CN117280290B - 基于灌溉系统中的功率和/或电流变化确定驱动系统异常 - Google Patents
基于灌溉系统中的功率和/或电流变化确定驱动系统异常 Download PDFInfo
- Publication number
- CN117280290B CN117280290B CN202280013884.7A CN202280013884A CN117280290B CN 117280290 B CN117280290 B CN 117280290B CN 202280013884 A CN202280013884 A CN 202280013884A CN 117280290 B CN117280290 B CN 117280290B
- Authority
- CN
- China
- Prior art keywords
- sensor
- drive system
- machine learning
- maintenance
- learning model
- 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.)
- Active
Links
- 238000003973 irrigation Methods 0.000 title claims abstract description 50
- 230000002262 irrigation Effects 0.000 title claims abstract description 50
- 238000012423 maintenance Methods 0.000 claims abstract description 101
- 238000010801 machine learning Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 20
- 239000002689 soil Substances 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000009313 farming Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 229920001621 AMOLED Polymers 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24001—Maintenance, repair
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24019—Computer assisted maintenance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24075—Predict control element state changes, event changes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2625—Sprinkler, irrigation, watering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measuring Volume Flow (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Feedback Control In General (AREA)
- Medicines Containing Plant Substances (AREA)
Abstract
一种灌溉系统的预测性维护系统,包括一个或更多个传感器、处理器和存储器,传感器被配置为生成指示灌溉系统内的异常操作的信号,传感器电耦接到驱动系统。存储器包括存储在其上的指令,当指令由处理器执行时,使预测性维护系统接收所生成的信号,基于所生成的信号来确定驱动系统的异常操作,以及基于所确定的异常操作通过机器学习模型来预测驱动系统的维护要求。
Description
相关申请的交叉引用
本申请要求于2021年1月4日提交的美国临时专利申请第63/133,542号的权益,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、滴灌系统等灌溉系统在40次使用中平均每年发生三次故障。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,以提供数据供算法处理。这些算法可以基于逻辑或基于分析。在某些情况下,可以使用“现成(off theshelf)”的现有操作数据。在某些方面,其他数据源可以在系统外部,例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,用于灌溉系统的预测性维护系统(例如,农业、矿业等灌溉系统)包括驱动系统。预测性维护系统包括至少一个传感器、处理器和存储器,至少一个传感器被配置为生成指示灌溉系统内的异常操作的信号,传感器电耦接到驱动系统。存储器包括存储在其上的指令,指令在由所述处理器执行时使预测性维护系统接收所生成的信号,基于所生成的信号确定驱动系统的异常操作,以及基于确定的异常操作,通过机器学习模型预测驱动系统的维护需求。
在本公开的一个方面,指令在由处理器执行时还使预测性维护系统在显示器上显示驱动系统的所预测的维护要求。
在本公开的另一方面,传感器被配置为测量灌溉系统内的无功功率、实际功率、视在功率和/或电流的量。
在本公开的另一方面,指示异常操作的信号可以包括一段时间内驱动系统的移动和/或定位的指示。
在本公开的另一方面,指示异常操作的信号可以基于高于或低于预定阈值的无功功率、实际功率、视在功率和/或电流。
在本公开的另一方面,传感器可以包括电流传感器、功率传感器、电压传感器或它们的组合。
在本公开的一个方面,指令在由处理器执行时,还可以使预测性维护系统将所预测的维护需求的指示传输到用户设备以用于显示,以及在用户设备的显示器上显示所预测的维护需求的指示。
在本公开的另一方面,机器学习模型可以基于深度学习网络、经典机器学习模型或它们的组合。
在本公开的另一方面,指令在由处理器执行时,还可以使预测性维护系统从气象站、田间土壤湿度传感器、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。
在本公开的另一方面,预测可以基于传感器感测的功率和/或占空比与预期功率和/或占空比的比较。
根据其它方面,提出了一种用于灌溉系统的预测性维护的计算机实现方法。该计算机实现的方法包括接收由耦接到灌溉系统的驱动系统的传感器感测的信号,该信号指示驱动系统的异常操作状况,该灌溉系统被配置为灌溉耕作区域;确定驱动系统的异常操作;以及基于确定的异常操作,通过机器学习模型预测驱动系统的维护需求。
