
背景技术
从现有技术中、例如从DE 10 2017 208 442 A1中已知一种方法:基于多个用户输入在工作机器上本地改变过程模型。基于用户输入适配本地存在于机器层面上的算法,由此改变工作机器的简单的过程模型。由此,工作机器在最佳情况下在使用地点朝局部最佳优化。当然,在用户没有受过训练的情况下,这会导致:工作机器通过用户输入进入较差的收获性能。此外,工作机器需要在另一使用位置重新适配。因此,在收获条件未知或用户没有受过训练的情况下,算法无法或至少无法最佳的工作。
还从WO 2018/206587中已知:在收获过程期间经由处理过的材料获得的数据传输到远程服务器,并将所述数据提供给随后处理该材料的工作机器、例如牵引车和打包机的组合。在此也仅处理关于收获物的与位置相关的信息。
发明内容
本发明的目的是:提供一种方法,借助所述方法对于一个或多个农业工作机器、特别是一个或多个收割机,无论是在同一地点还是在不同地点使用时,都实现尤其良好的农业工作结果。本发明的目的还是提供适合于此的主题。
该目的通过根据权利要求1的方法以及根据权利要求15的EDV设备和通过根据权利要求16的收获装置实现。本发明的有利的设计方案可从引用权利要求1的从属权利要求和以下描述中得出。
提出一种根据本发明的用于适配用于运行多个工作机器中的一个的过程模型的方法,所述工作机器包括一个或多个第一组合农业工作机器、特别是自行式收割机或牵引车与由所述牵引车牵引的收割机的组合、优选用于块根作物的工作机器;以及至少一个、优选多个另外的工作机器,其中在EDV设备上进行适配。该适配基于经由至少一个接口从至少一个尤其远离设置的第一工作机器在其运行期间或之后接收到的第一机器数据集或基于其至少一部分来进行。所述机器数据集包括第一工作数据集的至少一部分和至少一个后续的工作数据集的至少一部分。
为了影响农业工作结果,这种工作数据集在运行中通过在第一工作机器上运行的第一过程模型用于产生至少一个第一过程模型输出,所述第一过程模型输出包括用于第一工作机器中的至少一个的至少一个可控制或调节的功能单元的至少一个控制命令。在用于工作机器的至少一个可控制或可调节的功能单元的控制命令已经由所述功能单元实施之后,得到后续的工作数据集,所述后续的工作数据集刚好如第一工作数据集一样适合于描述或限定工作机器的过程状态。
第一工作机器的过程模型用于:基于现有的过程状态产生至少一个或通常多个过程模型输出,所述过程模型输出至少包括各一个控制命令,所述过程模型输出产生后续的过程状态。例如,基于第一过程状态进而基于传感器数据识别:构成为马铃薯挖掘机器的第一工作机器的分离设备面临堵塞的风险。然后,根据过程模型,过程模型输出例如可以引起:提高分离设备的性能或降低朝分离设备输送的传送带的速度。在此,面临堵塞危险的机器传感器数据的解释可以来自过程模型或来自上游的传感器数据解释器。
优选地,从EDV设备获得并在其上处理的第一机器数据集包括描述第一过程状态的第一工作数据集、至少一个、优选地多个描述后续过程状态的工作数据集,以及相应的过程模型输出,基于所述过程模型输出得到一个或多个后续的过程状态。如果由过程模型处理的过程状态已经已知,则如果在输入变量已知的情况下在EDV设备上的相同的过程模型提供相同的过程模型输出,则必要时可以弃用将过程模型输出传输给EDV设备。
优选地,第一和/或另外的机器数据集特别地分别包含相应的工作机器的操作员的至少一个措施(操作输入),借助所述措施对过程模型输出过调或者手动触发,以便实现以由操作员期望的方式设定功能单元或实现期望的过程状态。
替代地或补充地,在相应的机器数据集中包含操作员或其他人员的至少一条反馈信息,借助所述反馈信息描述对相应过程状态的满意度。所述信息又与至少一定数量的表征过程状态的传感器数据相关联,并且优选存储在相应的工作数据集中。
现在,根据本发明,在EDV设备上在考虑第一机器数据集的信息、另外的工作机器的一个或多个的与第一机器数据集类似形成的另外的机器数据集的信息、第一过程模型的信息和/或另外的工作机器中的一个或多个的另外的过程模型的信息的情况下,存储在EDV设备中的基础过程模型、第一过程模型或所述另外的过程模型尤其自动地改变。随后,将改变的过程模型作为输出过程模型为了优选后续运行而完全或部分地由EDV设备提供,尤其以传递到第一工作机器或另外的工作机器的一个上和/或朝其方向传递。相应地,在随后运行中,在工作机器上在EDV设备的层面上改变的过程模型然后作为至少适配于工作机器中的一个的过程模型同样在其上运行。如果仅部分地例如以过程模型的适配的模块的形式或以适配的参数数据集的形式传输过程模型,则在工作机器上过程模型其整体称作为新的、改变的或适配的过程模型。如果过程模型完全传输到工作机器中的其中一个工作机器上,则这同样适用。
通过基于另一收割机的信息适配过程模型,工作机器可以适配于不同的场地条件,而所述工作机器不必已经处于所述场地处或者操作员必须执行本地优化。更确切地说,分别在工作机器和尤其收割机上收集的信息用于:优选自动地优化过程模型以控制和运行工作机器或尤其收割机。
特别地,具有可能的反馈信息的机器数据集或工作数据集包含关于过程质量的评估说明进而至少间接地包含关于由在相应的工作机器上运行的过程模型所执行的设定的信息。所述设定直接或间接地由操作员和/或由传感器或经由其数据的评估在相应的工作机器上产生。替代地或补充地,在根据本发明的另一实施方案中,基于传感器数据的评估的信息仅在EDV设备中产生。
因此,在EDV设备上尤其在考虑对相应的过程状态的反馈和/质量数据的情况下执行过程模型的适配,所述过程状态根据过程模型输出和操作员的可能的措施来得出。通过关于根据不同工作机器的相应过程模型输出改变的过程状态的信息,针对多种使用条件优化EDV设备上的要改变的过程模型。同时,不仅改进工作机器中的一个的农业工作结果,而且尤其改进与EDV设备链接的所有工作机器的农业工作结果。如果在EDV设备上考虑操作员的主观评估、其措施和/或过程模型适配中的客观的传感器支持的反馈数据,则这就愈发适用。
特别地,EDV设备与工作机器在空间上分离,其中工作机器和EDV设备之间的通信经由至少一个接口进行。所述至少一个接口例如实现在EDV设备和工作机器之间的基于互联网的和无线或有线的通信。例如,在工作机器侧存在具有GSM模块的遥测单元,经由所述GSM模块实现到互联网中的连接,其中EDV设备可以借助于网络接口经由互联网访问。
