CN117062524A - 灌溉状况监测 - Google Patents

Abstract

提出了一种用于灌溉系统的监测系统。灌洗系统包括：枢轴以及与枢轴操作地相关联的可移动尾枪。监测系统包括：传感器、处理器和存储器，传感器被配置为生成电信号，电信号指示可移动尾枪相对于枢轴随时间的移动和/或定位。存储器包括存储在其上的指令，指令在由处理器执行时，使系统：接收所生成的电信号，基于电信号确定可移动尾枪或可移动尾枪的一个或更多个部件是否需要维护，以及基于电信号确定可移动尾枪何时处于开启触发状态和/或关闭触发状态。

Description

灌溉状况监测

相关申请的交叉引用

本申请要求于2020年12月23日提交的美国临时专利申请No.63/129,799的权益，其全部内容通过引用并入本文。

技术领域

本公开涉及灌溉系统，更具体地，涉及用于实现灌溉系统的预测性维护的结构和方法。

背景技术

诸如枢轴、横向移动系统、滴灌系统等的灌溉系统在40次使用中平均每年发生3次故障。这些故障发生在关键的生长阶段，并且在许多情况下，发生在田地的中间。

发明内容

为了限制与灌溉系统故障相关联的延迟、增加的成本和其他问题，本公开详述了一种解决方案，该解决方案包括在正常操作期间对灌溉系统进行数字观测，并设置指示异常操作的参数。为了观察这些操作的异常，可以将传感器添加到灌溉系统以提供用于算法处理的数据。这些算法可以基于逻辑或基于分析。在一些情况下，可以使用“现成(off theshelf)”的现有操作数据。在一些方面，其他数据源可以在系统外部，诸如国家海洋和大气管理局(National Oceanic and Atmospheric Administration，NOAA)天气、地形图、土壤湿度等或它们的组合。

根据一个方面，提供了一种用于灌溉系统的监测系统。灌溉系统包括与灌溉系统的一部分操作地相关联的可移动尾枪。监测系统包括：传感器、处理器和存储器，传感器被配置为耦接到可移动尾枪并被配置为生成电信号，电信号指示可移动尾枪相对于灌溉系统的一部分随时间的移动和/或定位。存储器包括存储在其上的指令，指令在由处理器执行时使系统：接收所生成的电信号，基于电信号确定可移动尾枪或可移动尾枪的一个或更多个部件是否需要维护，以及基于电信号确定可移动尾枪何时处于开启触发状态和/或关闭触发状态。

在本公开的另一方面，指令在被执行时可以进一步使系统：基于电信号确定可移动尾枪的角速率以及前进和/或倒退所花费的时间。

在本公开的又一方面，指令在被执行时可以进一步使系统；基于确定生成报告。

在本公开的另一方面，指令在被执行时可以进一步使监测系统：在没有尾枪处于开启触发状态的情况下确定尾枪是否枢转超过预定度数，以及基于确定向用户提供未灌溉位置的指示。

在本公开的另一方面，其中，灌溉系统的一部分包括以下中的至少一个：横向驱动器、水绞车或枢轴，可移动尾枪可移动地安装在枢轴上。

在本公开的另一方面，可移动尾枪可以是相同系统的一部分，但与灌溉系统的一部分分离。

在本公开的又一方面，系统可以进一步包括：被配置为执行确定的分析引擎。

在本公开的另一方面，指令在由处理器执行时可以进一步使监测系统：从气象站、田地土壤湿度传感器、地形和土壤图、温度传感器、或国家海洋和大气管理局天气中的至少一个接收数据。

在本公开的又一方面，分析引擎可以包括机器学习模型，其中，机器学习模型基于深度学习网络、经典机器学习模型或它们的组合。

在本公开的另一方面，传感器可以包括：编码器、压力传感器、流量计、磁力计、陀螺仪、加速度计、照相机、姿势传感器、麦克风、激光测距仪、簧片开关、磁开关、GPS、和/或光开关。

在本公开的方面，提供了一种用于监测灌溉系统的计算机实现方法，灌溉系统包括四个尾枪区。每个尾枪区均包括与灌溉系统的一部分操作地相关联的可移动尾枪。该方法包括：接收由传感器生成的电信号，传感器被配置为耦接到可移动尾枪，其中电信号指示可移动尾枪相对于灌溉系统的一部分随时间的移动和/或定位；基于电信号确定可移动尾枪或可移动尾枪的一个或更多个部件是否需要维护；以及基于电信号确定可移动尾枪何时处于开启触发状态和/或关闭触发状态。

在本公开的又一方面，该方法可以进一步包括：基于电信号确定可移动尾枪的角速率以及前进和/或倒退所花费的时间。

在本公开的另一方面，该方法可以进一步包括：基于确定生成报告。

在本公开的又一方面，该方法可以进一步包括：在没有尾枪处于开启触发状态的情况下确定尾枪是否枢转超过预定度数，以及基于确定向用户提供未灌溉位置的指示。

在本公开的另一方面，其中，灌溉系统的一部分包括以下中的至少一个：横向驱动器、水绞车或枢轴，可移动尾枪可移动地安装在枢轴上。

在本公开的又一方面，可移动尾枪可以是相同系统的一部分但与灌溉系统的一部分分离。

在本公开的另一方面，该方法可以进一步包括：通过分析引擎执行确定。

在本公开的又一方面，该方法可以进一步包括：从气象站、田地土壤湿度传感器、地形和土壤图、温度传感器、或国家海洋和大气管理局天气中的至少一个接收数据。

在本公开的又一方面，分析引擎包括机器学习模型，其中，机器学习模型基于深度学习网络、经典机器学习模型、或它们的组合。

在本公开的方面，提出了一种存储有指令的非暂时性计算机可读介质，指令在由处理器执行时使处理器执行用于监测灌溉系统的方法。灌溉系统包括多个尾枪区。多个尾枪区中的每个尾枪区均包括与灌溉系统的一部分操作地相关联的可移动尾枪。该方法包括：接收由传感器生成的电信号，传感器被配置为耦接到可移动尾枪，其中，电信号指示可移动尾枪相对于灌溉系统的一部分随时间的移动和/或定位；基于电信号确定可移动尾枪或可移动尾枪的一个或更多个部件是否需要维护；以及基于电信号确定可移动尾枪何时处于开启触发状态和/或关闭触发状态。