在本公开的一个方面,该方法还可以包括在显示器上显示驱动系统的所预测的维护要求。
在本公开的另一方面,传感器可以配置为测量灌溉系统内的无功功率、实际功率、视在功率和/或电流的量。
在本公开的另一方面,指示异常操作状况的信号可以包括一段时间内驱动系统的移动和/或定位的指示。
在本公开的另一方面,指示异常操作状况的信号可以基于高于或低于预定阈值的尾枪转动频率。
在本公开的又一方面,传感器可以包括电流传感器、功率传感器、电压传感器或它们的组合。
在本公开的另一方面,该方法还可以包括将所预测的维护需求的指示传输到用户设备以用于显示,以及在用户设备的显示器上显示所预测的维护需求的指示。
在本公开的另一方面,机器学习模型可以基于深度学习网络、经典机器学习模型或它们的组合。
在本公开的另一方面,预测可以基于传感器感测到的功率与预期功率的比较,预期功率基于直接测量的土壤湿度、从来自田地和/或区域气象站的天气数据推断的土壤湿度、地形图、土壤图、电机每分钟转数RPM(revolutions per minute,RPM)、齿轮箱比率、塔重、跨重、驱动系统的操作状况或它们的组合中的至少一个。
根据其它方面,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,使处理器执行用于灌溉系统的预测性维护的方法。该方法包括接收由耦接到灌溉系统的驱动系统的传感器感测的信号,该信号指示驱动系统的异常操作状况,灌溉系统被配置为灌溉耕作区域;确定驱动系统的异常操作;基于确定的异常操作,通过机器学习模型来预测驱动系统的维护需求;以及在显示器上显示驱动系统的所预测的维护需求。
其他方面、特征和优点将从以下描述、附图和权利要求中显而易见。
附图说明
包含在本说明书中并构成本说明书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是示出预测性维护系统的图;
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11-图14是描绘用于各种轮胎状况、速度和方向的示例六塔系统的功率因数的曲线图;以及
图15-图22是预测性维护系统的示例用户界面屏幕的屏幕截图。
具体实施方式
参考附图详细描述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视图中,相同的附图标记表示相同或对应的元件。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。
在以下描述中,未详细描述公知的功能或构造,以避免以不必要的细节混淆本公开。
有利地,所公开的系统相对于其发生在事实之后的通知预测常见的意外停机时间。所公开的系统相比于在周围驾驶以观察操作(这可能是主观的操作)的团队提供了更好的洞察力。现今的技术只在故障发生后通知故障,而所公开的系统在故障发生之前预测维护需求。
其他诊断健康测量是事后的、基于逻辑的,并且不尝试分配系统健康。本系统在故障发生之前预测故障,例如用于:汽车的检查引擎灯或连接设备的数字孪生。此外,虽然本文结合用于马铃薯或蔬菜农场的灌溉描述的所公开的系统,但该系统可以被修改用于需要灌溉的任何合适的耕作操作,并且可以包括滴灌系统、线性枢轴系统和/或中心枢轴系统。
参考图1和图7-图9,提供了尾枪预测性维护系统100。通常,尾枪预测性维护系统100包括灌溉系统106和控制器200,控制器200被配置为执行控制尾枪预测性维护系统100的操作的指令。灌溉系统106可以包括泵10(例如,压缩机,见图11)、枢轴20、一个或更多个塔30、端塔40、转角塔50、空气压缩机60和尾枪70(例如,可安装在枢轴和/或可操作相关的可移动推车上的可移动喷嘴、大枪或可移动枪)。泵10可以包括一个或更多个电流传感器和无线通信设备104,无线通信设备104被配置为将数据无线传输到控制器200(例如,感测到的电流数据)。枢轴20可以包括一个或更多个传感器102和无线通信设备104,无线通信设备104被配置为将数据无线传输到控制器200。每个塔30、转角塔50和端塔40可以包括一个或更多个传感器102和被配置用于将数据无线传输到控制器200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。
在某些方面,一个或更多个传感器102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、流量计等,或它们的组合。角编码器是一种位置传感器,其测量旋转轴的角位置。
在某些方面,一个或更多个传感器可以被连接(例如,直接连接)和/或可以是可以通过广域网(wide area network,WAN)连接的独立部件。在某些方面,一个或更多个传感器可以基于配置设置聚集在云中。在某些方面,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-power wide area network,LPWAN)。
在某些方面,控制器200可以基于将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,以作出和/或改进预测,预测指示灌溉系统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。该预测使控制器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变化,并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,可以通过控制器200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,在特定一组状况(晴天、干燥土壤等)下,所感测到的该塔30的电流消耗比历史电流消耗高出预定数(例如,约30%)。基于该确定,控制器200可以预测该塔30需要维护。此外,还可以预测具体的维护类型。例如,如果塔30的电机电流高,则可能表示轮胎漏气。系统100还可以预测修复此类事件通常需要的小时数。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,并据此预测泵10故障。
来自外部数据源的数据可用于改进模型预测。例如,通过处理数据(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),这些处理后的数据可用于改进模型预测。枢轴尾枪预测性维护系统100可以显示地形、土壤类型等的田地地图,这些田地地图帮助模型解释功率使用的变化。通过控制器200可将预测传输到用户设备120,以进行显示和/或进一步分析。