机器数据集的总和优选地存储在与EDV设备相关联或具有数据库的数据库中。不言而喻:机器数据集有利地分别不仅具有机器标识符,而且包含在所述数据集中的工作数据集尤其设有一个或多个时间戳或时间信息,以可以限定过程状态和输出或采取的措施的顺序。
可以以分布在一个或多个控制设备上的方式在工作机器上运行的过程模型同样可以在工作机器的中央控制设备上运行。在简单的情况下,由过程模型触发或输出的控制命令为用于操控执行器的信号。然而,控制命令也可以是更复杂的命令,例如用于工作机器的整个子单元的命令,所述子单元就其而言又产生用于执行器的信号或用于其他子单元的命令。这种受过程模型输出影响的控制单元尤其一方面是工作机器的内部的控制单元,即例如机器整体的行驶速度和功率供应的控制单元,以及另一方面是各个子单元,例如块根作物接纳器、筛分带的控制装置、接纳器的控制装置和对于各个分离设备在其速度、设定角度和影响分离设备性能和分离结果的其他另外的参数方面的设定选项。例如,过程模型可以设定筛分带输送装置的、振动器的和筛分带的其他设备的速度设定、分离设备的落差高度等。通常,工作机器的每个可控制或可调节的组件都可以通过过程模型来操控。相应地,在EDV设备上表示过程模型的整个规则集是复杂的。通常是引起输出控制命令的算法或规则集的多个彼此相关的规则。此外,过程模型必要时也为到外部控制单元的输出,所述控制单元例如以牵引车的形式拉动受牵引的收割机并调节其速度。根据本发明的实施方案,还可以向HMI接口输出,从而可以通过工作机器的操作员触发特定的动作。
为了简单起见,下面通常基于仅一个第一工作机器,特别是用于包括马铃薯或甜菜的块根作物的自行式收割机。然而,其同样良好地也可以是第一工作机器的组合。
农业工作结果优选是处于收割机或转运车辆的储藏室中的挖掘的收获作物量,所述作物具有一定的清洁度,即没有掺杂物和土壤,并且没有特定的损坏,并且其中所述收获作物在特定的时间内收获。
不言而喻:了解数据集的来源对于在EDV设备侧传输机器数据集是有利的。这种机器数据集因此有意义地还具有特定标识符,所述特定标识符可以与工作机器相关联。替代地或补充地,相应的信息也可以在机器数据集传输期间以双向方法从工作机器传输至EDV设备,或者信息也可以由EDV设备从工作机器查询。
根据数据集的构成方案,机器数据集可以分段地或也整体上传输或也作为连续的数据串流传输。还可以考虑是:由EDV设备首先接收第一工作数据集的一个或多个部分,并且然后接收所属的后续的工作数据集。相应地,如下机器数据集无法按时间顺序传输,所述机器数据集整体上描述在收获过程期间在EDV设备上彼此相随的过程状态。
数据的传输优选地无线地经由已知的通信设备进行。替代地,EDV设备也可以具有用于有线传输或用于经由存储介质传输的接口。
EDV设备通常构造成:储存相应的数据、处理所述数据并与工作机器通信。其可以是基于云的、服务器类型的EDV设备,所述EDV设备以分布在一个或多个计算机单元或服务器上的方式运行。替代地或补充地,其也可以是例如处于承包商或收割机制造商本地的EDV设备,所述EDV设备为此具有常用的单元,如易失性和非易失性的存储器和常用的处理器单元(例如CPU和GPU)。由于数据量大,其优选地是与数据库通信或设有数据库的EDV设备,在其中存储工作机器的数据集。
在个别情况下,EDV设备也可以是存在于工作机器上的EDV设备,所述EDV设备的过程模型通过另外的工作机器的机器数据集改变。
基础过程模型、第一过程模型或另外的过程模型的适配基于机器数据集或先前的过程模型的信息来进行。存储在所述过程模型或机器数据集中的数据可以直接使用,这是通常情况,在EDV设备上进行处理,使得其为从以前的数据集中导出的信息。同样地,引起过程模型中的至少一个的变化的信息可以是由不同数据集和过程模型组合的信息。
现代收割机的收获性能通过多个部分彼此相关的且仍是外部的变量确定,其中用于运行收割机的过程模型一方面应尽可能准确地映射所述关联,但同时在不同的边界条件中和在不同的过程目标下必须尽可能鲁棒地运行。通过多个由EDV设备上的多个工作机器处理的信息,通过根据本发明的方法创建对于宽的使用范围精确运行的模型。
由于过程模型也可以借助用于控制特定的控制单元的单个模块来模块化构建,所以为了改变相关的工作机器上的过程模型将所述过程模型也仅部分地以其改变的部分传输,使得尽管如此整体上得到仍仅部分改变的过程模型。这有助于数据传输的效率和速度。
不言而喻:EDV设备构造成:机器特定加密地获得从工作机器传输的数据,或者将要传输给相应的工作机器的相应的数据相应地加密并且仅可由所述工作机器读取。例如,可以基于机器ID执行这种加密。
在EDV设备上处理的第一工作数据集尤其通过第一运行参数数据、第一机器传感器数据、第一功能单元数据和/或从所述数据中导出的第一工作数据形成,特别地其中第一工作数据集还包含所属的反馈数据、评估数据和/或操作输入数据。
运行参数数据尤其是由操作员在投入工作开始时或在投入工作期间预设的或标准预设的数据。在此,例如挖掘策略、收获作物大小、收获作物类型、土壤结实度、运行目标(例如轻柔或快速挖掘)或操作员的其他目标值预设、如最大或最小速度可以预设为运行参数。下面也仅称作为传感器数据的机器传感器数据是从工作机器的传感器和必要时其评估中获得的数据。在此,其可以是各个功能单元或其执行器的压力、设备的特定部位的料位、各个构件的速度、各个可彼此移动的构件的间距、2D或3D记录、声学记录和/或位置信息。必要时,所述数据在信号处理装置中还被处理并解释为可用于过程模型。必要时,过程模型可以自行执行所述解释,或者数据直接包括到过程模型中。
不言而喻,例如,土壤结实度同样在其存在对应的传感器的情况下可以可变地被识别并且可在评估中使用,并且所述信息然后用作机器的可变的运行参数数据或机器的传感器数据。此外,作为功能单元数据的信息可以从机器、例如各个分离设备的各个功能单元或其他功能性单元进入机器数据集中,这尤其适用于如下情况,在所述情况中例如在过程模型的控制输出方面做出预设,所述预设由功能单元无法实施,这是由于性能过低或者导致堵塞的其他故障情况,如作物流的阻塞。