其他方面、特征和优点将从以下描述、附图和权利要求书中显而易见。

附图说明

包含在本说明书中并构成本说明书的一部分的附图示出了本公开的各个方面，并且与上文给出的本公开的一般描述和下文给出的详细描述一起用于解释本公开的原理，其中：

图1是示出监测系统的图；

图2是被配置为与图1的预测性维护系统一起使用的控制器的框图；

图3是示出被配置为与图1的预测性维护系统一起使用的机器学习模型的图；

图4A示出了典型耕作操作的示例性流程图；

图4B示出了根据本公开的原理的包括预测性维护系统的耕作操作的示例性流程图；

图5示出了利用图1所示的预测性维护系统的各种模型的数据科学工作流程；

图6-图8是图1的预测性维护系统的示例硬件接口和仪器的图；

图9是图1的预测性维护系统的示例性枢轴的一部分的透视图；

图10是图1的预测性维护系统的另一个示例性枢轴的空气压缩机仪器的一部分的透视图；

图11A是根据本公开的原理的预测性维护系统的尾枪(end gun)组件的透视图；

图11B是图11A的尾枪组件的侧视图；

图12A-图12C是利用图11A的预测性维护系统生成的示例信号；

图13A和图13B示出了根据本公开的原理的包括尾枪监测的预测性维护系统的示例性流程图；

图14示出了本公开的预测性维护系统的示例性数据科学工作流程；

图15–图17是本公开的预测性维护系统的测试系统的说明性流程图；

图18是使用九自由度惯性测量单元预测尾枪性能的说明性模型；

图19-图21是根据本公开的监测系统的高级框图；

图22是根据本公开的图27的系统的状态机图；

图23是根据本公开的被用于确定灌溉故障位置的田地中的尾枪象限的图；

图24是根据本公开的用于图1的监测系统的示例陀螺仪信号输出的曲线图；

图25是根据本公开的用于图1的监测系统的示例罗盘信号输出的曲线图；以及

图26是根据本公开的用于图1的监测系统的示例加速度计信号输出的曲线图。

具体实施方式

参照附图详细描述了所公开的预测性维护系统的各方面，其中，在若干视图中的每一个中，相同的附图标记表示相同或相应的元件。诸如顶部、底部等方向性术语仅为了描述方便，并不旨在限制所附的公开内容。而且，如在本文中使用的，术语“开启”包括处于打开位置或激活位置，而术语“关闭”包括处于关闭位置或非激活位置。

在以下描述中，未详细描述公知的功能或构造，以避免在不必要的细节上混淆本公开。

有利地，所公开的系统相对于发生在事实之后的通知预测常见的意外停机时间。所公开的系统提供了比四处驾驶以观察操作(这可能是主观的)的团队更好的洞察力。现今的技术只在故障发生之后通知故障，而所公开的系统在故障发生之前预测维护需求。

参考图1和图7-图9，提供了用于灌溉系统(用于耕作、采矿等)的监测系统100。通常，监测系统100包括灌溉系统106和控制器200，控制器200被配置为执行控制枢轴监测系统100的操作的指令。灌溉系统106可以包括泵10(例如，压缩机或增压泵，见图11)、枢轴20、一个或更多个塔30、终端塔40、转角塔50、空气压缩机60和尾枪70(也称为大枪、大体积枪和/或可移动喷嘴)。泵10可以包括一个或更多个电流传感器以及被配置为向控制器200无线地传输数据(例如，感测到的电流数据)的无线通信设备104。枢轴20可以包括一个或更多个传感器102和被配置为向控制器200无线地传输数据的无线通信设备104。每个塔30、转角塔50和终端塔40可以包括一个或更多个传感器102和被配置为向控制器200无线地传输数据的无线通信设备104。无线通信设备可以包括，例如3G、长期演进(Long Term Evolution，LTE)、4G、5G、蓝牙和/或Wi-Fi等。传感器102可以包括以下中的至少一个：被配置为分别感测例如电流、电压和/或功率的电流传感器、电压传感器和/或功率传感器。在一些方面，当电机是系统的一部分时，这些传感器102可以测量进入增压泵10的电机的电力的传输。泵10可以包括跨上的传输线；接触器；以及用于致动该接触器的部件，电机部件包括电子部件、机械部件，泵部件包括叶轮、入口、出口、和/或管道。在一些方面，泵10可以包括在增压泵出口上的流量传感器(未示出)。

在一些方面，一个或更多个传感器102可以包括任何适合的传感器，例如编码器(例如角编码器)、压力传感器、流量计等、或它们的组合。角编码器可以是测量旋转轴的角位置的位置传感器的形式。

在一些方面，一个或更多个传感器可以被连接(例如直接连接)和/或可以是可以经由广域网(WAN)连接的独立部件。在一些方面，一个或更多个传感器可以基于配置设置聚集在云中。在一些方面，一个或更多个传感器可以包括，例如可以是远程的(long-range，LoRa)低功率广域网技术(low-powerwide area network，LPWAN)。

在一些方面，控制器200可以基于将所生成的信号与预定数据进行比较来确定至少一个部件的状况变化。

控制器200被配置为接收来自传感器102以及来自外部数据源(例如气象站82、田地土壤湿度传感器86、地形和土壤图88、温度传感器89、和/或国家海洋和大气管理局(NOAA)天气84)的数据，以便做出和/或细化指示灌溉系统106的多个部件中的至少一个部件(例如，枢轴20、尾枪70、塔30等)的状况的预测。该预测使得控制器200能够基于预定数据(例如历史数据)确定至少一个部件的状况的变化、以及预测至少一个部件的维护需求。例如，预测可以基于将所确定的灌溉系统106的至少一个部件的状况的变化与预定数据进行比较。例如，塔30的传感器102可以感测塔30的典型电流消耗。然后，控制器200可以将所感测到的电流消耗与历史的和/或典型的塔电流消耗进行比较。控制器可以确定在特定的一组状况(晴天、干燥土壤等)下，所感测到的塔30的电流消耗比历史电流消耗显著高出预定数(例如，约30％)。基于该确定，控制器200可以预测塔30需要维护。此外，还可以预测特定类型的维护。例如，如果塔30的电机电流高，则可能表示胎漏气。枢轴监测系统100可以附加地或替换地预测维修此类事件通常花费的小时数。在另一个示例中，系统可以通过传感器102感测到泵10上的电流低，因此预测泵10故障。在示例中，地形图识别枢轴20是否向下倾斜，从而增加了尾枪70处的压力，这有助于确定为什么那个特定区域的压力较高。

来自外部数据源的数据可以用于改进模型预测。例如，通过对数据(例如，由于最近下雨导致田地泥泞，塔30的电机使用更高的功率)进行处理，这些处理后的数据可以用于改进模型预测。枢轴监测系统100可以显示地形、土壤类型等的田地地图，帮助模型解释功率使用的变化。可以由控制器200将预测传输到用户设备120，以进行显示和/或进一步分析。

在一些方面，可以由数据可视化系统110来处理数据和/或预测。数据可视化是信息和数据的图形表示。通过使用可视化元素(诸如图表、图形和地图)，数据可视化工具提供了一种查看和理解数据中的趋势、异常值和模式的可访问方法。

在一些方面，枢轴监测系统100可以在云中实现。例如，可以运行Python脚本的Linux可用于实现预测。

图2示出了：控制器200包括连接至计算机可读存储介质或存储器230的处理器220。计算机可读存储介质或存储器230可以是易失性类型的存储器(例如，RAM)或非易失性类型的存储器(例如，闪存介质、磁盘介质等)。在本公开的各个方面中，处理器220可以是另一种类型的处理器，例如数字信号处理器、微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、图形处理单元(graphics processing unit，GPU)、现场可编程门阵列(field-programmable gate array，FPGA)或中央处理单元(centralprocessing unit，CPU)。在本公开的某些方面，网络推理也可以在具有实现为忆阻、化学或其他推理计算的权重的系统中实现，而不是在处理器中实现。

