使用机器学习和低成本传感器预测拖拉机拉杆在不同耕地工具下的拉力

科学领域:

• 农业工程 农业工程
• 机器学习应用 机器学习应用
• 拖拉机性能分析分析

背景情况:

• 预测拖拉机拉杆拉力对于优化农业运营和燃油效率至关重要.
• 以前的研究主要集中在发动机参数上,限制了预测准确性和实际应用.
• 结合非线性变量和多种输入组合可以提高模型性能.

研究的目的:

• 开发和比较机器学习模型,用于预测拖拉机拉杆在不同类型的 (模板,头,地下层) 上拉动.
• 评估各种输入变量组合对预测准确性的影响.
• 通过使用可访问的传感器,提出一种具有成本效益的方法来预测杆拉力.

主要方法:

• 开发并测试了四种机器学习模型:随机森林 (RF),极端梯度增强 (XGB),人工神经网络 (ANN) 和支持向量机器 (SVM).
• 使用的训练变量包括发动机转速 (ES),发动机扭矩 (ET),行驶速度 (TS),耕地深度 (TD) 和滑动比率 (SR).
• 在三个韩国田土壤条件中比较了五种不同的输入变量组合 (模型A-E).

主要成果:

• 模型E中的随机森林 (RF) 实现了模板的最高性能 (R2 = 0.977).
• 在B和C模型中的人工神经网络 (ANN) 显示出对斗的强大预测准确性 (R2 = 0.953).
• 在B和E模型中的ANN也显示了高精度 (R2 = 0.953) 的地下,超过XGB和SVM.

结论:

• 射频和ANN模型对于预测拖拉机拉杆拉动非常有效,比XGB和SVM提供更高的性能.
• 该研究强调了输入变量选择和包含非线性参数以提高预测准确性的重要性.
• 拟议的模型提供了一个具有成本效益和实用的解决方案,用于优化农业机械性能,使用低成本的传感器.