Determination of working states of the rotating cutting assembly in forage harvesters by artificial neural networks

This work describes an algorithm which is able to determine the working states of a rotating cutting assembly automatically. The approach was validated at a self-propelled forage harvester under different environmental and harvest conditions. Data were recorded throughout different field trials near the cutting assembly using two built-in vibration sensors. The working states of the cutting assembly were divided into processing, neutral and grinding. The analysis was performed using evolutionary optimized Artificial Neural Networks. The generated models for classification are able to determine the working states robustly for this type of a rotating cutting assembly. Case-specific and sensor-specific confusion matrices are presented for performance evaluation. As a conclusion vibration data is suitable for automatic and robust classification in this context.

Dieser Beitrag beschreibt einen Algorithmus, der die Arbeitszustände einer rotierenden Schneidanordnung automatisiert bestimmen kann. Der Bewertungsansatz wurde unter Verwendung eines selbstfahrenden Feldhäckslers unter verschiedenen Umgebungs- und Erntebedingungen validiert. Die Daten wurden in Feldversuchen über zwei Vibrationssensoren an der Schneideinrichtung, bzw. der Messertrommel, erfasst. Die Arbeitszustände der Schneidanordnung wurden in Verarbeitung, Leerlauf und Schleifvorgang unterteilt. Die Analyse dieser Zustände wurde unter Verwendung von evolutionär optimierten Künstlichem Neuronalen Netzen durchgeführt. Die generierten Modelle sind in der Lage, die Arbeitszustände für diese Art einer Schneidanordnung robust zu klassifizieren. Sensorspezifische Vertauschungsmatrizen werden, bezogen auf die jeweiligen Feldversuche, für die Leistungsbewertung vorgelegt. Als eine Schlussfolgerung ist festzustellen, dass die Schwingungsdaten in diesem Kontext für eine robuste Analyse geeignet sind.