在本公开的某些方面中，存储器230可以是随机存取存储器、只读存储器、磁盘存储器、固态存储器、光盘存储器、和/或其他类型的存储器。在本公开的一些方面，存储器230可以与控制器200分离，并且可以通过电路板的通信总线和/或通过通信线缆(诸如串行ATA线缆或其他类型的线缆)与处理器220通信。存储器230包括可由处理器220执行以操作控制器200的计算机可读指令。在本公开的其他方面中，控制器200可以包括与其他计算机或与服务器通信的网络接口240。存储设备210可用于存储数据。

所公开的方法可以在控制器200或在用户设备(包括例如在移动设备、物联网(Internet ofThings，IoT)设备、或服务器系统)上运行。

在一些方面，分析引擎(例如，机器学习模型和/或经典分析)可以被配置为执行确定。

图3示出了机器学习模型300和枢轴预测性维护系统的数据流\存储\反馈。机器学习模型300可以被托管在枢轴20处或云(例如，远程服务器)中。机器学习模型300可以包括一个或更多个卷积神经网络(convolutional neural network，CNN)。

在机器学习中，卷积神经网络(CNN)是一类人工神经网络(artificial neuralnetwork，ANN)，最常用于分析视觉图像。CNN的卷积方面涉及将矩阵处理操作应用于图像的局部部分，这些操作(其可能涉及数十种不同的并行和串行计算)的结果是用于训练神经网络的许多特征的集合。CNN通常包括卷积层、激活函数层和池化(通常最大池化)层，以在不丢失太多特征的情况下降低维度。附加信息可以包括在生成这些特征的操作中。提供产生给出神经网络信息的特征的唯一信息可用于最终提供聚合方式来区分输入到神经网络的不同数据。在一些方面，机器学习模型300可以包括一个或更多个深度学习网络(例如，CNN)和经典机器学习模型(例如，支持向量机(Support Vector Machine，SVM)、决策树等)的组合。例如，机器学习模型300可以包括两个深度学习网络。

在一些方面，可以使用两种训练数据的标记方法，一种基于与计算机维护系统(computer maintenance system，CMMS)的连接，另一种基于用户输入。在一些方面，可以提示用户标记数据，或(例如，在服务事件发生时)可以手动提供数据。

如上所述，图4A示出了典型耕作操作的示例性流程图400a。通常，在步骤410处，对灌溉设备进行季节前维护。接下来，在步骤420处，在季节中使用灌溉设备。在步骤440处，如果确定设备已经发生故障，则在步骤430处将设备送去维修。在季节结束时(步骤450)，进行季节后维护(步骤460)。

图4B示出了根据本公开的原理的包括监测系统100的耕作操作的示例性流程图400b。通常，在步骤410处，对灌溉设备进行季节前维护。接下来，监测系统100预测灌溉设备的特定零件是否需要维护。如果在步骤415处预测维护，则在步骤430处检查并维修设备。接下来，在步骤420处，在季节使用灌溉设备。在步骤440处，如果确定设备已经发生故障，则在步骤430处将设备送去维修。在季节结束时(步骤450)，进行季节后维护(步骤460)。

图5示出了利用图4B所示的预测性维护系统的各种模型的数据科学工作流程。

这五个模型包括尾枪预测模型502、塔驱动预测模型504、排序预测模型506、空气压缩预测模型508、以及电气预测模型510。可以经由逻辑和/或机器学习来实现模型。

参考图5和图18，示出了尾枪预测模型502。尾枪预测模型可以计算尾枪70(图1)从左到右并向后通过的次数。向左和向右通过的预期时间可能基于压力、轴承状况、张力等或它们的组合。

尾枪预测模型502可以考虑预期功率，预期功率基于从来自田地或区域气象站的天气数据直接测量或推断出的土壤湿度、地形图、土壤图、电机RPM、齿轮箱比率、塔重、跨重、操作状况等、或它们的组合。尾枪70包括可以使用接近开关、编码器、电容、和/或图像系统来测量每个循环的仪器。监测系统100的一些方面可以被安装在灌溉系统106上或者灌溉系统106之外，例如，湿度传感器在被分配到田地的水远程溅到时，湿度传感器可以进行记录。如果使用电子枪，可以使用能量利用和占空比。在一些方面中，一个或更多个传感器可以包括任何合适的传感器，例如编码器(例如角编码器)、压力传感器、流量计、磁力计、陀螺仪、加速度计、照相机、姿势传感器、麦克风、激光测距仪、簧片/磁/光开关等或它们的组合。尾枪预测模型502还可以包括作为输入的泵压力、尾枪的型号、尾枪喷嘴直径、驱动臂弹簧设置、扩散器类型、流量测量值、驱动臂弹簧K因子、驱动臂平衡、驱动臂轴承状况、基座轴承状况、基座密封状况、驱动臂对准、和/或安装基座刚性(图18)。可以从测量的流量和测量的压力推断喷嘴类型。在一些方面，尾枪预测模型502(图18)可以预测驱动臂撞击频率、每次驱动臂撞击的加速度大小、正向角速率、反向角速率、正向或反向的航向变化速率、每次通过的时间和/或翻转换向杆的时间。模型输出可用于进一步预测异常操作。

尾枪的异常操作可以进一步基于可移动尾枪70相对于枢轴20(和/或灌溉系统的其他部分，诸如横向驱动器、水绞车等)随时间的移动和/或定位。例如，枢轴监测系统100可以使用加速度计和/或陀螺仪来监测驱动臂频率，和/或可以由磁力计来确定尾枪70的航向变化。尾枪70通常可以从其开始到停止“开启”大约15度的旋转。传感器102可以感测到尾枪70开启了大约三度的旋转，控制器可以确定这是异常操作，尾枪70可能需要维护。在一些方面，用于确定异常操作的逻辑可以基于秒、分钟、小时、天和/或年的滑动窗口。在一些方面，在不具有称为水绞车的跨的情况下，尾枪70行进。所公开的技术还适用于水绞车和横向移动灌溉系统。在一些方面，可移动尾枪70可以被设置在水绞车上。在一些示例中，水绞车在轮胎上移动，在其他示例中，尾枪70通过驱动臂或通过水流激励的齿轮而旋转地移动。在示例中，可以通过另一交通工具(诸如拖拉机或卡车)来移动水绞车。在另一示例中，可以通过柔性水管拉动水绞车，该柔性水管经由卷轴沿着路径拉动水绞车。在又一示例中，尾枪70可以直接被安装在卡车上，以将粉尘保持在矿井中，和/或将废水施用至田地中。在另一示例中，尾枪70可以不安装在枢轴上，而是安装在吊杆上、和/或安装在枢轴式灌溉系统中的最后的常规驱动单元上。

