Chaos‑basiertes Verfahren erhöht Genauigkeit der Lastidentifikation bei Paprikenerntegeräten

Ein Verfahren zur präzisen Erkennung von Lastzuständen in Erntegeräten für Paprika wurde entwickelt und in Feldversuchen getestet. Das System nutzt die chaotische Dynamik der Kopplung zwischen Schwingungs- und Drehmoment‑Signalen, um zwischen keinem, leichtem, normalem und überladenem Zustand zu unterscheiden. In realen Tests erreichte das Verfahren eine durchschnittliche Identifikationsgenauigkeit von 90,47 % und unterstützte eine Erntequote von 99,05 % bei einer Fruchtschadensrate von 2,35 %.

Methodik

Die Schwingungs‑signale geben Aufschluss über die strukturelle Reaktion des Erntetrommels, während die Drehmoment‑signale die Lastvariation infolge der Interaktion zwischen Pflanze und Trommel abbilden. Durch die Modellierung ihrer nichtlinearen Kopplung soll ein stärker differenzierbares Merkmal als bei Einzel‑ oder konventionellen statistischen Merkmalen erzielt werden.

Modellierung

Ein sechs‑dimensionales, nichtlineares gekoppeltes Dynamiksystem wurde erstellt, indem die Lorenz‑ und Rössler‑Modelle integriert wurden. Die Parameter des Modells wurden mittels einer Kombination aus genetischen Algorithmen und Gauss‑Newton‑Iteration identifiziert. Der maximale Lyapunov‑Exponent diente dazu, die Divergenz von Trajektorien unter verschiedenen Lastbedingungen zu quantifizieren und ein physikalisch interpretierbares Kennzeichen für die Last zu bilden.

Experimentelle Ergebnisse

Durch ein Zentral‑komponiertes Entwurfsverfahren (CCD) wurden optimale Betriebsparameter ermittelt: eine Trommeldrehzahl von 150 U/min und eine Vorwärtsgeschwindigkeit von 0,42 m/s. Unter diesen Bedingungen erreichte das System eine Erntequote von 99,05 %, einen Fruchtschadensanteil von 2,35 % und eine durchschnittliche Lastidentifikationsgenauigkeit von 90,47 %.

Leistungsbewertung

Die AUC‑Werte für die vier Lastzustände lauteten 0,992 (kein Load), 0,981 (leicht), 1,000 (normal) und 0,947 (überladen). Vergleichende Versuche zeigten, dass das vorgestellte Verfahren konventionelle Identifikationsmethoden übertrifft.

Praktische Umsetzung

Die Implementierung auf eingebetteter Hardware bestätigte die Eignung für Echtzeit‑Anwendungen direkt am Erntegerät. Die Echtzeit‑Erfassung ermöglicht eine adaptive Anpassung der Ernteparameter, wodurch die Betriebssicherheit erhöht und Fruchtschäden reduziert werden können.

Bedeutung für die Landwirtschaft

Durch die Kombination von chaotischer Dynamik und physikalischer Interpretierbarkeit liefert das Verfahren ein robustes Werkzeug zur Optimierung von Erntegeräten. Die Methode lässt sich potenziell auf weitere landwirtschaftliche Maschinen übertragen, um deren Effizienz und Produktqualität zu steigern.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.