特别地,关于收获过程中特定的关键的区域的过程反馈信息,即例如特定分离设备处的期望料位及其评估、对收获作物中的损伤的鉴别和其评估可以是机器传感器数据的一部分。替代地或补充地,这种评估或反馈信息尤其可以通过操作人员在收获过程期间的输入而获得到运行参数数据中的输入。所述数据可以直接使用或已经作为统计处理和/或解释的工作数据使用。第一工作数据集通过相应地第一系统状态、即通过第一运行参数数据、第一机器传感器数据、第一功能单元数据和/或从所述数据导出的第一工作数据形成,后续的工作数据集优选地至少部分地通过后续的机器传感器数据、后续的功能单元数据、后续的运行参数数据和/或从所述数据导出的后续的工作数据形成,特别地其中后续的工作数据集还包含所属的反馈数据、评估数据和/或操作输入数据。因此,工作机器的第一过程状态借助第一工作数据集描述,而后续的过程状态借助后续的工作数据集描述,所述后续的过程状态根据通过过程模型产生的控制或调节以及必要时通过可能的操作输入来设定。
当前,操作输入数据是根据输入得到的数据,借助所述数据至少部分地过调或替代过程模型输出,优选以便以有针对性的方式设定可控制的功能单元。
为了避免工作机器的控制和调节过程中的过大的不稳定,分别在数据集中描述的数据也可以是如下的求平均的数据,平均数据从在特定时间段期间的考虑中、例如在后续的工作数据集的情况下从在预设的或可预设的时间段上对机器传感器数据求平均中得出。
为了对过程模型进行连续继续改进,有利的是:将新的初始过程模型随后用作新的基础过程模型。可以由关于改变的程度或相关性的评价标准将初始过程模型设定为基础过程模型。这尤其当过程模型不仅可用于一种类型的工作机器而且用于多种不同类型的工作机器、例如不同类型的马铃薯和/或甜菜挖掘机时是有利的。
按照根据本发明的方法的一种改进形式,为了跨机器的可比较性将多个工作机器的机器数据集分别划分成各个组、尤其组件。多个工作机器是彼此独立工作的工作机器,即例如特别是在不同的场地处的途中的第一工作机器和另外的工作机器。一方面,这有助于过程模型的在EDV设备上运行的适配和优化的效率,其中缩小处理规模。另一方面,可以比较但原则上具有以相同方式工作的或作用的功能单元或组件的不同的机器类型。例如,牵引式的和自行式的马铃薯挖掘机具有原则上起相同作用的分离设备,所述分离设备用于将块根作物与不期望的掺杂物分离。从相应的数据集中导出的数据组例如可以是这种相同出现的分离设备或输送单元与分离设备的组合。分离设备特定的组例如是筛分星形件或筛分带、基于气流的或设有各个冲击元件的分离设备、具有在带上以一定角度伸展的指形带或筛辊装置的分离设备。其他的功能单元例如是用于土豆、萝卜或蔬菜的接纳件,必要时结合顶头或锤单元的组合或者单独的顶头和/或锤单元。同样地,驱动单元、过载单元和储藏室单元可以构成经由过程模型操控的功能单元。
优选地,为了适配基础过程模型,机器数据集首先在EDV设备上的过滤器模块中被过滤。在此,尤其自动运行的数据集过滤可以优选地组件特定地根据上述组件来进行。过滤器特性优选地与特定的过程模型开发的目标直接相关,例如针对特定的工作机器类型或根据运行参数,即例如使用目标、挖掘策略或使用位置。此外,可以借助于过滤器模块在EDV设备上准备不同的适配。例如,在过滤器模块中选择特定的时间点或时间范围,或者在特定的时间段上对采取的措施、相应的机器数据集的传感器数据或过程状态求平均。
此外,按照方法的根据本发明的另一构造方案,可以在EDV设备上在评估模块中执行对相应的机器数据集或包含在其中的工作数据集的合理性检查。为此,数据集的特性和要求相应地存储在评估器模块中。所述特性是可参数化的和/或可适配的。在此,对于相应的过程模型的进一步考虑和适配,例如由于失误地传输或有错的过程状态而不一致的机器数据集或工作数据集被排除,以便没有负面地影响和歪曲过程模型。
按照根据本发明方法的一种改进形式,要改变的过程模型在至少一个组件特定的模块中被改变。因此,过程模型的改变有针对性地针对各个组件执行,而没有分别必须总是适配或改变整个过程模型,这当跨机器地使用新的组件或新的控制设备时是特别有利的。在这种组件特定的适配之后,适配过的过程模型模块与其他过程模型模块组合或合并成改变的过程模型。替代地或补充地,可以与传输到工作机器上分开地提供改变的过程模型模块,以便在那里替换相应的部件。
为了适配基础过程模型,适配信息优选地由观察者经由观察者接口记录。观察者接口与EDV设备相关联并且例如对于过程模型的开发者构成为HMI(人机界面)。特别地,可以经由这种接口补充反馈信息并与相应的工作数据集相关联。同样地可以经由这种接口执行对适配例程和/或过滤器模块的适配。例如,要考虑的时间尺度经由这种接口在过滤器模块中预设。
替代地或补充地,与EDV设备相关联的观察者也可以构造成程序模块或算法,所述程序模块或算法尤其采用一个或多个传感器的信息。所述观察者经由内部接口的预设或输入特别引起:逐个计算和评估不同的适配策略,然后从中选择一个合理的适配策略。
根据本发明的方法的一种改进形式的特征在于,要改变的过程模型借助于至少一种人工智能方法,特别是通过增强学习来改变。后者尤其在EDV设备上存在反馈和/或评估信息时提供。所述反馈和/或评估信息可以包含在相应的机器数据集中和/或在EDV设备上产生。
根据本发明,将第一工作机器或另外的工作机器中的一个的操作员或观察者的反馈信息有利地用于适配,优选地其中从反馈信息中适配加权的状态转变以产生改变的过程模型输出。存储在过程模型中并通过所述过程模型引起的状态转变通过一个或多个过程模型输出描述,通过所述过程模型输出进行从通过第一传感器数据表征的例如第一场景到通过后续传感器数据表征的后续场景的转变。例如,第一工作数据集包含第一场景,而后续工作数据集实现基于过程模型输出、即由过程模型采取的、对可控制和/或可调节的功能单元的控制命令形式的措施而得到的后续场景。反馈信息尤其在机器数据集中存在。
优选地,在借助于增强学习进行适配的情况下使用如下过程模型,在所述过程模型中已经包含用于产生过程模型输出的加权的规则集。在EDV设备的适配模块中,过程模型然后基于第一工作数据集和后续工作数据集和所属的过程模型输出在考虑尤其多个工作机器的所属的反馈的情况下完全或在各个过程模型模块中进一步发展。通过考虑反映在第一和后续工作数据集(和尤其传感器数据)的发展,在考虑对通过传感器数据映射的过程状态的反馈和/或评估的情况下适配权重或概率,基于过程模型输出或措施以所述权重或概率实现从一个状态到另一状态的转变。随后,在适配模块中在对尤其多个工作机器的所有相关数据集观察后使用最终求出的加权的状态转变,以便借此在相应的过程模型中适配措施。在多个反馈质量等级的情况下,始于在“良好”和“差”之间的区分,然而尤其在具有至少两个且小于10个等级的标度上评估的情况下,可以使带来尤其良好收获性能的特定的工作机器的状态转变或措施比带来不那么好性能的工作机器更高地加权。