监测输出参数(诸如，尾枪70的定时、流量、和/或压力)还可以有助于推断空气压缩机的健康状况。在一些方面中，异常操作可以进一步由来自尾枪70的水压和/或体积来确定。

例如，如果用户(例如，农民)对尾枪70施加过大的压力，则水和肥料可能会被扔到作物上，导致干环(dry ring)。压力传感器可以感测到尾枪压力从正常71psi下降到大约40psi。尾枪预测模型502可以基于随时间的压力测量值来预测系统正在异常地操作。压力可能最初很高，然后在接下来的一小时内下降约10psi。农民可能在过高的压力下操作，因为增压泵经常脱落并重启。泵的重启对灌溉系统106的健康非常不利，因为泵可能会在电气部件的额定寿命之前磨损掉。

电气仪器：

系统还可以监测接触器、换向器环、电机绕组、电气连接、和/或接线故障。监测电气瞬变或功率指标(例如，THD、功率因数、电流平衡)可以有助于推断电气系统的健康状况。

监测以上所列出的部件的温度还可以有助于推断电气系统的健康状况。

参照图11A、图11B、以及图12A-图12C，可移动尾枪70支撑电子外壳1110，该电子外壳1110支撑至少一个传感器1120，该至少一个传感器1120包括加速度计、陀螺仪、麦克风、压力传感器、流量传感器、和/或磁力计、电源或电池1130、电路1140(例如，控制器)、和/或可以彼此电耦接的太阳能电池板1150。在一些方面，传感器1120可以安装在尾枪70的上方、下方和/或侧面上。在一些方面，传感器1120可以包括测量例如铁、钙、盐和/或有机材料的水质传感器。

在一些方面，磁力计可以确定尾枪70的航向和/或典型行程(参见图15和图16)。例如，尾枪70的典型行程可以在旋转约100度至约150度的范围内。如果驱动臂复位弹簧1210由于设置不良或由于树状分支拉动而改变，则航向精度可至少为约10度。在其他情况下，尾枪70从不改变方向，或者可以在100度至150度之外行进。

可移动尾枪70可进一步支撑编码器组件1160，该编码器组件1160具有编码器1162以及耦接至电子外壳1110的编码器盘1164。压力传感器1170还耦接到电子外壳1110，以测量通过尾枪70的流体流量压力(图15)。压力可以指示分配的水的体积。此外，簧片开关1180或其他磁开关可耦接至可移动尾枪70，并设置在支撑在枢轴20(图1)上的磁体1190附近。如可以理解的，任何所公开的电子部件都可以经由有线或无线连接(参见图13A和图13B)电耦接到电路140。值得注意的是，加速度计、陀螺仪、磁力计、编码器组件中的一个或更多个和/或任何其他合适的传感器被配置为生成电信号，该电信号指示可移动尾枪70相对于枢轴20随时间(秒、分钟、小时、天、年等)的移动和/或定位(例如，加速度、速度、距离、位置等)。控制器200被配置为接收电信号并基于电信号确定可移动尾枪是否需要维护。控制器200可以基于预定数据或阈值发送指示尾枪的健康状况和/或是否需要维护的信号和/或警报，预定数据或阈值可以是数据库、程序的一部分和/或被存储在(例如，在电路、云中、网络、服务器等上支持的)存储器中。

当尾枪出现机械问题时，角速率可能会降低。此外，正向时间与反向时间的比率可能会变得不那么平衡，前进所花费的时间将比返回速度长得多。

图12A和图12B是在具有图11A的预测性维护系统的尾枪从左到右一次通过期间产生的示例信号。在一些方面，尾枪预测模型502可以使用例如总通过周期(Tc)、正向角速率(T1)、反向角速率(T2)、正向转数(n)、反向转数(m)、正向角速率和/或反向角速率等因素的比率来指示尾枪的健康状况降低。例如，处于完全健康状况的尾枪的正向角速率与反向角速率的比率可能为1。然而，随着尾枪健康状况的降低，这个比率可能开始偏离1。在另一示例中，陀螺仪信号在正向移动或反向移动期间随时间的斜率可以与角加速度成比例。尾枪预测模型502可以使用该斜率来预测尾枪的异常操作。在一些方面中，当出现机械问题时，角速率可能会降低。此外，正向时间与反向时间的比率可能变得不那么平衡，前进所花费的时间将比返回速度长得多。

参考图13A、图13B和图14，所公开的预测性维护系统(其可以是用于尾枪预测性维护的智能尾枪的形式)可以使用任何合适数量或类型的分析和/或逻辑方法(诸如控制图表、机器学习(“ML”)异常检测、参数限制警报等)来操作。例如，预测性维护系统可以使用未满足与尾枪70的自由移动相关的给定阈值的信号来预测异常行为，给定阈值诸如驱动臂撞击期间的峰值转速或完成一个左-右-左循环所花费的时间。

在一些方面，地理位置报告可以用作ML模型300的输入。例如，GPS可以用于确定湿区与干区，并且当灌溉系统在田地四处移动时训练为“数字双胞胎”。尾枪70(相对于枢轴)的高度在预测预期压力方面也是有用的。压力信号分析可以用作ML模型300的输入。

图15示出了本公开的预测性维护系统的测试系统的流程图。

在一些方面，所公开的预测性维护系统可以是单独的系统，单独的系统可以选择性地附接或改装到尾枪70，或在一些方面，预测性维护系统可以直接构建到尾枪70中。

图17示出了所公开的技术的逻辑图。预测性维护系统可以查看各种移动接受标准，诸如正向/反正角速率、正向移动和反向移动的比率、角度范围、松开检测杆的时间、x/y/z/正向/反向方向的加速度和/或正向和反向的航向变化。这些移动与水压成比例。在一些方面，加速度计和/或陀螺仪信号随时间的斜率和/或来自陀螺仪和/或加速度计随时间的波形也可用于确定尾枪的异常操作。

此外，所公开的结构可以包括用于操作所公开的枢轴预测性维护系统或其部件的任何适合的机械、电气和/或化学部件。例如，这样的电气部件可以包括，例如任何合适的电气和/或机电、和/或电化学电路，其可以包括或耦接到一个或更多个印刷电路板。如本文所使用的，术语“控制器”包括“处理器”、“数字处理设备”等术语，并且用于表示微处理器或中央处理单元(CPU)。CPU是计算机内的电子电路，通过非限制性示例，CPU包括服务器计算机，该电子电路通过执行指令规定的基本算术、逻辑、控制和输入/输出(I/O)操作来执行计算机程序的指令。在一些方面，控制器包括被配置为执行可执行指令的操作系统。本领域技术人员将认识到，通过非限制性示例，合适的服务器操作系统包括FreeBSD、OpenBSD、Linux、/>Mac OS X/>Windows和/>在一些方面，操作系统由云计算提供。

在一些方面，术语“控制器”可以用于表示控制将数据从计算机或计算设备传输至外围设备或独立设备并且反之亦然的设备、和/或机械地操作和/或致动外围设备或独立设备的机械设备和/或机电设备(例如，杠杆、旋钮等)。

在一些方面，控制器包括存储装置和/或存储器设备。存储装置和/或存储器设备是用于临时或永久存储数据或程序的一个或更多个物理装置。在一些方面，控制器包括易失性存储器，并且需要电力来维护所存储的信息。在各个方面，控制器包括非易失性存储器，并且在未通电时保留所存储的信息。在一些方面，非易失性存储器包括闪存。在某些方面，非易失性存储器包括动态随机存取存储器(dynamic random-access memory，DRAM)。在一些方面，非易失性存储器包括铁电随机存取存储器(ferroelectric random-accessmemory，FRAM)。在各个方面，非易失性存储器包括相变随机存取存储器(phase-changerandom access memory，PRAM)。在某些方面，控制器是存储设备，通过非限制性示例包括紧凑型光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字通用光盘(DigitalVersatile Disc，DVD)、闪存设备、磁盘驱动器、磁带驱动器、光盘驱动器和基于云计算的存储装置。在各个方面，存储装置和/或存储器设备是诸如本文所公开的设备的组合。

在一些方面，控制器包括向用户发送视觉信息的显示器。在各个方面，显示器是阴极射线管(cathode ray tube，CRT)。在各个方面，显示器是液晶显示器(liquid crystaldisplay，LCD)。在某些方面，显示器是薄膜晶体管液晶显示器(thin film transistorliquid crystal display，TFT-LCD)。在一些方面，显示器是有机发光二极管(organiclight emitting diode，OLED)显示器。在某些方面，OLED显示器是无源矩阵OLED(passive-matrix organic light emitting diode，PMOLED)或有源矩阵OLED(active-matrixorganic light emitting diode，AMOLED)显示器。在一些方面，显示器是等离子体显示器。在某些方面，显示器是视频投影仪。在各个方面，显示器是交互式的(例如，具有触摸屏或传感器，诸如照相机、3D传感器、激光雷达、雷达等)，可以检测用户交互/手势/响应等。在一些方面，显示器是诸如本文所公开的那些设备的组合。

控制器可以包括或耦接至服务器和/或网络。如本文所使用的，术语“服务器”包括“计算机服务器”、“中央服务器”、“主服务器”等术语，以指示网络上的管理系统、其部件和/或其资源的计算机或设备。如本文所使用的，术语“网络”可以包括任何网络技术，包括，例如蜂窝数据网络、有线网络、光纤网络、卫星网络和/或IEEE 802.11a/b/g/n/ac无线网络等。

在各个方面，控制器可以耦接至网状网络。如本文所使用的，“网状网络”是其中每个节点为网络中继数据的网络拓扑。所有网状节点在网络中协作分发数据。它可以被应用于有线和无线网络。无线网状网络可以被视为一种“无线自组织”网络。由此，无线网状网络与移动自组织网络(Mobile ad hoc network，MANET)密切相关。虽然MANET不限于特定的网状网络拓扑，但无线自组织网络或MANET可以采取任何形式的网络拓扑。网状网络可以使用泛洪技术或路由技术来中继消息。使用路由，消息通过从一个节点跳到另一个节点来沿着路径传播，直到到达其目的地。为了确保它的所有路径都可用，网络必须允许连续的连接，并且必须使用自修复算法(诸如最短路径桥接)围绕断开的路径重新配置自身。自修复允许基于路由的网络在节点发生故障或连接变得不可靠时运行。因此，网络通常非常可靠，因为在网络中的源和目的地之间通常有多于一条的路径。该概念还可以应用于有线网络和软件交互。节点全部互相连接的网状网络是全连接的网络。

在一些方面，控制器可以包括一个或更多个模块。如本文所使用的，术语“模块”以及类似术语用于表示中央服务器的自包含硬件部件，而中央服务器的自包含硬件部件又包括软件模块。在软件中，模块是程序的一部分。程序由一个或更多个独立开发的模块组成，一个或更多个独立开发的模块在程序被链接之前不会被组合。单个模块可以包括：一个或多个例程、或执行特定任务的程序段。

如本文所使用的，控制器包括用于管理所公开的系统或其部件的各个方面和功能的软件模块。

所公开的结构还可以利用一个或更多个控制器来接收各种信息，并且对所接收的信息进行转换以生成输出。控制器可以包括任何类型的计算设备、计算电路、或能够执行存储在存储器中的一系列指令的任何类型的处理器或处理电路。控制器可包括多个处理器和/或多核中央处理单元(CPU)，并且可包括任何类型的处理器，诸如微处理器、数字信号处理器、微控制器、可编程逻辑器件(programmable logic device，PLD)、现场可编程门阵列(FPGA)等。控制器还可以包括用于存储数据和/或指令的存储器，当数据和/或指令由一个或更多个处理器执行时，使一个或更多个处理器执行一个或更多个方法和/或算法。

本文所述的任何方法、程序、算法或代码均可以被转换成编程语言或计算机程序、或者以编程语言或计算机程序表达。如本文所使用的术语“编程语言”和“计算机程序”均包括用于向计算机指定指令的任何语言，并且包括(但不限于)以下语言及其衍生语言：汇编语言、Basic、批处理文件、BCPL、C、C+、C++、Delphi、Fortran、Java、JavaScript、机器代码、操作系统命令语言、Pascal、Perl、PL1、脚本语言、Visual Basic、本身指定程序的元语言、以及所有第一代、第二代、第三代、第四代、第五代或下一代计算机语言。还包括数据库和其他数据模式、以及任何其他元语言。解释、编译或使用编译和解释两者的方法的语言之间没有区别。程序的编译版本和源版本之间没有区别。因此，在编程语言可以存在于多于一个的状态(诸如源、编译、对象或链接)的情况下，对程序的引用就是对任何和所有这样的状态的引用。对程序的引用可以包括实际指令和/或那些指令的意图。

对于复杂故障，机器学习(“ML”)模型可能是最有效的。然而，基本逻辑可以用于更简单的故障模式。异常操作的信号可能来自移动灌溉系统所需能量的增加、系统速度的变化、或塔移动顺序的变化、尾枪转动频率、或功率质量指标(例如相平衡、浪涌电流、功率因数、THD)。由于这些变量随复杂的推理空间而变化，因此ML可以帮助预测异常操作，并且通过提供简单的标记方法简化用户和主题专家输入。

在一些方面，可以通过基于所接收的第一组传感器信号生成数据结构来预测异常操作，该数据结构被格式化为通过机器学习模型的一个或更多个层进行处理。数据结构可以具有一个或更多个字段结构化数据。异常操作可以进一步通过以下来预测：通过机器学习模型的一个或更多个层中的每个处理包括数据结构的数据，机器学习模型已经被训练以预测设备的特定零件可能需要维护的可能性；以及由机器学习模型的输出层生成输出数据结构。输出数据结构可以包括一个或更多个字段结构化数据，字段结构化数据指示设备的特定零件可能需要维护的可能性。还可以通过处理输出数据结构来预测异常操作需求，以确定由输出数据结构的一个或更多个字段组织的数据是否满足预定阈值，其中输出数据结构包括一个或更多个字段结构化数据，一个或更多个字段结构化数据指示设备的特定零件可能需要维护的可能性；以及基于机器学习模型的输出数据来生成预测。预测包括异常操作。训练可以包括监督学习。

可以基于观察尾枪70开启的位置、尾枪70完成一个左-右-左循环的速度、峰值陀螺仪速度、尾枪70开启的GPS坐标、给定GPS位置处的压力、以及使用其作为“数字双胞胎”来设置基线操作以便与在使用中时相比较，来训练机器学习模型。在一些方面，当尾枪70开启和关闭时的压力瞬变数据可以被用作机器学习模型的输入以用于训练。压力瞬变数据可以用于识别可能导致阀保持打开或关闭的阀操作问题。在一些方面，田地的灌溉英亩数可以被自动映射以替换或补充“标记”的当前实践，由此灌溉团队成员用激光测距仪在田地周围驾驶并且放置标记以创建可以用于种植和管理田地的田地图。观察枢轴20的端部处的压力和尾枪70上的压力，机器学习模型可以能够识别/预测供应的水、井、井电机、跨、VFD、过滤器、增压泵、和/或枢轴的其他部件中的潜在问题。可以使用相对高的时间分辨率(小于100msec)来感测压力瞬变测量值。在一些方面，用户可以配置尾枪70的开启区和/或关闭区。在一些方面，尾枪运动学参数以及用于尾枪阀压力和/或角臂排序压力的压力瞬变可用作机器学习模型的输入。这个参考观察可以用于实现基于位置和/或井压力的分析以改进系统的灵敏度和准确性。

在一些方面，控制器200可以从监测阀902(图9)的传感器102接收所生成的电信号。阀902被配置为提供用于灌溉的水。传感器102可以感测例如但不限于压力瞬变数据。传感器102可以感测随时间的压力瞬变数据，和/或生成随时间的合成波形。控制器200可以基于电信号确定阀902或阀902的一个或更多个部件是否需要维护，以及基于电信号确定阀902何时需要维护(例如，可能导致阀粘滞打开或关闭的阀操作问题)。该确定可以由机器学习模型和/或由经典算法来执行。控制器200可以向用户提供阀902需要维护的确定的警报。

虽然灌溉系统被用作示例，但所公开的系统和方法可以有利地用于其他环境，诸如但不限于矿井中的粉尘管理、和/或体育场上覆盖的草坪的灌溉。

在本公开的一个方面，可以使用监督学习来训练所公开的算法。监督学习是学习基于示例输入-输出对将输入映射到输出的函数的机器学习任务。ML模型从由一组训练示例组成的标记的训练数据推断函数。在监督学习中，每个示例是包括输入对象(通常为向量)和期望输出值(也称为监督信号)的对。监督学习算法分析训练数据并产生推断函数，该推断函数可用于映射新示例。在各个实施例中，算法可正确地确定未看见实例的类别标签。这要求学习算法以“合理”的方式从训练数据泛化到看不见的情况。

在各个实施例中，可以使用训练数据来训练神经网络，训练数据可以包括例如不同的土壤状况或不同的部件特性(例如，电流、电压、压力、负载等)。算法可以分析该训练数据并产生推断函数，该推断函数可以允许算法基于该算法从训练数据开发的泛化来识别部件故障或健康状况变化。在各个实施例中，训练可以包括监督训练、无监督训练和/或强化学习中的至少一个。

在一些方面，用户可以在观看操作的同时启动训练会话以简化在每个唯一尾枪和枢轴组合上的设置，因为压力和流量可以不同。当尾枪被视为正常操作时，用户可打开训练窗口，该训练窗口然后将用于校准或训练分析以用于将来的异常检测。例如，可以运行Python(R)脚本的Linux(R)可用于实现预测。在一些方面，还可以使用平台(诸如张量流(R)lite)在传感器中执行分析。

在各个实施例中，神经网络可以包括，例如具有残差连接的三层时间卷积网络，其中，每层都可以包括三个并行卷积，其中，内核和扩张的数量从底部至顶部增加，卷积滤波器的数量从底部至顶部增加。可以预期的是，可以使用更高或更少数量的层。也可以预期，可以使用更高或更少数量的内核和扩张。

在一些方面，所公开的监测系统可以是单独的系统，单独的系统可以选择性地附接或改装到尾枪，或在一些方面，监测系统可以直接构建到尾枪中。

如图19-图21中所见，还提供了一种尾枪测试系统形式的状况监测(condition-based monitoring，CBM)系统，用于测试尾枪以确定尾枪的健康状况。

系统一般包括：第一云服务器(例如，心田农场(Heartland Farm)云)、设备云(例如，粒子云)以及固件服务器，第一云服务器包括用于系统的接口，设备云被配置为在所连接的设备与系统之间通信，固件服务器被配置为向系统的部件推送固件更新。系统设备可以包括支持蜂窝的微控制器(例如，硼粒子)和CBM模块。支持蜂窝的微控制器包括：蜂窝接收器/蜂窝发送器/无线接收器/无线发送器(例如，蓝牙和/或WIFI)、电源管理功能、固件更新功能、看门狗功能、电源管理集成电路(power management integrated circuit，PMIC)、开机自检(power on-selftest，POST)功能、通用异步接收器/发送器(universalasynchronous receiver/transmitter，UART)、以及通用IO(general purpose IO，GPIO)。支持蜂窝的微控制器与被配置为处理来自传感器的信号的状况监测模块(CBM模块)通信。例如，传感器信号可以由CBM模块以1125KHz的速率进行采样。当CBM模块确定一个或更多个操作完成时，CBM模块经由支持蜂窝的微控制器通知系统。

参考图20，示出了CBM模块的高级框图。CBM模块执行包括信号处理、传感器校准、电源管理、尾枪操作报告、尾枪健康状况警报、尾枪特性、看门狗、引导加载程序和状态机的功能。CBM模块通常包括：微控制器(例如，STM32微控制器)、调节器、一个或更多个UART、模拟和/或数字输入和输出、编程头(例如，SWD和/或JTAG)、状态LED(例如，状态LED蓝色、错误LED红色)、闪存、撞击传感器、惯性测量单元(inertial measurement unit，IMU)。应用固件和引导加载程序固件在微控制器上运行。CBM模块可以经由外部电源和/或电池来供电。IMU是使用加速度计、陀螺仪和/或磁力计的组合来测量和报告本体的特定力、角速率以及有时还测量和报告本体的方位的电子设备。

信号处理功能包括例如逻辑，逻辑用于：检测尾枪何时开始和/或停止，基于机载罗盘确定尾枪已经行进的度数(正向度数和反向度数两者)，基于机载陀螺仪检测平均峰值正向和/或反向角速率，确定平均正向和反向时间，确定正向与反向时间比率，确定松开尾枪的换向杆的时间(例如，如果单元正在挂断并且花费太长时间而不能换向，则通知系统)，基于加速度计和/或陀螺仪的驱动臂正向和/或反向频率。

在一些方面，CBM模块的三角蜂窝位置可以用于确定尾枪地理位置、速度、定位、最小和最大观察位置、和其他相关信息。蜂窝位置数据来自各种源，包括手机信号塔、全球定位系统(Global Positioning System，GPS)信号和蓝牙信标。例如，可以使用基站站点位置信息来确定CBM模块的蜂窝位置，因为蜂窝设备通过具有已知位置的基站塔将它们的用户连接到电信和互联网网络。

CBM模块可以基于经处理的传感器信号来生成操作报告，并且可以经由支持蜂窝的微控制器将该报告上传至系统。操作报告可以包括例如总行进度数、通过次数、平均行进通过度数和/或平均驱动臂周期。

参考图21，示出了固件的图。固件可以包括例如外围驱动器(例如，SPI、I2C、UART和/或QUADSPI)、设备驱动器和应用。

参考图22，示出了用于CBM系统的状态机。状态机是包括有限数量的状态的行为模型。基于当前状态和给定输入，状态机执行状态转换。该状态机可以包括至少以下状态：开始(例如，上电)、引导加载、初始化、应用恢复、空闲、监测、传感器校准、尾枪特性、故障、硬件测试、监测、和/或睡眠。

当CBM模块最初通电时，状态机以开始状态开始。接下来，CBM模块进入引导加载状态。在引导加载状态下，引导加载程序固件将应用固件加载到工作存储器中。引导加载程序固件可包括更新固件、确定应用是否OK(例如，损坏和/或错误应用)、或加载应用固件的能力。引导加载程序固件可确定应用固件是否与硬件兼容。

当处于引导加载状态时，如果CBM模块接收到预定命令(例如，“0xAAFFAAFF”)，则CBM模块可以进入闪存状态(例如，固件更新模式)。在这种状态下，CBM模块可以接收固件更新，然后在更新应用固件之后重置。

如果应用固件为OK(例如，未损坏和/或错误应用)，并且没有接收到闪存命令，则加载应用固件并进入初始化状态。在初始化状态下，CBM模块设置传感器并与存储器通信。

如果初始化为OK，则空闲状态开始。在空闲状态下，通常CBM模块读取传感器数据并且处理传感器数据以生成操作报告。当处于空闲状态时，CBM模块可以轮询/询问IMU以从设备获得最新的航向和/或温度。在空闲状态下，例如如果陀螺仪活动超过约10度/秒持续约1分钟，则CBM模块进入监测状态，监测各个传感器。

在处于监测状态时，如果陀螺仪(例如，z轴陀螺仪)例如小于约5度/秒持续约1分钟，则CBM模块退出监测状态并重新进入空闲状态。在转换到监测状态后，CBM模块将发布尾枪开始事件。一旦退出监测状态，CBM模块将发布尾枪停止事件。一旦退出监测状态，CBM模块可以向第一云服务器发送操作报告。在监测状态下，CBM模块可以基于传感器来确定尾枪中的一个或更多个已经发生故障，并且可以向第一云服务器报告故障。

CBM模块可以包括命令行接口(command line interface，CLI)，命令行接口使得经由UART(例如，通过RS485和/或蓝牙)连接至CBM模块的用户计算设备(例如，移动设备、平板、台式计算机、和/或膝上型计算机)能够向CBM模块发送命令以从空闲状态进入各个状态。例如，CLI命令“CAL”使CBM模块进入传感器校准状态。在传感器校准状态下，系统可以允许传感器和传感器数据的校准。另外，如果在监测状态期间检测到TBS传感器故障，则CBM模块可进入自恢复通道并重新进入空闲状态。故障可以基于尾枪行进的总度数、通过次数、平均行进通过度数、平均驱动臂周期、每个驱动臂撞击的平均峰值陀螺仪输出、每个驱动臂撞击的平均峰值加速度计大小、平均正向和反向时间比率、尾枪开启状态下的总时间、在操作期间报告的故障数、三角蜂窝位置、最小航向和/或最大航向。例如，CLI命令“HW测试”使得CBM模块进入硬件测试状态。在硬件测试状态下，CBM模块测试所附硬件。例如，CLI命令“按压两次输入键”使得CBM模块进入监测状态。例如，CLI命令“CHAR”使得CBM模块进入尾枪特性状态。在尾枪特性状态下，CBM模块使得能够表征附加硬件的特性并对其进行评分。例如，CLI命令“SLP”使得CBM模块进入睡眠状态。

图23是用于确定灌溉故障位置的尾枪区(例如，四个象限)的图。在一些方面，一个或更多个尾枪可以位于还使用中心枢轴灌溉系统的田地的四个象限中。即使使用四个象限作为示例，任何数量的尾枪区都被认为在本公开的范围内。尾枪可以用于灌溉由中心枢轴灌溉系统遗漏的田地的转角(例如，象限)。中心枢轴灌溉系统通常花费长达两整天才能围绕田地转一整圈。例如，如果设备出现故障而用户没有注意到转角在炎热的夏天没有被灌溉，则转角中的作物可能会死亡。因此，本公开的用于实时遗漏转角检测的方法和系统通过检测未被灌溉的转角(例如，象限)并将其报告给用户来帮助避免这些情况。除了没有被灌溉之外，有时当尾枪70应当被“关闭”时，它被“开启”，这会导致对该区域中的家庭和驾驶者造成危害。在一些方面，每个象限可以包括例如配备有CBM模块的两个尾枪。CBM模块可以包括被配置为确定两个尾枪(例如，第一尾枪和第二尾枪)的最小和最大观察航向的罗盘(例如，磁力计)。例如，如果第一尾枪具有西南的最小观察方向并且第二尾枪具有东北的最大观察方向，则控制器200可确定第一尾枪和第二尾枪位于象限4中。象限的第一尾枪可以与下一象限或前一象限的第一尾枪有关系，其中它们在方位上偏移约90度。例如，象限4的第一尾枪可能具有西南的最小可观察位置，象限1的第一尾枪可能具有西北的最小可观察位置。在一些方面，CBM模块可包括GPS，和/或使用蜂窝位置三角测量来设置地理栅栏以确定尾枪位于哪个象限。例如，基于GPS坐标，控制器200可确定尾枪处于象限2中。该方法可以监测触发“开启”事件以确定是否已经触发尾枪来灌溉田地。控制器200可以基于象限和是否检测到触发事件来确定所确定的象限没有被灌溉。在一些方面，用户可以接收所确定的象限没有被灌溉的报告或指示(例如，文本消息、电子邮件等)。例如，控制器200可以检测用于尾枪的触发事件。控制器200还可以检测该特定尾枪位于象限1中。控制器200将确定象限1被灌溉。接下来，控制器200可以检测下一尾枪没有触发事件，并且基于尾枪的GPS位置，尾枪处于象限2中。控制器200将确定象限2可能尚未被灌溉，并且将生成报告以警告用户，使得用户可以针对可能的设备故障检查出那个尾枪。在尾枪区中，例如，尾枪70可以在围绕360度的随机位置中“开启”，不在另一转角中操作，和/或在一些情况下，一直“开启”。

可以设想，可移动尾枪可以例如作为系统的一部分与枢轴操作地耦接，但与枢轴分离。例如，在一些不太大的农场中，枢轴可能没有尾枪，而是尾枪可以被放置在田地的转角中的固定位置。尾枪可以包括固定的枪式喷洒器，该喷洒器设置在三脚架或四脚架上的适当位置中。

参考图24，示出了图1的监测系统的示例陀螺仪信号输出的曲线图。例如，如果尾枪需要维护，来自陀螺仪的数据可以提供指示，诸如正向/反向时间比率高于不需要维护的尾枪。

参考图25，示出了图1的监测系统的示例罗盘信号输出的曲线图。例如，如果尾枪很难翻转换向机构，则在来自罗盘(即，磁力计)的输出数据中可能会发生斜率变化。

参考图26，示出了图1的监测系统的示例加速度计信号输出的曲线图。例如，如果尾枪需要维护，则来自加速度计的数据可以提供指示，诸如正向反向时间比率高于不需要维护的尾枪。

可以理解，可以使用已知的固定技术(例如焊接、压接、粘合、紧固等)实现所公开的装置的任何部件的固定。

本领域技术人员将理解，本文中具体描述并在附图中示出的结构和方法是非限制性示例方面，并且描述、公开和附图应仅被解释为特定方面的示例。因此，应当理解，本公开不限于所描述的精确方面，并且在不偏离本公开的范围或精神的情况下，本领域技术人员可以实现各种其他改变和修改。另外，可以设想，在不脱离本公开的范围的情况下，与一个示例性方面有关的所示或描述的元件和特征可以与另一个示例性方面的元件和特征组合，并且此类修改和变化也旨在包括在本公开的范围内。事实上，所公开的任何元件和特征的任何组合都在本公开的范围内。因此，本公开的主题不受特别示出和描述的内容的限制。

Claims (20)

1.一种用于灌溉系统的监测系统，可移动尾枪与所述灌溉系统的一部分操作地相关联，所述监测系统包括：

传感器，所述传感器被配置为耦接到所述可移动尾枪、并被配置为生成电信号，所述电信号指示所述可移动尾枪相对于所述灌溉系统的一部分随时间的移动和/或定位；

处理器；以及

存储器，所述存储器包括存储在存储器上的指令，所述指令在由所述处理器执行时使所述系统：

接收所生成的电信号；

基于所述电信号确定所述可移动尾枪、或所述可移动尾枪的一个或更多个部件是否需要维护；以及

基于所述电信号确定所述可移动尾枪何时处于开启触发状态和/或关闭触发状态。

2.根据权利要求1所述的监测系统，其中，所述指令在被执行时还使所述系统：基于所述电信号确定所述可移动尾枪的角速率以及前进和/或倒退所花费的时间。

3.根据权利要求2所述的监测系统，其中，所述指令在被执行时还使所述系统：基于所述确定生成报告。

4.根据权利要求2所述的监测系统，其中，所述指令在被执行时还使所述监测系统：

在没有尾枪处于开启触发状态的情况下，确定所述尾枪是否枢转超过预定度数；以及

基于所述确定向用户提供未灌溉位置的指示。

5.根据权利要求1所述的监测系统，其中，所述灌溉系统的一部分包括以下中的至少一个：横向驱动器、水绞车或枢轴，其中，所述可移动尾枪能够移动地安装在所述枢轴上。

6.根据权利要求1所述的监测系统，其中，所述可移动尾枪是相同系统的一部分，但是与所述灌溉系统的一部分分离。

7.根据权利要求1所述的监测系统，还包括：分析引擎，所述分析引擎被配置为执行所述确定。

8.根据权利要求7所述的监测系统，其中，所述指令在由所述处理器执行时还使所述监测系统：从气象站、田地土壤湿度传感器、地形和土壤图、温度传感器、或者国家海洋和大气管理局天气中的至少一个接收数据。

9.根据权利要求7所述的监测系统，其中，所述分析引擎包括机器学习模型，其中，所述机器学习模型基于深度学习网络、经典机器学习模型或它们的组合。

10.根据权利要求1所述的监测系统，其中，所述传感器包括以下中的至少一个：编码器、压力传感器、流量计、磁力计、陀螺仪、加速度计、照相机、姿势传感器、麦克风、激光测距仪、簧片开关、磁开关、GPS、或光开关。

11.一种用于监测灌溉系统的计算机实现方法，所述灌溉系统包括四个尾枪区，所述四个尾枪区中的每个尾枪区均包括与所述灌溉系统的一部分操作地相关联的可移动尾枪，所述方法包括：

接收由传感器生成的电信号，所述传感器被配置为耦接到所述可移动尾枪，其中，所述电信号指示所述可移动尾枪相对于所述灌溉系统的一部分随时间的移动和/或定位；

基于所述电信号确定所述可移动尾枪、或所述可移动尾枪的一个或更多个部件是否需要维护；以及

基于所述电信号确定所述可移动尾枪何时处于开启触发状态和/或关闭触发状态。

12.根据权利要求11所述的计算机实现方法，还包括：基于所述电信号确定所述可移动尾枪的角速率以及前进和/或倒退所花费的时间。

13.根据权利要求12所述的计算机实现方法，还包括：基于所述确定生成报告。

14.根据权利要求12所述的计算机实现方法，还包括：

在没有尾枪处于开启触发状态的情况下，确定所述尾枪是否枢转超过预定度数；以及

基于所述确定向用户提供未灌溉位置的指示。

15.根据权利要求11所述的计算机实现方法，其中，所述灌溉系统的一部分包括以下中的至少一个：横向驱动器、水绞车或枢轴，其中，所述可移动尾枪能移动地安装在所述枢轴上。

16.根据权利要求11所述的计算机实现方法，其中，所述可移动尾枪是相同系统的一部分，但是与所述灌溉系统的一部分分离。

17.根据权利要求11所述的计算机实现方法，还包括：通过分析引擎执行所述确定。

18.根据权利要求17所述的计算机实现方法，还包括：从气象站、田地土壤湿度传感器、地形和土壤图、温度传感器、或者国家海洋和大气管理局天气中的至少一个接收数据。

19.根据权利要求17所述的计算机实现方法，其中，所述分析引擎包括机器学习模型，其中，所述机器学习模型基于深度学习网络、经典机器学习模型或它们的组合。

20.一种存储有指令的非暂时性计算机可读介质，所述指令在由处理器执行时使所述处理器执行用于监测灌溉系统的方法，所述灌溉系统包括多个尾枪区，所述多个尾枪区中的每个尾枪区均包括与所述灌溉系统的一部分操作地相关联的可移动尾枪，所述方法包括：

接收由传感器生成的电信号，所述传感器被配置为耦接到所述可移动尾枪，其中，所述电信号指示所述可移动尾枪相对于所述灌溉系统的一部分随时间的移动和/或定位；

基于所述电信号确定所述可移动尾枪、或所述可移动尾枪的一个或更多个部件是否需要维护；以及

基于所述电信号确定所述可移动尾枪何时处于开启触发状态和/或关闭触发状态。