Modelado y optimización del rendimiento de la cabecera de la cosechadora de maíz forrajero verde utilizando un enfoque combinado de metodología de superficie de respuesta y red neuronal artificial
Autores: Xue, Zhao; Fu, Jun; Fu, Qiankun; Li, Xiaokang; Chen, Zhi
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
Los cosechadores de maíz forrajero verde enfrentan desafíos como alta humedad del suelo y suelo blando en el campo, parámetros de trabajo desajustados, y baja fiabilidad y adaptabilidad. Estos desafíos a menudo resultan en bloqueos en el cabezal, pérdidas significativas en la cosecha y un aumento en el consumo de energía. Los métodos tradicionales de prueba y análisis estadístico utilizados en la mayoría de los estudios existentes se ven limitados por procesos de prueba complejos, su naturaleza que consume mucho tiempo, altos costos y baja precisión en la predicción. Para abordar estos problemas, se construyó un banco de pruebas para analizar los efectos de la velocidad hacia adelante, la altura de corte, el número de filas y sus interacciones en el consumo específico de energía y la pérdida de cosecha del cabezal de maíz forrajero verde (GFM). Se propone un enfoque combinado de método de superficie de respuesta (RSM) y red neuronal artificial (ANN) para modelar y predecir los parámetros de rendimiento del cabezal. Las condiciones óptimas se determinaron optimizando el consumo específico de energía y la tasa de pérdida. Los parámetros de combinación óptimos son una velocidad hacia adelante de 1.6 km/h, una altura de corte de 167 mm y un número de filas de 4. Sin embargo, RSM-ANN tiene valores de R más grandes y errores cuadráticos medios (MSE) y errores cuadráticos medios (MSE) más bajos en comparación con RSM. Específicamente, el R del modelo RSM-ANN para el consumo específico de energía y la tasa de pérdida son 0.9925 y 0.9906, los MSE son 0.00001775 y 0.004558, y los RMSE son 0.004214 y 0.006752, respectivamente. Los resultados muestran que el método combinado RSM-ANN tiene una mayor precisión y exactitud y puede predecir y optimizar mejor el rendimiento del cabezal. Este estudio supera las limitaciones de los métodos tradicionales y tiene el potencial de proporcionar datos y referencias de métodos para el diseño, optimización, predicción y diagnóstico inteligente de fallas en los parámetros operativos de maquinaria agrícola.
Descripción
Los cosechadores de maíz forrajero verde enfrentan desafíos como alta humedad del suelo y suelo blando en el campo, parámetros de trabajo desajustados, y baja fiabilidad y adaptabilidad. Estos desafíos a menudo resultan en bloqueos en el cabezal, pérdidas significativas en la cosecha y un aumento en el consumo de energía. Los métodos tradicionales de prueba y análisis estadístico utilizados en la mayoría de los estudios existentes se ven limitados por procesos de prueba complejos, su naturaleza que consume mucho tiempo, altos costos y baja precisión en la predicción. Para abordar estos problemas, se construyó un banco de pruebas para analizar los efectos de la velocidad hacia adelante, la altura de corte, el número de filas y sus interacciones en el consumo específico de energía y la pérdida de cosecha del cabezal de maíz forrajero verde (GFM). Se propone un enfoque combinado de método de superficie de respuesta (RSM) y red neuronal artificial (ANN) para modelar y predecir los parámetros de rendimiento del cabezal. Las condiciones óptimas se determinaron optimizando el consumo específico de energía y la tasa de pérdida. Los parámetros de combinación óptimos son una velocidad hacia adelante de 1.6 km/h, una altura de corte de 167 mm y un número de filas de 4. Sin embargo, RSM-ANN tiene valores de R más grandes y errores cuadráticos medios (MSE) y errores cuadráticos medios (MSE) más bajos en comparación con RSM. Específicamente, el R del modelo RSM-ANN para el consumo específico de energía y la tasa de pérdida son 0.9925 y 0.9906, los MSE son 0.00001775 y 0.004558, y los RMSE son 0.004214 y 0.006752, respectivamente. Los resultados muestran que el método combinado RSM-ANN tiene una mayor precisión y exactitud y puede predecir y optimizar mejor el rendimiento del cabezal. Este estudio supera las limitaciones de los métodos tradicionales y tiene el potencial de proporcionar datos y referencias de métodos para el diseño, optimización, predicción y diagnóstico inteligente de fallas en los parámetros operativos de maquinaria agrícola.