初始过程模型在传输给第一工作机器之前有利地在验证模块中和/或在另一真实或虚拟的工作机器上被验证。在此,可以对过程模型或其各个模块检查所确定的测试情况。因此,例如基于预设的测试场景和因此预设的传感器数据、运行参数数据以及其他信息对过程模型输出在可靠值方面进行检查。如果将工作机器虚拟化,即产生工作机器的计算机模型,所述计算机模型可以经受虚拟变化的收获条件并且然后对待加工的物流以及进而对从中得出的过程状态建模,所述计算机模型同样可以为虚拟模块的对象。
优选地,机器传感器数据和/或运行参数数据包括环境数据,即场地数据、土壤和天气数据。诸如天气数据的外部运行参数数据也可以附加地单独经由接口从相应的工作机器自动加入到数据集中,或者借助于相应的接口在根据本发明的EDV设备上集成到数据基础中。
如果已成功遍历可能的验证,则随后存在适配的且优化的过程模型或过程模型模块。如果仅优化过程模型的单个组件或模块,则可以将所述组件或模块单独地如所描述的那样或者在EDV设备的层面上组合成更新的过程模型,以便随后为了传输而传输给(多个)工作机器。
优选地,输出过程模型至少部分地提供给工作机器的操作员或移动设备上的第三方人员,以应用程序支持地产生操作指令(基于特定的过程状态),其中尤其地将由移动设备或另外的EDV设备上的操作员或第三方输入的反馈用于适配有待适配的过程模型(即第一工作机器、另外的工作机器中的其中一个的过程模型或基础过程模型)。经由这种接口可以将由操作员或第三方实施的监控功能直接用于进一步开发过程模型。
经由EDV设备的附加接口可以为在EDV设备上运行的根据本发明的方法提供用于补充第一机器数据集或另外的机器数据集中的一个的多个信息。这例如可以是已经描述的天气信息,替代地或补充地,在此其也可以是在收获过程之后才检测的评级信息(Boniturinformation)、关于掺杂物或关于存储损坏的信息。不言而喻,所述信息也又与相应的数据集和工作机器相关联。
如果为了适配多个工作机器的过程模型而存在多个相应配备的EDV设备,则在EDV设备的数据库中映射的机器数据集可以被补充其他工作机器的在另外的EDV设备中映射的机器数据集。其他工作机器优选为不同于第一工作机器和另外的工作机器的工作机器。通过合并数据集,于是可以将对其他工作机器的了解添加给自身的工作机器。例如,在此,其可以为在北美或亚洲获得的数据集与欧洲的数据集的联合。
开头提出的目的同样通过一种EDV设备来实现,其具有至少一个计算机程序产品,所述EDV设备的特征在于:其用于执行上述和下面描述的根据本发明的方法。这种EDV设备具有通常存在的、用于数据处理的电子机构。
同样地,开始提出的目的通过根据权利要求16的主题来实现。这种收割机通过使用根据上述和下面描述的方法改变的过程模型也在如下收获条件下实现更好的收获性能,在所述收获条件下尚未使用所述收割机。不言而喻:收割机借助配备对于执行所描述的方法所需的工程机构并能且通常配备运行机构,所述工程机构呈传感器、数据存储机构、到操作员和到EDV设备的内部和外部的通信接口的形式,并且收货机器的运行系统相应地设计用于:上传机器数据集,和接收改变的过程模型或接收其一部分并且在收割机本身上组成改变的过程模型。
附图说明
根据本发明的方法和根据本发明的设备的其他的优点和细节可以在从下附图描述中得出。示意性描述地示出:
图1示出本地地在工作机器上的控制流程,
图2示出根据本发明的主题的示意图,
图3示出过程模型的解释,
图4示出适配模块的一种实施例,
图5和6示出用于适配过程模型的规则集的分析数据。
具体实施方式
下面描述的实施例的各个技术特征也可以与上述实施例以及独立权利要求和可能的其他的权利要求的特征组合成根据本发明的主题。如果有意义,功能相同的元件设有相同的附图标记。
有待适配的过程模型如下嵌入通过方框1表征的相应的工作机器中。相应地,对配设相应系统结构的各个工作机器1于是存在单独的控制流程,所述控制流程对于n个工作机器用1a、1b、1c....1n(见图2)表示。所述控制流程可以存在于相同类型和相同配置的工作机器上,但是提出:也可以将不同的机器类型和配置与部分相同的组件比较,进而也在EDV设备侧上交换经验是有利的。
根据运行参数,在块2中存在运行参数数据,所述运行参数数据经由人机界面限定或也以传感器方式探测地限定。在此,其可为挖掘策略、收获作物大小和品种,或待处理的场地的不同土壤结实度,以及运行目标。也可以将操作员的经由特定事件触发而请求的过程反馈存储在块2中。为了本申请的目的,过程反馈数据或反馈数据或反馈信息可以同义地使用。例如,以质量为导向或以吞吐量为导向的、损失优化的或掺杂物优化的挖掘策略被考虑作为挖掘策略,根据所述挖掘策略的预设执行对功能单元及其控制单元的特定设定。过程反馈数据例如可以时间控制地执行,并且进行对上级目标的反馈,例如操作员对挖掘结果的满意度或对在特定的筛分带上的筛分性能的部分特定目标的反馈(例如其对在分离设备1(TG1)、分离设备(TG2)中的分离的满意程度如何)等。可以想到优选以至少两级(良好/差)来进行所述评估。优选地,直接在机器上输入操作员的输入。过程反馈的输入可以一方面通过机器控制装置触发,例如在限定的挖掘时间段或通过块7中的过程模型进行的较大的设定改变之后进行,或者其未被触发地进行,即驾驶员然后在对其适合时给出反馈。重要的是:所述反馈输入分别与特定的过程状态关联、即与描述机器的各自状态的信息的总和关联。这例如经由时间信息或经由反馈信息与在反馈时间点存在的传感器数据和运行参数的直接关联而是可行的。如果在工作机器的运行过程开始时没有存在完整的运行参数集,则可以以请求的方式或在内部或在外部预设所述运行参数集。
尽管在块2中是预设的或尤其也是外部的信息,而在块4中获取在机器上存在的传感器的传感器数据。在此可以是存在于工作机器上的所有类型的传感器。例如为机械、光学或声学传感器。所述传感器同样可以存在于可以获得过程信息的所有可想到的位置处。例如是在筛分带或分离设备的区域中的料位记录器或者为用于确定液压驱动器的驱动压力的压力传感器。此外,可以为直接求出过程反馈的传感器。相对于经由操作员在块2中的输入来检测过程反馈,传感器检测的优点在于:一方面相对于主观的、操作员特定的反馈更客观的评估基础,特别是更高频的信息,另一方面,可以借助于传感器连续地收集过程反馈。此外,传感器支持的反馈收集具有以下优点:操作员不用不必要地分心或疲劳。传感器数据可以要么作为原始信息或原始数据直接输入到块7中的过程模型中。替代地或补充地,所述传感器数据也可以在根据块5的信号处理模块或也称为传感器数据解释器的解释器模块中处理和解释,并且例如转变为其他的、描述过程的状态变量。这尤其适用于2D或3D信息,所述2D或3D信息通常必须在各自的评估设备中进行解释。