在某些方面,数据和/或预测可由数据可视化系统110来处理。数据可视化是信息和数据的图形表示。通过使用图表、图形和地图等可视化元素,数据可视化工具提供了一种查看和理解数据中趋势、异常值和模式的可访问方法。
在某些方面,枢轴尾枪预测性维护系统100可以在云中实现。例如,运行Python脚本的Linux例如可用于实现预测。
图2示出了控制器200包括连接到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),也可以是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,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(Application SpecificIntegrated 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(central processingunit,CPU)。在本公开的某些方面,网络推理也可以在权重实现为忆阻、化学或其他推理计算的系统中实现,而不是在处理器中实现。
在本公开的某些方面,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中,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/或通过通信电缆(例如串行ATA电缆或其他类型的电缆)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或用户设备上(包括例如在移动设备、物联网(Internet of Things,IoT)设备、或服务器系统上)运行。
图3示出了枢轴预测性维护系统的机器学习模型300和数据流\存储\反馈。机器学习模型300可以托管在枢轴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,并且这些操作(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(通常是最大池化)层,以在不丢失太多特征的情况下降低维度。附加信息可以包含在生成这些特征的操作中。提供产生给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。在某些方面,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。
在某些方面,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。在某些方面,用户可以被提示标记数据,或者(例如,在“服务时间”事件时)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,对灌溉设备进行季前维护。接下来,在步骤420处,灌溉设备在季节中使用。在步骤440处,如果确定设备已发生故障,则在步骤430处将其送去维修。在季节结束时(步骤450),执行季后维护(步骤460)。
图4B示出了根据本公开原理的包括尾枪预测性维护系统100的耕作操作的示例性流程图400b。通常,在步骤410处,对灌溉设备进行季前维护。接下来,尾枪预测性维护系统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处检查和维修设备。接下来,在步骤420处,灌溉设备在季节中使用。在步骤440处,如果确定设备已发生故障,则在步骤430处将设备送去维修。在季节结束时(步骤450),执行季后维护(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和电气预测模型510。这些模型可以通过逻辑和/或机器学习来实现。
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所花费的次数。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和/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包括可使用接近开关、编码器、电容和/或图像系统来测量每个周期的仪器。尾枪预测性维护系统100的各方面可以被安装在灌溉系统106之上或之外,例如,该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,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,角度传感器)、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。喷嘴类型可以从测量的流量和测量的压力推断出来。在一些方面,尾枪预测模型502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。
尾枪的异常操作可能还基于可移动尾枪70相对于枢轴20随时间的移动和/或定位。例如,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/或可以通过磁力计来确定尾枪70的航向变化。尾枪70通常可以从其开始到停止时“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。
监测输出参数(例如尾枪70的定时、流量和/或压力)也有助于推断空气压缩机的健康状况。
例如,如果农民对尾枪70施加过大压力,则水和肥料可能会被抛到作物上,导致干环(dry rings)。压力传感器可以感测到尾枪压力从正常的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,因为它可能会在电气部件的额定寿命之前磨损掉。
电气仪表:
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(例如总谐波失真(Total Harmonic Distortion,THD)、功率因数、电流平衡)可以帮助推断电气系统健康。
监测以上所列的部件的温度也可以帮助推断电气系统健康。
在一些方面,用于监测农场操作的预测性维护系统(如预测性维护)可包括用于(例如,电气地)监测设备故障的任何数量的电气部件和/或机械部件,诸如传感器、计算设备等。例如,灌溉系统(例如,枢轴)的驱动系统的轮胎,可能由于穿孔、长时间使用、不平坦的地形等而失去空气和/或漏气,从而阻止枢轴有效地操作,并在枢轴的各个部件上增加多余的应力和应变。为了减少或限制轮胎漏气和/或其他驱动系统异常的负面影响,预测性维护系统通过各种部件监测系统内的无功功率、实际功率、视在功率和/或电流变化,以实时确定何时发生这种驱动系统异常。例如,当驱动系统的轮胎泄气或漏气时,例如,功率或电流变化将满足指示这种驱动系统故障的预定阈值,使得可以快速有效地纠正这种故障,限制对系统和/或作物的负面影响。通常,可以利用所公开的技术来检测和分配增加功率转换和/或电流的所需功或效率的驱动系统部件。驱动系统异常可以包括例如驱动系统部件(例如分动箱、驱动轴、轴承、轮胎、接触器、导线对准等)中的缺陷和/或故障,缺陷和/或故障中的一个或更多个能够在本公开的系统中引起功率和/或电流变化,本公开的系统可以例如通过单个传感器检测到功率和电流变化,并且可以经由与单个传感器通信的控制器来分配功率和电流变化。本文使用的术语功率可以包括无功功率、实际功率和/或视在功率。在一些方面,电流平衡、功率因数和/或中性电流可以是驱动系统异常的指示符。预测性维护系统可以包括存储有指令的存储器,指令在由处理器执行时使预测性维护系统的计算系统指示(例如,通过警报、警告等)功率和/或电流变化何时满足指示驱动系统异常(例如,轮胎漏气)的一个或更多个阈值,从而可以尽快修复异常(例如,泄气的轮胎)。
通常,农民不喜欢部署传感器,因为人们认为他们需要维修,并分散了他们种植作物的核心工作。有利地,所公开的技术提供了部署单个传感器的优点,该传感器可以被安装用于识别多个驱动系统上的电异常。灌溉枢轴或直驱系统是一组独立操作的驱动系统,驱动系统打开和关闭以使系统在田地上或周围履带式行进。所公开的技术使得单个传感器能够利用单个测量点监测从一个到十六个以上塔驱动系统的任何位置。
例如,通过分析图11-图14中曲线图的数据,可以确定被监测枢轴的功率因数(PFa)具有用于指示方向(例如,正向和/或反向)的良好清晰的信号。在一些方面,数据可以基于以千瓦(KW)为单位的功率(P_KW)来指示系统具有多少塔。例如,该表指出,P_KW表示具有十二个唯一功率状态的六个通用功率电平。
参考图11-图14,图中显示了各种轮胎状况、速度和方向的示例六塔系统的功率因数。图11示出了六塔系统的功率因数。当系统在正向和反向之间切换时,数据显示清晰的PFa信号。参考图12,带有点的轨迹指示尾枪系统的速度。此处可以注意到,当以100%速度运行时,随着时间的推移所感测的数据可以显示尾枪系统的开启和关闭,例如,尾枪系统可以用于增压泵诊断。参考图13,LRDU塔6轨迹表示最后一个常规驱动单元(last regulardrive unit,LRDU)塔编号6。此处可以注意到,最后常规驱动单元具有新的功率状态,其指示轮胎漏气。参照图14,示出了三塔运行。此处,数据显示了各种塔轮胎被压扁和填充以及系统恢复正常的迹象。在各方面中,该系统可以包括一个或更多个机器学习网络(例如,卷积神经网络),其被配置为基于数据(例如,PFa数据)来确定部件故障(例如,轮胎、传感器和/或枢轴)。
参考图15-图22,示出了预测性维护系统的示例用户界面屏幕的屏幕截图。用户界面可以使得能够使用机器学习网络(例如,神经网络)进行预测分析。可以设想,可以基于包括故障和无故障状况的先前数据来训练机器学习网络。在一些方面,机器学习网络的部分可以在控制器上操作,或者可以在远程系统(例如,服务器和/或云)上操作。训练可以包括有监督或无监督的学习。在某些方面,由于压力和流量可能不同,用户可以在观看操作的同时启动训练期,以简化每个唯一的尾枪和枢轴组合的设置。当尾枪被认为正常工作时,用户可以打开训练窗口,然后该窗口将用于校准或训练机器学习模型,以用于未来的异常检测。用户界面使得能够输入(例如,来自分隔文件的)仪表数据和/或(例如,来自第二分隔文件的)基站数据。用户界面可以包括枢轴的类型(例如,H62)。用户界面可以包括用于选择位置(例如,内部、中间和/或端部)的控件。用户界面可以包括用于选择观测的最后数量(例如,最后10个、最后100个、最后1000个等等(图15))的控件。系统可以使用概率(例如,0.72)基于数据预测部件故障(例如,轮胎故障)和/或故障。例如,如果选择了中间位置,并且观测的最后数量设置为“最后10个”,则基于仪表数据和基站数据的机器学习网络分析,用户界面可以提供诸如“中间故障的概率0.72”之类的指示(图16)。在另一个示例中,如果选择了内部位置并且观测的最后数量被设置为“最后10个”,则基于对仪表数据和基站数据的机器学习网络分析,用户界面可以提供诸如“内部故障的概率0.26”之类的指示(图19)。
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合适的机械、电气和/或化学部件。例如,此类电气部件可以包括,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。如本文所用,术语“控制器”包括“处理器”、“数字处理设备”等术语,并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。在某些方面,控制器包括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/>和在某些方面,操作系统由云计算提供。
在某些方面,术语“控制器”可用于表示控制数据从计算机或计算设备传输到外围或独立设备并且反之亦然的设备,和/或机械操作和/或致动外围设备或独立设备的机械和/或机电设备(例如,杠杆、旋钮等)。
在某些方面,控制器包括存储和/或存储器设备。存储和/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。在某些方面,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,并在未通电时保留所存储的信息。在某些方面,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)。在某些方面,非易失性存储器包括铁电随机存取存储器(ferroelectric random-access memory,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-change random accessmemory,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(Digital VersatileDisc,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。在各个方面,存储和/或存储器设备是诸如本文所公开的那些的设备的组合。
在某些方面,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)。在某些方面,显示器是有机发光二极管(organiclight emitting diode,OLED)显示器。在某些方面,OLED显示器上是无源矩阵OLED(passive-matrix organic light emitting diode,PMOLED)或有源矩阵OLED(active-matrix organic light emitting diode,AMOLED)显示器。在某些方面,显示器是等离子显示器。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,例如照相机、三维(three-dimensional,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到服务器和/或网络。如本文所用,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。如本文所用,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,控制器可以耦接到网状网络。如本文所用,“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(Wireless ad hoc)”网络。因此,无线网状网络与移动自组织网络(Mobile ad hoc network,MANET)密切相关。尽管MANET不限于特定的网状网络拓扑,但无线自组织网络或MANET可以采用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。为了确保所有其路径都可用,网络必须允许连续连接,并且必须使用自修复算法(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,因为网络中的源和目的地之间通常有多条路径。这个概念也可以适用于有线网络和软件交互。节点全部相互连接的网状网络是全连接网络。
在某些方面,控制器可以包括一个或更多个模块。如本文所用,术语“模块”和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,这些模块在程序被链接之前不会组合。单个模块可以包含一个或多个例程、或执行特定任务的程序段。
如本文所用,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,并转换接收到的信息以生成输出。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。控制器可以包括多个处理器和/或多核中央处理单元(CPU),并且可以包括任何类型的处理器,例如微处理器、数字信号处理器、微控制器、可编程逻辑设备(programmable logic device,PLD)、现场可编程门阵列(FPGA)等。控制器还可以包括存储数据和/或指令的存储器,当数据和/或者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、算法或代码均可转换为编程语言或计算机程序,或以编程语言或计算机程序表示。本文所使用的术语“编程语言”和“计算机程序”均包括用于指定计算机指令的任何语言,并包括(但不限于)以下语言及其衍生语言:汇编语言、Basic、批处理文件(Batch files)、基本组合编程语言(Basic Combined Programming Language,BCPL)、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、编译或同时使用编译和解释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个状况(例如源、编译、对象或链接)的情况下,那么对程序的引用就是对任何和所有此类状况的引用。对程序的引用可以包含实际指令和/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。异常操作的可能信号可以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,例如相位平衡、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,可以通过基于接收到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。数据结构可以具有的一个或更多个字段结构化数据。异常操作还可以通过以下来预测:通过机器学习模型的一个或更多个层中的每一个层来处理包括数据结构的数据,该机器学习模型已经被训练以预测设备的特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。输出数据结构包括一个或更多个字段结构化数据,该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。预测可以基于机器学习模型的输出数据来生成。预测包括异常操作。
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)来实现所公开的设备的任何部件的固定。
本领域技术人员将理解,本文中具体描述并在附图中图示的结构和方法是非限制性示例性方面,并且描述、公开和附图应仅被解释为特定方面的示例性。因此,应当理解的是,本公开不限于所描述的明确方面,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更改和修改。此外,可以设想,在不脱离本公开范围的情况下,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结合,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预测性维护系统,所述灌溉系统包括驱动系统,所述预测性维护系统包括:
至少一个传感器,被配置为测量无功功率的量,以及生成指示所述灌溉系统内的异常操作的信号,所述传感器电耦接到所述驱动系统;
处理器;以及
存储器,包括存储在所述存储器上的指令,所述指令在由所述处理器执行时使所述预测性维护系统:
接收所生成的信号;
基于所生成的信号,确定所述驱动系统的轮胎的轮胎状况;以及
基于所确定的轮胎状况,通过机器学习模型预测所述驱动系统的维护需求,其中,通过以下来预测所述维护需求:
基于所接收的传感器信号,生成数据结构,所述数据结构被格式化以通过所述机器学习模型的一个或更多个层进行处理,其中,所述数据结构包括一个或更多个字段结构化数据;
通过所述机器学习模型的一个或更多个层中的每一个层来处理包括所述数据结构的数据,所述机器学习模型已经被训练为预测所述驱动系统的特定零件可能需要维护的可能性;以及
由所述机器学习模型的输出层生成输出数据结构,其中,所述输出数据结构包括一个或更多个字段结构化数据,所述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。
2.根据权利要求1所述的预测性维护系统,其中,所述指令在由所述处理器执行时还使所述预测性维护系统:
在所述驱动系统的显示器上显示。
3.根据权利要求1所述的预测性维护系统,其中,所述传感器还被配置为测量所述灌溉系统内的实际功率、视在功率、功率因数、谐波、电流平衡或电流中的至少一个。
4.根据权利要求3所述的预测性维护系统,其中,指示异常操作的所述信号包括在一段时间内所述驱动系统的移动或定位的指示中的至少一个。
5.根据权利要求4所述的预测性维护系统,其中,指示异常操作的所述信号还基于高于或低于预定阈值的所述实际功率、所述视在功率或所述电流中的至少一个。
6.根据权利要求1所述的预测性维护系统,其中,所述传感器包括电流传感器、功率传感器、电压传感器或它们的组合。
7.根据权利要求1所述的预测性维护系统,其中,所述指令在由所述处理器执行时还使所述预测性维护系统:
将所预测的维护需求的指示传输到用户设备以用于显示;以及
在所述用户设备的显示器上显示所预测的维护需求的指示。
8.根据权利要求1所述的预测性维护系统,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。
9.根据权利要求8所述的预测性维护系统,其中,所述指令在由所述处理器执行时还使所述预测性维护系统从气象站、田间土壤湿度传感器、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。
10.根据权利要求8所述的预测性维护系统,其中,所述预测基于所述传感器感测的功率或占空比与预期功率或占空比的比较。
11.一种用于灌溉系统的预测性维护的计算机实现方法,所述计算机实现的方法包括:
接收由耦接到所述灌溉系统中的驱动系统的传感器感测的信号,所述信号指示所述驱动系统的异常操作状况,所述灌溉系统被配置为灌溉预定区域,其中,所述传感器被配置为测量无功功率的量,
确定所述驱动系统的轮胎的轮胎状况;以及
基于所确定的轮胎状况,通过机器学习模型预测所述驱动系统的维护需求,其中,通过以下来预测所述维护需求:
基于所接收的传感器信号,生成数据结构,所述数据结构被格式化以通过所述机器学习模型的一个或更多个层进行处理,其中,所述数据结构包括一个或更多个字段结构化数据;
通过所述机器学习模型的一个或更多个层中的每一个层来处理包括所述数据结构的数据,所述机器学习模型已经被训练为预测所述驱动系统的特定零件可能需要维护的可能性;以及
由所述机器学习模型的输出层生成输出数据结构,其中,所述输出数据结构包括一个或更多个字段结构化数据,所述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。
12.根据权利要求11所述的计算机实现方法,还包括:
在显示器上显示所述驱动系统的所预测的维护需求。
13.根据权利要求11所述的计算机实现方法,其中,所述传感器还被配置为测量所述灌溉系统内的实际功率、视在功率或电流中的至少一个的量。
14.根据权利要求13所述的计算机实现方法,其中,指示异常操作状况的所述信号包括在一段时间内所述驱动系统的移动或定位的指示。
15.根据权利要求14所述的计算机实现方法,其中,指示异常操作状况的所述信号还基于高于或低于预定阈值的尾枪转动频率。
16.根据权利要求11所述的计算机实现方法,其中,所述传感器包括电流传感器、功率传感器、电压传感器或它们的组合。
17.根据权利要求11所述的计算机实现方法,还包括:
将所预测的维护需求的指示传输到用户设备以用于显示;以及
在所述用户设备的显示器上显示所预测的维护需求的指示。
18.根据权利要求11所述的计算机实现方法,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。
19.根据权利要求18所述的计算机实现方法,其中,所述预测基于所述传感器感测到的功率与预期功率的比较,所述预期功率基于以下中的至少一个:直接测量的土壤湿度、从来自田间或区域气象站的天气数据推断的土壤湿度、地形图、土壤图、电机每分钟转数RPM、齿轮箱比率、塔重、跨重、所述驱动系统的操作状况或它们的组合。
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灌溉系统的预测性维护的方法,所述方法包括:
接收由耦接到所述灌溉系统中的驱动系统的传感器感测的信号,所述信号指示所述驱动系统的异常操作状况,所述灌溉系统被配置为灌溉预定区域,其中,所述传感器被配置为测量无功功率的量,
基于所接收的信号,确定所述驱动系统的轮胎的轮胎状况;
基于所确定的轮胎状况,通过机器学习模型来预测驱动系统的维护需求;以及
在显示器上显示所述驱动系统的所预测的维护需求,其中,通过以下来预测所述维护需求:
基于所接收的传感器信号,生成数据结构,所述数据结构被格式化以通过所述机器学习模型的一个或更多个层进行处理,其中,所述数据结构包括一个或更多个字段结构化数据;
通过所述机器学习模型的一个或更多个层中的每一个层来处理包括所述数据结构的数据,所述机器学习模型已经被训练为预测所述驱动系统的特定零件可能需要维护的可能性;以及
由所述机器学习模型的输出层生成输出数据结构,其中,所述输出数据结构包括一个或更多个字段结构化数据,所述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。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163133542P | 2021-01-04 | 2021-01-04 | |
US63/133,542 | 2021-01-04 | ||
PCT/US2022/011114 WO2022147530A1 (en) | 2021-01-04 | 2022-01-04 | Determining drive system anamalolies based on power and/or current changes in an irrigation system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117280290A CN117280290A (zh) | 2023-12-22 |
CN117280290B true CN117280290B (zh) | 2024-03-29 |
Family
ID=80123112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280013884.7A Active CN117280290B (zh) | 2021-01-04 | 2022-01-04 | 基于灌溉系统中的功率和/或电流变化确定驱动系统异常 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11681285B2 (zh) |
EP (1) | EP4272040A1 (zh) |
CN (1) | CN117280290B (zh) |
AU (1) | AU2022205056B2 (zh) |
CA (1) | CA3206489C (zh) |
WO (1) | WO2022147530A1 (zh) |
ZA (1) | ZA202306908B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021188731A1 (en) * | 2020-03-17 | 2021-09-23 | Heartland Ag Tech, Inc. | Systems and methods for predictive irrigation system maintenance |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9874489B1 (en) * | 2013-10-08 | 2018-01-23 | Powwow Energy, Inc. | Methods to detect anomalies and to measure water usage in pumping plants using energy consumption data |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
WO2019216975A1 (en) * | 2018-05-07 | 2019-11-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
WO2020120973A2 (en) * | 2018-12-12 | 2020-06-18 | Pentair Plc | Predictive and preventative maintenance systems for connected water devices |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4176395A (en) * | 1977-11-16 | 1979-11-27 | Clemar Manufacturing Corporation | Interactive irrigation control system |
US9179612B2 (en) | 2010-07-21 | 2015-11-10 | Rodney Lee Nelson | Area-programmable sprinkler |
US10384557B2 (en) | 2016-06-02 | 2019-08-20 | Irrovation LLC | Irrigation system with position-based predictive analytics |
NO20161986A1 (en) | 2016-12-14 | 2018-06-15 | 7Sense Products As | Flow meter |
CN110708948B (zh) * | 2017-06-01 | 2022-12-02 | 瓦尔蒙特工业股份有限公司 | 使用机器学习工作流进行灌溉管理的系统与方法 |
GB2571120B (en) * | 2018-02-18 | 2020-05-13 | Faraday Predictive Ltd | System and method for monitoring an operating condition of at least one electrical device using a data server arrangement |
EP3755139A1 (en) * | 2018-02-20 | 2020-12-30 | OSRAM GmbH | Controlled agricultural system and method for agriculture |
US11663414B2 (en) * | 2018-02-20 | 2023-05-30 | Fluence Bioengineering, Inc. | Controlled agricultural systems and methods of managing agricultural systems |
WO2020198391A1 (en) * | 2019-03-25 | 2020-10-01 | Realmfive, Inc. | Smart irrigation system |
US11596963B2 (en) | 2019-04-19 | 2023-03-07 | Kansas State University Research Foundation | In-canopy sprinkler monitoring system for center pivot irrigation systems |
CN113923980B (zh) * | 2019-06-07 | 2024-01-05 | 瓦尔蒙特工业股份有限公司 | 用于对中心枢转灌溉系统综合使用预测性和机器学习分析的系统和方法 |
US11357180B2 (en) * | 2019-06-20 | 2022-06-14 | Reinke Manufacturing Co., Inc. | Monitoring and control of a movable tower in an irrigation system |
AU2020344501A1 (en) * | 2019-09-12 | 2022-02-24 | Valmont Industries, Inc. | System and method for analysis of current and voltage levels within a center pivot irrigation system |
EP4072270A4 (en) * | 2019-12-09 | 2024-01-24 | Valmont Industries, Inc. | SYSTEM, METHOD AND APPARATUS FOR DATA INTEGRATION ON FIELD, HARVEST AND IRRIGATION EQUIPMENT FOR IRRIGATION MANAGEMENT |
CN111239481A (zh) * | 2020-03-10 | 2020-06-05 | 苏州倍加福电气自动化有限公司 | 一种农业用水智能化计量终端 |
US11632918B2 (en) * | 2020-07-29 | 2023-04-25 | Lindsay Corporation | System and method for detecting ponding in irrigated fields |
US20220030783A1 (en) | 2020-07-30 | 2022-02-03 | Valmont Industries, Inc. | System and method for detecting end gun status |
-
2022
- 2022-01-04 US US17/568,191 patent/US11681285B2/en active Active
- 2022-01-04 CA CA3206489A patent/CA3206489C/en active Active
- 2022-01-04 AU AU2022205056A patent/AU2022205056B2/en active Active
- 2022-01-04 EP EP22701741.5A patent/EP4272040A1/en active Pending
- 2022-01-04 WO PCT/US2022/011114 patent/WO2022147530A1/en active Application Filing
- 2022-01-04 CN CN202280013884.7A patent/CN117280290B/zh active Active
-
2023
- 2023-07-07 ZA ZA2023/06908A patent/ZA202306908B/en unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9874489B1 (en) * | 2013-10-08 | 2018-01-23 | Powwow Energy, Inc. | Methods to detect anomalies and to measure water usage in pumping plants using energy consumption data |
US10816430B1 (en) * | 2013-10-08 | 2020-10-27 | Powwow Energy, Inc. | Methods to detect anomalies and to measure water usage in pumping plants using energy consumption data |
WO2019216975A1 (en) * | 2018-05-07 | 2019-11-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
WO2020120973A2 (en) * | 2018-12-12 | 2020-06-18 | Pentair Plc | Predictive and preventative maintenance systems for connected water devices |
Also Published As
Publication number | Publication date |
---|---|
CA3206489A1 (en) | 2022-07-07 |
EP4272040A1 (en) | 2023-11-08 |
US20220214682A1 (en) | 2022-07-07 |
CA3206489C (en) | 2023-10-24 |
AU2022205056A1 (en) | 2023-07-13 |
ZA202306908B (en) | 2024-03-27 |
AU2022205056B2 (en) | 2024-02-01 |
WO2022147530A1 (en) | 2022-07-07 |
AU2022205056A9 (en) | 2024-07-25 |
US11681285B2 (en) | 2023-06-20 |
CN117280290A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116322310B (zh) | 用于确定尾枪健康的预测性维护系统和方法 | |
US12022780B2 (en) | Condition based monitoring of irrigation | |
CN117280290B (zh) | 基于灌溉系统中的功率和/或电流变化确定驱动系统异常 | |
US20230176595A1 (en) | Irrigation maintenance system | |
US20200408194A1 (en) | Computer System & Method for Detecting Irregular Yaw Activity at a Wind Turbine | |
BR112023013333B1 (pt) | 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 | |
US11889796B2 (en) | Irrigation system including electronic independent observer integration with fertigation system | |
WO2024050071A1 (en) | An irrigation maintenance system for determining irrigation valve and booster pump health | |
BR112022023051B1 (pt) | 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 | |
BR112023012243B1 (pt) | Sistema de monitoramento para um sistema de irrigação de pivô,método implementado por computador para monitorar um sistema de irrigação de pivô e mídia legível por computador não transitória |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |