Интеллектуальные системы управления для «Копания - разделение - чистка - сбор» комбайнов лука, чеснока, картофеля и моркови (корневые/клубные культуры) интегрируют датчики, автоматизацию и управляемые данными алгоритмы для оптимизации каждой стадии сбора урожая. Эти системы повышают эффективность, снижают повреждение урожая и адаптируются к переменным условиям полевых условий.
Ниже приведена подробная разбивка интеллектуальных приложений управления на каждом этапе:
1. Интеллектуальный контроль на стадии копания
Стадия копания фокусируется на извлечении урожая из почвы при минимизации повреждения (например, синяков картофеля или разрыва зубчиков чеснока) и обеспечения полного извлечения.
https://www.youtube.com/playlist?
Основные цели:
Отрегулируйте глубину копания/угол, чтобы соответствовать глубине захоронения урожая (зависит от урожая: например, морковь глубже, чем лук).
Адаптируйтесь к условиям почвы (твердость, влажность), чтобы избежать чрезмерного нарушения почвы или неполной экстракции.
Интеллектуальные технологии:
Датчики:
Датчики твердости почвы(например, пенетрометры) измеряют компактность почвы для регулировки силы копания (например, гидравлическое давление для копающих лопат).
Датчики положения урожая(Ультразвуковое или радар) обнаруживает местоположение подземного урожая, направляя копающую лезвию к точной глубине (± 1-2 см толерантности).
Позиционирование GPS/BeidouВ сочетании с предварительно загруженными полевыми картами (от данных посадки) до выравнивания траекторов с сельскохозяйственными рядами, уменьшая промахи.
Логика управления:
Регулировка гидравлических приводов в режиме реального времени для глубины/наклона лопаты через центральный контроллер (ПЛК или промышленный компьютер). Например, в скалистой почве система увеличивает подъемную силу, чтобы предотвратить повреждение лезвия; В мягкой почве это уменьшает глубину, чтобы избежать переутомления.
2. Интеллектуальный контроль на разделении
Разделение удаляет культуры из прикрепленной почвы, соломы или листвы (например, луковые вершины, картофельные виноградные лозы). Цель состоит в том, чтобы максимизировать разделение примесей при при этом минимизацию потери урожая.
Основные цели:
Отдельные 95%+ почвы/комбинации от сельскохозяйственных культур.
Избегайте чрезмерной вибрации, которая повреждает хрупкие культуры (например, зубчики чеснока).
Интеллектуальные технологии:
Датчики:
Оптические камеры(RGB или мультиспектральные) захватывают изображения смеси по техническому уровню на вибрирующих экранах/конвейерах, используя AI (машинное обучение) для идентификации урожая против почвы/соломы.
Нагрузочные ячейкиИзмерьте вес материала на конвейерах, чтобы регулировать скорость обработки.
Логика управления:
Отрегулируйте частоту вибрации (из экранов) или скорость конвейера на основе уровней примесей. Например, если камеры обнаруживают высокое содержание почвы, система увеличивает вибрацию, чтобы сместить больше почвы; Для хрупких культур, таких как чеснок, он снижает интенсивность вибрации, чтобы предотвратить расщепление гвоздики.
3. Интеллектуальный контроль на стадии очистки
Очистка удаляет остаточную почву, небольшие слои или мусор (например, песок на морковь, свободная кожа чеснока), используя воздух, щетки или воду (для высоких значений).
Основные цели:
Достичь 98%+ чистота поверхности без истирания.
Сохранить энергию/воду (для влажной чистки).
Интеллектуальные технологии:
Датчики:
Датчики ближнего инфракрасного (NIR)или3D VisionОбнаружение остаточной почвы на поверхностях сельскохозяйственных культур (почва отражает различные длина волн, чем кожа урожая).
Датчики давленияСледите за силой контакта кисти, чтобы избежать синяков (например, для картофеля).
Логика управления:
Для очистки на основе воздуха: отрегулируйте скорость вентилятора с помощью дисков с переменной частотой (VFD) на основе NIR-детектируемой нагрузки почвы (более высокая скорость для более грязных культур).
Для очистки щетки: модулируйте скорость вращения щетки и давление (через сервоприводы), чтобы соответствовать хрупкости урожая (например, более медленная, более мягкая чистка для чеснока и более твердая морковь).
Для влажной очистки: регулировать поток воды с помощью умных клапанов, используя обратную связь с камерой, чтобы уменьшить использование воды, когда культуры уже чистые.
4. Интеллектуальный контроль на стадии сбора
Сбор сборов очистил культуры в мусорные ведра или контейнеры, обеспечивая даже наполнение, предотвращение переполнения и координацию с транспортом (например, тракторы).
Основные цели:
Максимизируйте использование бина (избегайте/переполнения).
Минимизировать повреждение урожая во время переноса (например, от высоких капель).
Интеллектуальные технологии:
Датчики:
Ультразвуковые датчикиилиВесовые преобразователиВ мусорных банках для мониторинга уровня заполнения (например, 80% полные триггеры предупреждают).
Датчики зренияОтслеживайте скорость потока урожая на переносных ремнях, чтобы отрегулировать скорость ремня (предотвратить узкие места).
Логика управления:
Автоматизированное переключение мусорного ведра: когда корзина достигает емкости, система запускает гидравлический привод для вращения/сдвига в пустую корзину.
Гленд-перенос: отрегулируйте угол конвейера или добавьте пластины с мягкими касками (контролируемые сервоприводами) на основе типа урожая (например, более мелкие углы для хрупкого лука).
Интеграция с IoT: отправьте данные заполнения в режиме реального времени в приложение для управления фермой, предупреждая операторов для организации разгрузки.
Интегрированная интеллектуальная система управления
Центральный контроллер (например, прочный промышленный ПК или устройство AI EDGE) синхронизирует все этапы, используя:
Модели машинного обучения (ML): Обучены данные из разных культур (лук, чеснок и т. Д.) И условия полевых условий для прогнозирования оптимальных параметров (например, «для глинистой почвы + картофель, установите глубину копания до 15 см, частота вибрации до 30 Гц»).
Отдаленный мониторинг: 4G/5G или LORA подключение позволяет операторам регулировать настройки через планшет/телефон или переопределять автоматические элементы управления, если это необходимо.
Диагностика ошибок: Датчики обнаруживают аномалии (например, конвейеры, неисправности датчиков) и предупреждения о запусках или автоматические отключения для предотвращения повреждения.
Преимущества интеллектуального контроля
Более высокий доход: Снижает потерю урожая (от пропущенного копания или разделения) на 5-15% по сравнению с ручными/неинтеллектными машинами.
Лучшее качество: Снижает уровень повреждений (например, ушибование картофеля, поломка зубов чеснока) на<3% (vs. 8-10% with conventional harvesters).
Адаптируемость: Обрабатывает переменную почву, размеры урожая и погодные условия (например, влажная почва против сухой почвы).
Эффективность: Уменьшает потребности в труде и использование топлива/энергии на 10-20% за счет оптимизированной работы.
Примеры комбайнов с такими системами включаютГримм (Германия)(Серия Evo Allcrop с SmartView),ASA-Lift (Япония)(луковые комбайны с очисткой ИИ) и домашние бренды, такие какXisen Tiancheng (Китай)(Картофельные комбайны с интеграцией IoT). Эти технологии становятся все более критичными для крупномасштабного, высокого уровня фермерства корня.