例如,关于分离设备处是否存在阻塞或关于分离设备处面临的阻塞的反馈信息只可在框5中产生。块4中存在的传感器数据的另一示例是经由内部位置传感器获得的方位信息和/或速度信息。因此,将来自块2、4和5中的数据视为工作数据。同样地,将从所述数据中导出的信息、尤其描述过程状态的过程状态信息可以视作为工作数据。所述信息可以根据多个同时或彼此相随的传感器数据的统计评估或分类得出。
工作数据集中汇总的信息暂时地存储在数据集模块3中。在数据集模块3中分别以所属于工作数据集的方式或单独地存储过程模型输出和/或操作员措施,所述操作员措施引起过调过程模型输出,其中在所述数据集模块中优选将所有工作数据集在其传输给EDV设备之前进行存储。有利地,可以配置:可以从传感器数据和运行参数中提取何种数据,以便将所述数据存储在数据集模块3中。重要的是如下过程数据,借助所述过程数据可以实现关于在限定的时间点、尤其在紧接过程反馈之前和期间的时间段的过程状态的陈述。特别地,所述数据集在其存储器大小方面也被划分和/或压缩,使得所述数据集可以借助于遥测单元6传输给图2中通过框20标识的EDV设备。相应地,在可限定事件的情况下,例如在达到最小内存的情况下,在与通信介质连接的情况下、例如在存在移动无线电连接或存在USB棒的情况下,数据集根据箭头14经由接口从系统传输至EDV设备20。此外,由遥测单元6同样可以将信息、例如天气和环境信息根据箭头12和13从外部引入到数据集中。例如可以为例如从外部地图传输的环境信息,例如土壤类型和土壤结实度。
同样有利的是:在遥测单元6的情况下,在尤其呈无线接口形式的遥测单元6的情况下,过程观察者13a(图2)从外部接通工作机器,并且例如查看相机图像或者监控其他传感器数据,并且提供对其的反馈,其中所述无线接口通过移动无线电、WLAN或蓝牙优选在工作机器的附近区域中工作。这种反馈同样可以再次根据数据箭头12优选存储在数据集模块3中并且与描述所属的过程场景的相应的工作数据集关联。
特别地,将时间戳或基于例如事件计数器的限定的事件用于关联各个数据集元素。
过程模型根据数据输入箭头13经由通信接口或遥测单元6传输给过程模块7。所述过程模块7可以中央地位于控制设备上以及还分布地位于多个控制设备上。因此,过程模型由一个或多个结合到机器控制装置中的或用于机器控制而执行的软件模块组成。特别地,基于过程模块7,来自块2侧的输入信号(运行参数)和传感器数据(块4和5)被转换成控制命令。用于控制工作机器的所述措施可以从过程模块7一方面传输给块9中的外部控制单元,例如被牵引的收割机的牵引车,以及传输给内部的控制和功能单元(块8)。必要时,功能单元的数据作为功能单元数据同样添加在数据集模块3中的相应的工作数据集中,这当前在图中未示出。
工作机器的各个功能单元或组件及其控制单元在块8中实现。特别地是影响工作机器的过程结果的执行器操控装置,因此,在马铃薯收割机的示例中为从接收作物流直至储藏室或超载设备的所有清洁和分离设备。通常,这种功能单元经由CAN总线系统或直接从控制设备硬布线地联接。例如,经由TIM协议联接牵引车单元(模块9)。
根据本发明,一种用于在EDV设备的层面上适配过程模型的方法现在在块20中以如下描述的方式那样运行。首先,在数据收集模块21中执行收集所有机器数据集。在此为不同类型的机器(参见机器类型1、机器类型2、机器类型3、机器类型4、机器类型X)。根据图1,控制过程1a至1n在所述机器上运行。在这些工作机器的相应的过程模块7上相应地实现不同的过程模块7,然而所述过程模块由于其原则上相似的结构和基于相同的组件而至少部分地可以共同地在EDV设备上加工。例如,相应的工作机器是各牵引或自行式的变型形式的马铃薯挖掘机器、甜菜挖掘机器的不同实施方案,和/或具有用于不同数量的马铃薯垄或甜菜行的接纳部的不同实施方案。
例如,仅对于用运行流程1a表示的机器在最左侧绘制通过操作员15的反馈。在存在对应的接口的情况下,原则上也可以由外部操作员对具有相应的过程模型变型形式7a、7b、7c、7d和7e的另外的工作机器设置信息。
同样,示例性地仅对附图中左侧的工作机器供应出自信息源16中的其他环境信息、即例如天气信息。
在尤其是用于联接优选本地地远离EDV设备的工作机器的接口的数据收集模块21中获得数据之后,可以与配备附加接口的数据集补充模块22比较:对机器数据集或相应的工作数据集是否还必须添加其他外部的信息。在此可以为天气信息、评级信息或其他外部信息。
不一定必须执行所述补充。通常,图2图表中的虚线框和箭头表示根据本发明的其他实施例的可选变型形式。于是,在尤其构造成数据库的数据集存储器23中收集所有工作机器的机器数据集。在可选的提取模块24中,可以将各个机器的数据集信息为了跨机器的可比较性而例如根据组件划分的方式提取到各个组中。即在提取模块24中的处理步骤之后,数据以按照可选的或可限定的特性、即例如组件或分离焦点划分的方式存在。随后,在下一处理步骤中,数据在过滤器模块25中进行预过滤。特别地,所述过滤器特性尤其与特定过程模型开发的目标直接关联,例如与特定机器类型的过程模型开发和/或根据使用目标、挖掘策略或使用地点或使用年份关联。然后在评估模块26中检查:数据集信息是否完整和可信。为此,在评估模块中存储数据集的相应特性和要求。所述特性是可参数化和可适配的。目标是:仅允许一致且合理的数据集以在适配模块28中进一步适配过程模型。
代替访问可选模块24、25和26的数据,替代地或补充地在适配模块28中直接访问存储器模块23的数据。于是,在输出基础27中存储为基础过程模型的过程模型然后在适配模块28中通过人工智能的方法、特别是通过增强学习来适配。如此生成的、新的且适配的过程模型可在随后步骤中验证所确定的测试情况(验证模块29)。随后,存在适配的过程模块或至少一个适配的过程模块组件。然后,所述过程模块或过程模块组件在步骤31中与可能其他的过程模型模块一起组合成机器独有的过程模块、输出过程模块。经由反馈回路,在模块30中生成的组件特性的过程模块又可以回写到模块27中的输出基础中。替代地或补充地,也可以在适配模块28中适配其他的过程模型,例如第一或后续工作机器的过程模型。也可以经由接口模块32形式的观察者接口输入和考虑适配信息,例如开发者预设。
可以可选地在块33中产生输出过程模型以应用程序支持的方式产生操作指令,进而作为可以转移到移动设备34上的移动设备变型形式产生。借助所述移动设备34又可以在朝适配模块28的方向上或者也朝数据集存储器23完成操作员15的反馈信息。输出过程模型然后完全或部分地以机器特定的方式在变型形式7a至7n中提供给相应的工作机器以适配或改变分别存在于工作机器上的过程模型和尤其后续的运行。
还可以考虑的是:在一个实施变型形式中,EDV设备位于本地的工作机器1上,进而在那里执行根据本发明的方法。然而,相应地,然后可设置一个或多个通信接口,经由所述通信接口然后传输来自其他或另外的工作机器的相关数据集。
在本发明的范围内在EDV设备上适配的过程模型借助其各个部件在图3中基于工作机器还更详细地解释。过程模型的主要的组成部分在该情况下是两个过程知识构建块41以及规则集模块42,在所述过程知识构建块中存在具有过程状态的库,所述规则集模块具有关于过程状态、过程目标和措施M的规则集,所述过程状态、过程目标和措施以块43中的控制命令的形式传输给块8和9的外部和内部的功能单元。在过程模型的所述实施例中的主要任务是:首先求出已知的过程状态,然后基于过程状态和过程目标从规则集中选择相应的措施,所述措施然后在块43中转换为控制命令。
在过程模型的第一次运行时,例如在工作机器启动之后,还没有限定过程状态。单纯从源自运行参数模块或块2的运行参数中最初在块41中求出至少一个过程状态。在这方面,初始过程状态在块44中为工作机器的运行的开始所设置。在块44中限定的运行状态或过程状态在块45中设置为活动的过程状态。基于所述过程状态45并且借助于块46中的过程目标,在规则集模块42中为存在于块45中的过程状态求出最合适的措施,以便实现到过程目标的转变。
在正常运行中,基于多个限定的过程状态连续地从传感器值和运行参数(块2、3和4)中求出过程状态。所述过程状态在块45中首先存储为临时的过程状态。典型地,这种临时的过程状态可以相当高频地求出,因为传感器值经常变化。然而,为了调节系统不会由于频繁状态切换而变得不稳定,有意义的是:通过过滤状态变化使所述临时过程状态更加稳定。这在模块47中进行。优选地在6秒和600秒之间的时间段内对数据在时间上求平均。根据块48中的预设,通过操作员15可手动地对块43中的基于实施的规则集而得到的控制命令进行过调。
在EDV设备的层面上的适配模块28中适配规则集或过程模型的实施例在图4中示出。首先,适配模块28获得一个或多个机器数据集或其一部分。所述数据可以相应未过滤地来自模块23中的数据库或者也可以以按照根据框26的组件或可信的/一致的数据过滤的方式存在。现在从所述数据集中提取所有包含的场景,对于所述场景存在反馈。在此,通过存在至少四个信息限定场景。一个场景是a)根据第一工作数据集的过程状态与b)根据后续的数据集的过程状态与c)所属的过程模型输出或措施以及与d)传感器和/或操作单元的所属的反馈的组合,其中所述过程模型输出或措施引起从第一过程状态到后续过程状态的转变。
在提取模块51中提取场景后,于是总归存在n个场景,其通过上述4条信息I1x、I2x、I3x、I4x来表征,其中x=1至n。每个所述所提取的场景然后转发给模块52中的增强学习代理。所述代理使用包含通过相应的措施而已经加权的状态转变的要改变的过程模型,并且基于所述场景继续学习。在所述代理经过该场景期间,其适配权重或概率,以所述概率基于措施确定从一个状态到另一状态的转变。在代理为提供给适配模块28中的适配器的所有数据集运行完所有场景之后,使用状态转变中的最后求出的权重,以便借此适配规则集中的措施顺序,例如通过如果相对于初始模型相关地改变措施就重新组织来适配。在块53中求出加权的状态转变并且然后在块54中适配规则集。借助于开发器接口,可以从块32中作用于规则集变化的过程以及还作用于场景提取。然后,将最后适配的规则集存储在块55中并且可以从那里为了验证而转移给验证模块29。虽然图4中描述的规则集为通常基于图形或树结构的规则集,但是需要理解的是:这种规则集也可以作为数学上精确限定的规则集存在。其同样可以是神经网络,在所述神经网络中基于反馈信息适配权重。在更精确限定的、基于规则的过程模型中,根据基于传感器数据和运行参数数据的过程变量精确调节一个或多个调节器。然后基于反馈信息在适配模块28中例如如上所示地改变调节器参数。
图5和图6的图像在X轴上示出可能的目标值设定选项,例如同一分离设备中的刺猬带速度(图5)和停车带轴的高度(图6)。在Y轴上绘制在限定时间段期间、在当前的示例中在一年期间在挖掘期间目标值的相对使用持续时间。两个附图的比较表明:在工作运行中可以合理地限制设定范围,在刮板轴(图6)的示例中,限制在0%至20%的值范围,并且在图5的示例中,限制在0%至70%的值范围。这是适配模块28中考虑的结果,在所述适配模块中在适配期间对频繁使用的设定范围比未使用的设定范围更强地加权,然后得到对设定范围的限制。
Claims (16)
1.一种用于适配用于运行优选用于块根作物的多个工作机器中的其中一个工作机器的过程模型的方法,所述工作机器包括一个第一农业工作机器或多个组合的第一农业工作机器(1)、特别是自行式收割机或牵引车与由所述牵引车牵引的收割机的组合;以及至少一个、优选多个另外的工作机器,其中在EDV设备(20)上进行适配,并且
其中在运行中基于至少一个第一工作数据集借助于在所述第一工作机器(1)上运行的所述第一过程模型产生至少一个第一过程模型输出,以影响农业工作结果,所述第一过程模型输出包括用于至少一个所述第一工作机器(1)的至少一个能够控制或调节的功能单元的至少一个控制命令,由此得到至少一个后续的工作数据集,
其中所述EDV设备(20)经由至少一个接口从至少一个尤其远离地设置的第一工作机器(1)在其运行期间或之后获得第一机器数据集的至少一部分,所述第一机器数据集包括
所述第一工作数据集的至少一部分;
至少所述后续工作数据集的或所述后续的工作数据集中的至少一个工作数据集的至少一部分;以及
尤其包括所述第一过程模型输出,
在所述EDV设备(20)上,在考虑以下信息:
所述第一机器数据集的信息;
所述另外的工作机器中的一个或多个工作机器的另外的机器数据集的信息;
所述第一过程模型的信息;和/或
所述另外的工作机器中的一个或多个工作机器的另外的过程模型的信息的情况下,存储在所述EDV设备(20)中的基础过程模型、第一过程模型或另外的过程模型尤其自动地改变,并且将改变的过程模型作为输出过程模型随后为了优选后续运行而完全或部分地从所述EDV设备(20)提供以尤其传递到所述第一工作机器和/或所述另外的工作机器中的其中一个工作机器上和/或朝所述第一工作机器或所述另外的工作机器中的其中一个工作机器的方向传递。
2.根据权利要求1所述的方法,其特征在于,所述第一工作数据集通过第一运行参数数据、第一机器传感器数据、第一功能单元数据和/或从这些数据中导出的第一工作数据形成,特别地其中所述第一工作数据集还包含所属的反馈数据、评估收据和/或操作输入数据。
3.根据权利要求1或2所述的方法,其特征在于,所述后续工作数据集至少部分通过后续的机器传感器数据、后续的功能单元数据、后续的运行参数数据和/或从这些数据中导出的后续的工作数据形成,特别地其中所述后续的工作数据集还包含所属的反馈数据、评估数据和/或操作输入数据。
4.根据前述权利要求中任一项所述的方法,其特征在于,所述初始过程模型用作新的基础过程模型。
5.根据前述权利要求中任一项所述的方法,其特征在于,为了跨机器的可比性,将多台工作机器的机器数据集分别分配到各个组中。
6.根据前述权利要求中任一项所述的方法,其特征在于,所述机器数据集在过滤器模块(25)中尤其以组件特定的方式进行过滤以适配所述过程模型。
7.根据前述权利要求中任一项所述的方法,其特征在于,改变至少一个组件特定的模块中的有待适配的过程模型,并且将所述模块与另外的过程模型模块组合或合并成改变的过程模型。
8.根据前述权利要求中任一项所述的方法,其特征在于,经由所述EDV设备(20)的观察者接口(32)接收适配信息以适配所述过程模型。
9.根据前述权利要求中任一项所述的方法,其特征在于,借助于至少一种人工智能方法、特别是通过增强学习来改变有待适配的过程模型。
10.根据前述权利要求中任一项所述的方法,尤其在包括权利要求2或3的情况下,其特征在于,将所述第一工作机器或所述另外的工作机器中的其中一个工作机器的操作员或观察者的反馈信息用于进行适配,优选地其中从所述反馈信息中适配加权的状态转变以产生改变的过程模型输出。
11.根据前述权利要求中任一项所述的方法,其特征在于,在传输给所述第一工作机器或所述另外的工作机器中的其中一个工作机器之前,在验证模块(29)中和/或在另外的实际或虚拟的工作机器上验证所述输出过程模型。
12.根据前述权利要求中任一项所述的方法,其特征在于,在移动设备上将所述初始过程模型至少部分地提供给所述工作机器中的其中一个工作机器的一个或多个操作员,从而以应用程序支持的方式产生操作指令,优选地其中由所述操作员在所述移动设备上或在另外的EDV设备上输入的反馈用于适配有待适配的过程模型。
13.根据前述权利要求中任一项所述的方法,其特征在于,所述EDV设备(20)经由附加接口获得用于补充所述第一机器数据集或所述另外的机器数据集中的其中一个机器数据集的信息。
14.根据前述权利要求中任一项所述的方法,其特征在于,对在所述EDV设备(20)的数据库中映射的所述机器数据集补充其他的工作机器的在另外的EDV设备的其他数据库中映射的机器数据集。
15.一种EDV设备,其具有至少一个计算机程序产品,其特征在于,所述EDV设备构造成执行根据前述权利要求中任一项所述的方法。
16.一种收割机,其特征在于,其设有过程模块,所述过程模块根据权利要求1至14中任一项所述的方法来改变。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020117941.3 | 2020-07-07 | ||
DE102020117941.3A DE102020117941A1 (de) | 2020-07-07 | 2020-07-07 | Verfahren zur Anpassung eines Prozessmodells zum Betreiben einer von mehreren Arbeitsmaschinen, insbesondere Erntemaschinen für Hackfrüchte |
PCT/EP2021/068234 WO2022008348A1 (de) | 2020-07-07 | 2021-07-01 | Verfahren zur anpassung eines prozessmodells zum betreiben einer von mehreren arbeitsmaschinen, insbesondere erntemaschinen für hackfrüchte |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115836309A true CN115836309A (zh) | 2023-03-21 |
Family
ID=77042904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180048378.7A Pending CN115836309A (zh) | 2020-07-07 | 2021-07-01 | 适配用于运行多个工作机器中的一个、特别是用于块根作物的收割机的过程模型方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230354738A1 (zh) |
EP (1) | EP4179482A1 (zh) |
CN (1) | CN115836309A (zh) |
DE (1) | DE102020117941A1 (zh) |
WO (1) | WO2022008348A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU658066B2 (en) | 1992-09-10 | 1995-03-30 | Deere & Company | Neural network based control system |
DE102008061252A1 (de) | 2008-11-24 | 2010-05-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Unterstützung der Automatisierung landwirtschaftlicher Leistungen |
BE1024475B1 (nl) | 2017-05-09 | 2018-03-01 | Cnh Industrial Belgium Nv | Werkwijze voor het oogsten en oogsttoestel |
DE102017208442A1 (de) | 2017-05-18 | 2018-11-22 | Deere & Company | Selbstlernende, Korrektureingaben berücksichtigende Anordnung zur selbsttätigen Kontrolle eines Arbeitsparameters einer Erntegutförder- und/oder -bearbeitungseinrichtung |
US11789413B2 (en) * | 2017-06-19 | 2023-10-17 | Deere & Company | Self-learning control system for a mobile machine |
US10750655B2 (en) * | 2018-06-21 | 2020-08-25 | Cnh Industrial Canada, Ltd. | Real-time artificial intelligence control of agricultural work vehicle or implement based on observed outcomes |
-
2020
- 2020-07-07 DE DE102020117941.3A patent/DE102020117941A1/de active Pending
-
2021
- 2021-07-01 US US18/004,476 patent/US20230354738A1/en active Pending
- 2021-07-01 CN CN202180048378.7A patent/CN115836309A/zh active Pending
- 2021-07-01 EP EP21745691.2A patent/EP4179482A1/de active Pending
- 2021-07-01 WO PCT/EP2021/068234 patent/WO2022008348A1/de unknown
Also Published As
Publication number | Publication date |
---|---|
US20230354738A1 (en) | 2023-11-09 |
WO2022008348A1 (de) | 2022-01-13 |
DE102020117941A1 (de) | 2022-01-13 |
EP4179482A1 (de) | 2023-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111837626A (zh) | 用于甘蔗应用中的农艺数据生成的信息推断 | |
CN110740635A (zh) | 包括机器反馈控制的联合收割机 | |
CN111814529A (zh) | 机械控制的图像选择 | |
CN113748832A (zh) | 使用预测图的机器控制 | |
CN114303598A (zh) | 使用预测图进行的机器控制 | |
CN114303610A (zh) | 图生成和控制系统 | |
CN112292642B (zh) | 用于控制技术系统的控制装置和用于配置控制装置的方法 | |
CN113375300A (zh) | 空调器的智能控制方法与空调器的智能控制设备 | |
CN114303589A (zh) | 预测图生成和控制系统 | |
CN113377018A (zh) | 空调器的智能控制方法与空调器的智能控制设备 | |
CN114303607A (zh) | 图生成器和控制系统 | |
CN114303592A (zh) | 使用预测图的机器控制 | |
CN114303588A (zh) | 使用预测图进行的机器控制 | |
CN114303599A (zh) | 基于土壤性质的预测图生成和控制 | |
CN114303596A (zh) | 使用预测性速度图的机器控制 | |
CN114793602A (zh) | 使用具有状态区域的图进行机器控制 | |
CN114303617A (zh) | 使用预测图进行的机器控制 | |
US20150195348A1 (en) | Machine Data Management Using Collective Machine Data | |
CN114303593A (zh) | 预测生物量图的生成和控制 | |
CN115836309A (zh) | 适配用于运行多个工作机器中的一个、特别是用于块根作物的收割机的过程模型方法 | |
CN114303609A (zh) | 使用预测图的机器控制 | |
CN112514645B (zh) | 用于地理空间农作物产量映射的延迟管理 | |
CN115917568A (zh) | 用于运行多个工作机器中的一个、特别是用于块根作物的收割机的方法 | |
US20230139169A1 (en) | System and method for estimating crop yield for an agricultural harvester using a machine-learned model | |
DE102020001120A1 (de) | Verbesserung der dimensionsübergreifenden leistung in der maschinensteuerung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |