Modelowanie procesu omłotu przy wykorzystaniu sztucznych sieci neuronowych

• Autorzy: Złobecki A. , Macura R. , Michalczyk M.

Warianty tytułu

EN

Modeling the threshing process when using artificial neural networks

• Języki publikacji: PL

Abstrakty

PL

Celem pracy było wykorzystanie sieci neuronowych jako modelu symulacyjno- decyzyjnego procesu omłotu w kombajnie zbożowym. Proces modelowania polegał na znalezieniu najlepszej sieci neuronowej o najmniejszym błędzie przetwarzania danych kolejno dla niedomłotu i uszkodzeń ziarna. Po przeprowadzeniu procesu uczenia i testowania określono najlepsza sieć tzn. taką, która generuje wielkość strat w postaci niedomłotu i uszkodzeń ziarna z najmniejszym błędem przetwarzania. Kryterium wyboru sieci był najmniejszy błąd dla zbioru walidacyjnego. Zmiennymi prezentowanymi na wejściu sieci były parametry regulacyjne zespołu młócącego (tj. obroty bębna młócącego, wielkość zasilania regulowana prędkością jazdy kombajnu, rozmiary szczeliny roboczej) oraz wilgotność młóconego zboża. Na wyjściu obu sieci uzyskiwano wielkości strat lub niedomłotu w zależności od wartości zmiennych wejściowych. Proces modelowania wykonano w programie "Statistica Neural Network" firmy Statsoft Uzyskane modele zostały przetestowane, uruchomione i zapisane. Modele te można wykorzystać w procesie automatyzacji zbioru kombajnowego. Powstałe sieci neuronowe mogą być zastosowane w komputerze pokładowym kombajnu, który ustawiałby parametry regulacyjne w zależności od przeznaczenia ziarna tak aby niedomłot lub straty były najmniejsze.

EN

The purpose of the work was the use of neural networks as a simulation - decisionmaking model of the threshing process in the harvester. The modeling process involved finding the best neural network with the smallest data processing error for non-threshing and damage of grain, respectfully. After conducting a learning and testing process best network was specified i.e. such that generated loss value in form of non-threshing and damage of grain with the smallest processing error. As a criterion for selecting the network the smallest error for the validation set was used. Variables presented at the network input were the control parameters of the threshing unit (i.e. rotations of the threshing drum, power supply, adjustable harvester speed, dimensions of working slot) and moisture of threshed corn. At the output of both networks loss or non-threshing values were obtained depending on the input variable values. The modeling process was performed using "Statistica Neural Network" program by Statsoft. The obtained models were tested, launched and saved. These models can be used in the harvester cropping automation process. The created neural networks can be used on the harvester on-board computer, which would set the control parameters according to the grain designation to minimize non-threshing or losses.

Słowa kluczowe

EN

harvester; threshing process; losses; non-threshing; damage; artificial neural network

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2006
• Tom: R. 10, nr 13(88)
• Strony: 451--460
• Opis fizyczny: Bibliogr. 4 poz., rys.

Twórcy

autor

Złobecki A.

autor

Macura R.

autor

Michalczyk M.

• Uniwersytet Rolniczy w Krakowie, Wydział Inżynierii Produkcji i Energetyki, Katedra Inżynierii Mechanicznej i Agrofizyki

Bibliografia

• Gieroba J., Dreszer K. 1993. Wybrane zagadnienia procesu omłotu i wydzielania ziarna z masy zbożowej. Probl. Inż. Roln., z. 1.
• Mikucki K. 1993. Model matematyczny procesu powstawania strat ziarna w kombajnie zbożowym. Zesz. Probl. Post. Nauk Roln., z. 408.
• Osowski T. 1996. Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa.1.
• Złobecki A. 1995. Zależność strat jakościowych ziarna pszenicy od warunków zbioru kombajnem. Zesz. Probl. Post. Nauk Roln., z. 423.