Способ оптимизации регулируемых параметров машины

Изобретение относится к способу оптимизации регулируемых параметров машины. Техническим результатом является создание недорого и эффективного способа, облегчающего работу оператора машины. Оптимизация регулируемых параметров происходит путем выполнения, по меньшей мере, одного алгоритма действий, заложенного в систему обработки данных. Поскольку оптимизация регулируемых параметров производится посредством выполнения, по меньшей мере, одного алгоритма действий, заложенного в системе обработки данных, оптимизация регулируемых параметров в очень большой степени становится независимой от опыта и знаний машиниста, так что выполняемый процесс оптимизации быстрее приводит к оптимальным настройкам машины. Эта значительная независимость процесса оптимизации от опыта и знаний машиниста приобретает особенное значение тогда, когда машины эксплуатируются подрядными организациями по оказанию услуг, в которых управляющие машинами машинисты зачастую не являются специалистами в данной области и, как правило, не обладают достаточными знаниями и опытом или вовсе не обладают ими. 19 з.п. ф-лы, 5 ил.

 

Изобретение относится к способу оптимизации регулируемых параметров согласно общему понятию, указанному в пункте 1 формулы изобретения.

Из уровня техники известны многочисленные рабочие машины, эксплуатационные параметры которых существенно зависят от веществ, подвергающихся обработке, от воздействий окружающей среды, обусловленных погодными влияниями, и от показателей эффективности самой рабочей машины. В качестве примера укажем здесь на сельскохозяйственные и лесохозяйственные рабочие машины и на производственные машины, которые, например, из природных продуктов, так называемого растительного сырья, изготовляют полуфабрикаты или готовые продукты.

С одной стороны характер дальнейшей переработки природных продуктов в значительной степени зависит от свойств самих природных продуктов. При этом на качество произрастающих природных продуктов наряду с многообразными мероприятиями по уходу, благоприятствующими произрастанию, существенным образом влияют погодные условия, так что одинаковые сами по себе продукты вследствие существенного различия их свойств, вызванного разными условиями произрастания, приходится обрабатывать совершенно по-разному, чтобы, тем не менее, получить одинаковые полуфабрикаты или готовые продукты. С другой стороны процесс сбора урожая таких продуктов в еще большей степени определяется качеством убираемого продукта и внешними влияниями, обусловленными погодными условиями. В качестве примера здесь можно указать на так называемые зерноуборочные комбайны и косилки-измельчители, разнообразные рабочие органы которых очень чувствительно реагируют на изменяющиеся свойства убираемого продукта. Чтобы несмотря на изменяющиеся, отчасти значительно, свойства убираемого продукта и изменяющиеся в зависимости от погоды условия уборки сохранить высокий уровень эффективности этих машин и качества убираемого продукта, прилагаются значительные усилия для оптимизации эксплуатационных параметров рабочих органов этих машин. Подобные процессы оптимизации должны сегодня осуществляться оператором соответствующей машины и в очень большой степени зависят от его знаний, опыта и навыков. Чтобы повысить качество этого процесса оптимизации, оператор машины может также воспользоваться рекомендациями изготовителя и вырабатываемой датчиками машинной информацией. В особенности вырабатываемая датчиками машинная информация помогает оператору машины оценить эффект от произведенных им регулировок. Широко распространены в этой связи так называемые датчики потерь, которые в особенности используются в сельскохозяйственных уборочных машинах, выполненных как зерноуборочные комбайны, для определения потерь зерна. При этом датчики потерь генерируют сигналы, пропорциональные соответствующим потерям зерна, и из этих сигналов оператор может извлечь информацию о том, привело ли произведенное им изменение одного или нескольких эксплуатационных параметров зернового комбайна к уменьшению или к увеличению потерь зерна, которые требуется минимизировать. В особенности при изменении нескольких эксплуатационных параметров от опыта и знаний машиниста в значительной степени зависит его способность оценить, изменение какого именно эксплуатационного параметра было причиной наступившего эффекта. Такая методика приводит на практике к тому, что оператор машины иногда должен опробовать очень большое количество регулировок, прежде чем ему удастся добиться оптимальной по его представлениям настройки машины, причем число этих проб будет тем больше, чем менее опытен оператор машины. К тому же оператор машины при этой оптимизации эксплуатационных параметров вынужден переработать большое количество информации, не имея при этом никаких вспомогательных средств, на которые он мог бы опираться в процессе оптимизации. К тому же не обеспечивается воспроизводимость однажды полученных оптимальных эксплуатационных параметров в зависимости от разнообразных параметров, связанных с машиной, убираемым продуктом и окружающей средой, в особенности с погодой.

Поэтому задачей изобретения является создание простого, недорогого и эффективного способа оптимизации регулируемых параметров, облегчающего работу оператора машины.

Согласно изобретению эта цель достигается отличительными признаками п.1 формулы изобретения.

Поскольку оптимизация регулируемых параметров производится посредством выполнения, по меньшей мере, одного алгоритма, заложенного в системе обработки данных, оптимизация регулируемых параметров в очень большой степени становится независимой от опыта и знаний машиниста, так что выполняемый процесс оптимизации быстрее приводит к оптимальным настройкам машины. Эта значительная независимость процесса оптимизации от опыта и знаний машиниста приобретает особенное значение тогда, когда машины эксплуатируются подрядными организациями по оказанию услуг, в которых управляющие машинами машинисты зачастую не являются специалистами в данной области и, как правило, не обладают достаточными знаниями и опытом или вовсе не обладают ими.

Если к тому же оптимизация регулируемых параметров предусматривает редактирование и/или запоминание целевых значений, в этом случае легко можно обеспечить, чтобы в зависимости от более благоприятных или менее благоприятных внешних условий можно было задавать и вызывать из памяти качественно более высокие или менее высокие целевые значения. Это имеет то преимущество, что система оптимизации применяет предлагаемый изобретением способ оптимизации только в реалистических диапазонах целевых значений.

Особенно простая структура системы обработки данных достигается в том случае, когда система обработки данных построена по принципу диагностической системы. Это дает в особенности то преимущество, что в простейшем случае для реализации системы обработки данных можно воспользоваться стандартным программным обеспечением, которое затем для реализации предусмотренного изобретением способа нужно будет только приспособить к конкретным условиям соответствующей машины и (или) соответствующего технологического процесса.

Чтобы повысить эффективность и точность способа оптимизации, система обработки данных может обрабатывать как внутримашинные, так и внемашинные данные с учетом целевых значений и генерировать выходные данные для дальнейшей обработки.

Особенно удобный для оператора и гибко приспосабливаемый к самым различным условиям способ оптимизации получается в том случае, когда с помощью системы обработки данных можно редактировать и запоминать внутримашинные и внемашинные данные, а также выходные данные.

Другое полезное усовершенствование достигается в том случае, когда система обработки данных управляется в функции времени. Это дает то преимущество, что в особенности при оптимизации эксплуатационных параметров сельскохозяйственных машин можно лучше учесть колебания свойств убираемого продукта в зависимости от времени дня. К тому же, процесс оптимизации можно повторять через определенные промежутки времени, что позволит гибко реагировать на изменяющиеся условия.

Эффективность и удобство применения способа оптимизации повышаются также в том случае, когда передаваемые в систему обработки данных машинные данные наряду с оптимизируемыми регулируемыми параметрами содержат и другие параметры, например специфические параметры, относящиеся к убираемому продукту и (или) машине, и внутренние экспертные знания, генерируемые связанными с машиной датчиками или вводимые извне.

Особенно просто реализуемая оптимизация получается тогда, когда оптимизируемыми эксплуатационными параметрами являются скорость движения, скорость вращения, по меньшей мере, одного молотильного барабана и (или) скорость вращения вентилятора, по меньшей мере, одного очистительного устройства, а другие параметры представлены потерей зерна, потоком зерна, влажностью убираемого продукта, общим потоком убираемого продукта и долей поврежденного зерна.

Чтобы еще более повысить универсальную применимость предлагаемого изобретением способа, в число параметров можно включить также диапазоны регулирования параметров рабочих органов.

Точной и быстрой оптимизации регулируемых параметров способствует также и то, что внешние по отношению к машине данные поступают из внешних систем и охватывают географические, метеорологические и агротехнические данные и внешние экспертные знания.

Особое значение как внутренние, так и внешние экспертные знания приобретают в том случае, если эти экспертные знания опираются на опыт и знания, относящиеся к убираемому продукту и машине.

Чтобы еще более повысить эффективность процесса оптимизации, по меньшей мере, один алгоритм действий, заложенный в диагностическую систему, может выполнять так называемые процедурные диагнозы, и/или ситуационные диагнозы, и/или диагнозы, ориентированные на модель, т.е. модель-ориентрованные диагнозы. Это дает то преимущество, что диагностическая система может приспосабливать способы оптимизации к конкретным условиям применения. В особенности ситуационный диагноз обладает тем достоинством, что здесь достижим эффект самообучения, благодаря которому диагностическая система при последующих оптимизациях может в сходных ситуациях обратиться к уже имеющимся алгоритмам действий и оптимизированным с их помощью параметрам. Благодаря такому приспособлению алгоритмов действий можно добиться постепенного повышения качества и эффективности предлагаемого изобретением способа оптимизации.

Чтобы можно было гибко применять предлагаемый изобретением способ для оптимизации регулируемых параметров, в одной из дальнейших полезных реализаций изобретения предусмотрено, что алгоритм действий, используемый в системе обработки данных, выбирается из некоторого множества алгоритмов действий в зависимости, по меньшей мере, от части внутримашинных и/или внемашинных данных.

Машинист тогда в еще большей степени освобождается от выполнения оптимизации регулируемых параметров машины, когда система обработки данных в зависимости от внутримашинных и/или внемашинных данных предлагает или автоматически выбирает алгоритм действий.

Чтобы упростить и ускорить выбор заложенного в систему обработки данных алгоритма действий, в одной из дальнейших полезных реализаций предлагаемого в изобретении способа внутримашинные и внемашинные данные, а также целевые значения могут быть заложены в систему обработки данных в виде записей, одновременно определяющих модели ситуаций, к которым привязаны совершенно конкретные алгоритмы действий. Выбор нового алгоритма действий может быть затем сделан, исходя из этих моделей ситуаций, причем из заложенных в память моделей ситуаций простым способом можно выбрать такую модель ситуации, которая близка или идентична реальной ситуации, имеющей место в данный момент, и, следовательно, выбрать связанный с этой моделью ситуации алгоритм действий для обработки.

Дальнейшее увеличение гибкости предлагаемого изобретением способа достигается, когда система обработки данных в зависимости от внутримашинных и внемашинных данных и с учетом изменяемых целевых значений может генерировать измененные алгоритмы действий и/или модели ситуаций. Благодаря этому можно добиться, чтобы хранящиеся в памяти алгоритмы действий и модели ситуаций очень точно соответствовали конкретным условиям применения и при аналогичных условиях в будущем могли быть с экономией времени непосредственно вызваны из памяти без необходимости предварительно приспосабливать хранящиеся в памяти алгоритмы действий и/или модели ситуаций к новым условиям применения.

Чтобы предлагаемый изобретением способ оптимизации можно было эффективно применять на ряде машин, в одной из следующих полезных реализаций изобретения предусмотрен ввод в систему обработки данных моделей ситуаций и относящихся к ним алгоритмов действий и/или оптимизированных регулируемых параметров с возможностью их использования на других машинах.

Особенно благоприятные условия применения возникают тогда, когда машина является сельскохозяйственной уборочной машиной, и алгоритм действий определяется в зависимости от условий уборки сельскохозяйственной уборочной машиной. Так как машинист в процессе жатвы уже должен выполнять множество операций, относящихся к управлению и контролю, то применение предлагаемого в изобретении способа в очень большой мере освобождает его от функций оптимизации, позволяя сосредоточиться в основном непосредственно на самом процессе жатвы.

Для дальнейшего улучшения результатов оптимизации с помощью системы обработки данных, лежащей в основе предлагаемого изобретения, алгоритмы действий, заложенные в системе обработки данных, могут приспособляться к новым или изменившимся условиям с использованием экспертных оценок.

Другие полезные варианты выполнения являются предметом зависимых пунктов формулы и подробнее описываются ниже на представленных в чертежах примерах исполнения.

Чертежи изображают:

Фиг.1 - схематический вид сбоку сельскохозяйственной уборочной машины;

Фиг.2 - схема предлагаемого изобретением устройства обработки данных;

Фиг.3 - общая структура предлагаемого изобретением способа в виде диаграммы потока сигналов;

Фиг.4 - другая общая структура предлагаемого изобретением способа в виде диаграммы потока сигналов;

Фиг.5 - конкретный пример исполнения общей структуры предлагаемого изобретением способа в виде диаграммы потока сигналов.

На фигурах 1-5 предлагаемый изобретением способ оптимизации регулируемых параметров разъясняется более подробно на сельскохозяйственном примере. Изобретение не ограничивается рассмотренным случаем применения, но может применяться в самых различных областях для получения описанных эффектов.

Вначале предлагаемый изобретением способ оптимизации регулируемых параметров описывается в общей форме на примере изображенной на фиг.1 и 2 уборочной машины 1, выполненной как зерноуборочный комбайн 2. С передней стороны по направлению движения FR сельскохозяйственной уборочной машины 1 установлен так называемый жатвенный аппарат 3, который срезает растущие на почве 4 стебли 5, собирает их вместе и в своей задней части подводит к наклонному транспортеру 6 зерноуборочного комбайна 2. Наклонный транспортер 6 в своей задней части передает стебли 5 в молотильный механизм 7, который в изображенном примере состоит из молотильного барабана 8 и расположенного за ним реверсивного барабана 9. В рамках изобретения возможна конструкция, при которой молотильный механизм 7 может известным способом содержать несколько молотильных барабанов 8 или быть выполнен в виде так называемого аксиального молотильного и разделяющего ротора. Под действием вращательных движений 10, 11 молотильного барабана 8 и расположенного за ним реверсивного барабана 9 стебли 5 направляются вдоль подбарабанья 12 в заднюю часть молотильного механизма 7. При этом поток стеблей 5 разделяется на различные потоки 13, 14 продуктов, причем отделяемый через подбарабанье 12 поток 13 продуктов состоит преимущественно из зерна, а выходящий в задней части молотильного механизма 7 поток 14 продуктов образован преимущественно соломой. После того как вышедшие из молотильного механизма 7 потоки 13, 14 продуктов пройдут через последующие рабочие органы, как, например, через очистительное устройство 17, состоящее из одного или нескольких решет 15 и присоединенного к одному из этих решет вентилятора 16, а также через сепарирующее устройство 19, выполненное в виде соломотряса, зерно 20, освобожденное теперь в основном от примесей, через не изображенные подробно транспортеры 21 подается в установленный на зерноуборочном комбайне 2 бункер 22. В зависимости от качества работы рабочих органов 7, 17, 19 и качества стеблей 5 более или менее интенсивный поток зерна 23 выходит из зерноуборочного комбайна 2 в его задней части. Этот поток зерна 23 представляет собой так называемые потери зерна, которые могут быть учтены с помощью известных, а потому не описываемых подробнее датчиков 24 потерь зерна. Операторы 28 подобных сельскохозяйственных машин 1 стремятся к тому, чтобы эти потери зерна были как можно меньше. Для этого зерноуборочный комбайн 2 до сих пор мог оснащаться наряду с уже описанными датчиками 24 потерь зерна в зависимости от уровня оснащенности дополнительными датчиками 25, 26, 27, которые в простейшем случае могли представлять собой, например, датчики 25, 26 скорости вращения вентилятора 16 и молотильного барабана 8. Далее к настоящему времени были уже известны так называемые датчики потока, измеряющие, например, проходящее через зерноуборочный комбайн 2 количество зерна 20. Генерируемые различными датчиками 25-27 сигналы 29-32 преобразовывались в установленном на зерноуборочном комбайне 2 вычислительном устройстве 33, например, в сигналы 34 скорости вращения молотильного барабана, сигналы 35 потерь зерна, сигналы 36 датчика потока зерна и сигналы 37 скорости вращения вентилятора. Затем эти сигналы через индикатор 38 непрерывно или по запросу передавались оператору 28. Известна далее возможность вместо измерения суммарных потерь зерна 23 с помощью датчиков 22 зерна измерять раздельно потери в отдельных рабочих органах, как, например, в очистительном устройстве 17 или в сепарирующем устройстве 19. Помимо этого из уровня техники известен способ определять долю поврежденного зерна в потоке сжатого зерна и выводить соответствующую информацию на индикатор оператора 28. Вычислительное устройство могло, кроме того, получать информацию 39 из внешних систем и передавать информацию 40 во внешние системы. В подобных системах оптимизация регулируемых параметров ограничивается тем, что оператор 28 изменяет отдельные параметры рабочих органов 7, 17, 19 или скорость движения и на основании получаемой информации о потерях 35 зерна или о поврежденном зерне оценивает влияние этих изменений на качество работы сельскохозяйственной уборочной машины 1, и при неудовлетворительных результатах изменяет регулируемые параметры до тех пор, пока не будет достигнут приемлемый результат работы зерноуборочного комбайна 2. Такой процесс оптимизации регулируемых параметров требует большой затраты времени и труда. И здесь вступает в действие предлагаемый в изобретении способ оптимизации регулируемых параметров.

Как показано на фиг.2, теперь известные сами по себе датчики 24-27 соединяются с подробно описанной далее системой 41 обработки данных, в которой заложены алгоритмы действий 42а-с, также подробнее описанные далее. В рамках изобретения к системе 41 обработки данных могут быть эффективно подключены любые установленные на сельскохозяйственной уборочной машине 1 датчики, причем система 41 обработки данных может быть либо непосредственно установлена на сельскохозяйственной уборочной машине 1, либо ее может иметь при себе в виде отдельного устройства оператор 28, либо она может быть стационарно установлена на центральном посту управления. В двух последних случаях было бы целесообразно осуществлять передачу сигналов от соответствующих датчиков 29-32 к системе 41 обработки данных и от системы 41 обработки данных к сельскохозяйственной машине-орудию 1 беспроводным способом. Предлагаемая изобретением система 41 обработки 35 данных может кроме внутримашинных данных 43, передаваемых в виде сигналов от датчиков 29-32, принимать также так называемые внемашинные данные 44 от внешних систем и передавать данные 45 во внешние системы. Далее, система 41 обработки данных обменивается данными с устройством индикации 38, причем этот обмен данными включает в себя с одной стороны ввод от оператора любых данных 46, а в особенности целевых значений 47, которые будут более подробно описаны далее, а с другой стороны индикацию генерируемых системой 41 обработки данных выходных данных 48.

Согласно фиг.3 предлагаемая изобретением система 41 обработки данных выполнена как диагностическая система 49, причем в диагностической системе 49 содержится, по меньшей мере, один алгоритм 50 действий для оптимизации регулируемых параметров, который будет подробнее рассмотрен далее. Информационную базу диагностической системы 49 образуют вводимые в диагностическую систему 49 внутримашинные и внемашинные данные 43, 44. Важнейшими внутримашинными данными 43 являются оптимизируемые параметры 51, которыми в простейшем случае могут быть скорость движения V сельскохозяйственной уборочной машины 1, скорость вращения одного или нескольких молотильных барабанов 8, а также скорость вращения вентилятора 16 в очистительном устройстве 17. В рамках изобретения под этим следует понимать любые регулируемые параметры 51 машины, если их изменение, равносильное оптимизации, ведет к улучшению функционирования и качества работы соответствующей машины. Внутримашинные данные 43 включают в себя также так называемые прочие параметры 52, которые в приводимом примере исполнения могут содержать как данные, относящиеся к убираемому продукту, так и данные, относящиеся к машине. Внутримашинные данные 43, относящиеся к убираемому продукту, это, главным образом, потери зерна 23 и поток 20 зерна. Кроме того, сюда могут среди прочего относиться влажность убираемого продукта, суммарный поток убираемого продукта и доля поврежденного зерна, причем определение этих величин может производиться известными, а поэтому не описываемыми способами с помощью датчиков или путем ввода в систему 41 обработки данных. Внутримашинные данные 43, относящиеся к машине, это в первую очередь пределы регулирования параметров для отдельных рабочих органов 7, 17, 19 конкретной машины, устанавливаемые, как правило, на основании общей информации изготовителей, относящейся к соответствующим типам машин. Кроме того, внутримашинные данные 43 могут содержать так называемые внутренние экспертные знания 53, причем в простейшем случае внутренние экспертные знания генерирует оператор 28 машины 1, и они основываются главным образом на его знаниях и опыте. В описываемом здесь случае сельскохозяйственного применения эти внутренние экспертные знания 53 относятся по преимуществу к знанию взаимозависимостей между свойствами убираемого продукта и регулируемыми параметрами рабочих органов, а также их влияния на эффективность и качество работы сельскохозяйственной уборочной машины 1.

Передаваемые в диагностическую систему 49 внемашинные данные включают в себя в основном агротехнические данные 54, географические данные 55 и метеорологические данные 56, относящиеся к соответствующей области применения сельскохозяйственной уборочной машины 1, а также так называемые внешние экспертные знания 57. Такая информация может быть запрошена, например, через такие глобальные системы обмена данными и информацией как Интернет. Для описываемого здесь случая сельскохозяйственного применения точные знания о свойствах убираемого продукта, географических особенностях территории, на которой производится жатва, метеорологические условия на этой территории и экспертные знания особенно важны. Это связано главным образом с тем, что промежутки времени, в которые можно производить уборку, очень коротки, и эффективность сельскохозяйственной уборочной машины в процессе жатвы существенно зависит от оптимальной настройки регулируемых параметров 51 на свойства убираемого продукта с учетом внешних влияний.

Для того чтобы заложенный в диагностическую систему 49 алгоритм 50 действий предусмотренным в изобретении образом приводил к оптимизации регулируемых параметров 51 сельскохозяйственной машины-орудия 1, в диагностическую систему 49 могут быть, как уже было сказано, введены целевые значения 47, причем в описываемом сельскохозяйственном случае применения целевыми значениями 47 могут быть, например, предельные значения потерь зерна 23 и повреждения зерна.

Внутримашинные и внемашинные данные 43, 44 вместе с целевыми значениями 47 образуют в совокупности или по частям входные данные для заложенного в диагностическую систему 49 алгоритма 50 действий. На основании этих входных данных алгоритм 50 действий определяет способом, который будет подробнее рассмотрен далее, оптимальные регулируемые параметры 51', которые либо, как так называемые выходные данные 48, непосредственно автоматически устанавливаются на соответствующих рабочих органах 7, 17, 19, либо сообщаются оператору 28 через устройство индикации 38. В последнем случае оператор 28 должен выполнить установку оптимальных параметров сам. После установки оптимальных параметров 51' определяются уже описанным образом полученные целевые значения 47', например потеря зерна 23. На следующем шаге полученные целевые значения 47' сравниваются с заданными целевыми значениями 47. Если полученные целевые данные 47' не соответствуют заданным целевым значениям 47, то либо алгоритм 50 действий повторяется по изображенному циклу 58 до тех пор, пока не будут достигнуты заданные целевые значения 47, либо по другому циклу 59 производится корректировка заданного целевого значения 47, в соответствии с которым затем алгоритм 50 действий повторяется снова. Такая корректировка целевого значения 47 особенно полезна тогда, когда свойства убираемого продукта 5 или внешние условия либо вообще исключают возможность достижения целевых значений 47, либо не допускают этой возможности при разумных значениях параметров 51' рабочих органов 7, 17, 19.

Если алгоритм 50 действий завершился успешно, т.е. полученные оптимизированные параметры 51' привели к целевым значениям 47', соответствующим заданным целевым значениям 47, то диагностическая система генерирует оптимизированные регулируемые параметры 51'', которые, как уже описано, либо сообщаются как выходные данные 48 через устройство индикации оператору 28, либо непосредственно автоматически устанавливаются на соответствующих рабочих органах 7, 17, 19 сельскохозяйственной уборочной машиной 1. Кроме того, эти оптимизированные параметры 51'' и лежащие в их основе внутримашинные и внемашинные данные 43, 44 могут быть переданы в качестве информации 40 на внешние устройства.

Чтобы обеспечить высокую гибкость предлагаемой изобретением системы 41 обработки данных, вводимые в систему 41 обработки данных внутримашинные данные 43, внемашинные данные 44 и целевые значения 47, а также генерируемые системой 41 обработки данных выходные данные 40, 48 можно редактировать и сохранять в памяти. Благодаря этому вводимые данные 43, 44, 47 и генерируемые системой обработки данных 41 данные 40, 48 воспроизводимы и могут быть выведены сколь угодно часто.

Так как, в особенности при уборке сельскохозяйственных продуктов, условия уборки, решающим образом влияющие на эффективность уборочной машины, существенно изменяются в зависимости от времени дня, в одном из следующих полезных вариантов выполнения предусмотрено, что предлагаемый изобретением алгоритм 50 действий работает в функции времени. Такое устройство обладает прежде всего тем достоинством, что оптимизацию регулируемых параметров 51 можно неоднократно повторять в зависимости от времени дня, причем в рамках изобретения возможно автоматическое управление процессом в функции времени, при котором машинисту 28 не потребуется самому запускать повторный процесс оптимизации.

Согласно фиг.4 в предлагаемую изобретением систему обработки данных 49 могут быть заложены несколько алгоритмов 50 действий. Это обладает, прежде всего, тем достоинством, что для оптимизации регулируемых параметров 51 из множества алгоритмов 50 действий можно выбрать такой алгоритм 50 действий, который, в зависимости от лежащих в основе внутренних и внешних данных 43, 44 и целевых значений 47, определит оптимизированные регулировочные параметры 51 за наименьшее время. В частности, первоочередной может быть оптимизация определенных параметров 51 в зависимости от свойств убираемого продукта, влажности убираемого продукта, рельефа местности и имеющегося в распоряжении времени на уборку, или вообще может оказаться целесообразным варьировать только совершенно определенные параметры 51 в совершенно определенных пределах, чтобы достичь заданных или откорректированных целевых значений 47 в наиболее короткое время. Пусть, например, имеют место благоприятные условия для жатвы (низкая влажность убираемого продукта, ровная местность). В этом случае задаваемого в качестве целевого значения 47 потери зерна 23 можно будет легко и быстро достичь, если требующийся алгоритм 50 действий заранее задан жестко в виде процедурного диагноза. Если не требуется учитывать никаких особых граничных условий, то оптимизируемые параметры 51 рабочих органов 7, 17, 19 устанавливаются в последовательности, заданной в алгоритме 50 действий. Далее, заложенные алгоритмы 50 действий могут строиться также как ситуационные диагнозы. Это дает особенное преимущество благодаря тому, что в зависимости от граничных условий, заданных внутримашинными данными 43, внемашинными данными 44 и целевыми значениями 47, предварительно определены конкретные ситуации применения, для которых в диагностическую систему 49 могут быть заложены специальные алгоритмы действий, которые затем могут быть вызваны и откорректированы применительно к конкретной ситуации. Как будет подробнее рассмотрено далее, это дает особенное преимущество благодаря тому, что делает диагностическую систему способной к так называемому самообучению, и заложенные алгоритмы 50 действий все точнее приспосабливаются к совершенно конкретным случаям применения, так что время, потребное для оптимизации регулируемых параметров 51, становится все короче. Эффективность этой способности к самообучению проявляется особенно явно, когда алгоритм 50 действий обрабатывает так называемые модельные диагнозы, которые имеют универсальную применимость, легко могут обслуживаться оператором 28 сельскохозяйственной машины 1 и могут быть приспособлены к конкретным моделям машин. При этом эффект обучаемости распространяется не только на отдельный конкретный случай, но действует также на множество сходных случаев применения, которые обрабатываются алгоритмом 50 действий, базирующимся на модельном диагнозе.

Предлагаемая изобретением система 41 обработки данных предполагается выполненной таким образом, что в зависимости от внутримашинных данных 43, и/или внемашинных данных 44, и/или целевых значений 47 она из множества заложенных в нее алгоритмов 50 действий предлагает или автоматически выбирает алгоритм действий, пригодный для конкретного случая применения. Это происходит способом, показанным на фиг.4, когда в предлагаемую изобретением систему обработки данных закладываются подробно описываемые далее модели 60 ситуаций, которые описываются набором внутримашинных данных 43, внемашинных данных 44 и целевых значений 47. Во время конкретного применения машины в предлагаемую изобретением систему обработки данных 41 вводятся, как уже описано выше, внутримашинные данные 43, внемашинные данные 44 и целевые значения 47, относящиеся к конкретному применению машины, которые затем в системе обработки данных 41 объединяются в конкретную модель 60 ситуации. Эта конкретная модель 60 ситуации затем сравнивается с заложенными в систему 41 обработки данных моделями 60 ситуаций, из которых выбирается модель 61 ситуации, наиболее близкая или идентичная конкретной модели 60 ситуации. Система 41 обработки данных запрограммирована так, что при значительных расхождениях между конкретной моделью 60 ситуации и изначально заданными моделями 60 ситуаций она может генерировать и сохранять в системе обработки данных 41 новые модели 62 ситуаций. Заложенные в систему 41 обработки данных модели 60-62 ситуаций на программном шаге 63 сравнения связываются с алгоритмами 50 действий, также заложенными в систему 41 обработки данных, таким образом, что либо происходит непосредственный выбор 64 уже заложенного алгоритма 50 действий, либо на следующем программном шаге 65 генерируется новый алгоритм 50 действий. Если система 41 обработки данных после прохождения программного шага 63 обнаруживает подходящий алгоритм 50 действий, то дальнейшая обработка производится в соответствии с описанием к фиг.3. Для того чтобы модели 60-62 ситуаций и алгоритмы 50 действий были воспроизводимы, система 41 обработки данных построена так, что она содержит модели 60-62 ситуаций и алгоритмы 50 действий в записях 66, охватывающих, по меньшей мере, один набор внутримашинных данных 43, внемашинных данных 44 и целевых значений 47, так что при последующих условиях применения, соответствующих этим записям 66, становится возможным непосредственное обращение к соответствующим моделям 60-62 ситуаций и алгоритмам 50 действий. Кроме того, система 41 обработки данных структурирована так, что записи 60 доступны в виде информации 40 для других систем. Это дает особенное преимущество, заключающееся в том, что используемые в аналогичных или сходных условиях уборочные машины 1 с небольшими затратами и быстро могут воспользоваться этими уже оптимизированными параметрами 51.

В то время как на фиг.3 и 4 предлагаемый изобретением способ описан в общей форме, фиг.5 схематически изображает конкретный случай применения способа, предлагаемого изобретением, не будучи ограниченной этим конкретным случаем. В изображенном примере целевыми значениями 47, образующими критерий оптимизации, являются потери зерна в сельскохозяйственной уборочной машине 1, представляющей собой зерноуборочный комбайн 2. В оптимизируемые параметры 51 включены здесь скорость движения уборочной машины 1, скорость вращения молотильного барабана 8 и скорость вращения вентилятора 16 в очистительном устройстве 17. К прочим параметрам 52 внутримашинных данных 43 относятся поток зерна и (или) общий поток продукта, потери зерна и вид убираемого продукта. Внутренние экспертные знания 53 охватывают известные оператору 28 взаимодействия между зависящими от различных внутри- и внемашинных данных 43, 44 оптимизируемыми параметрами 51 и прочими параметрами 52, причем здесь особую роль играют взаимодействия, зависящие от вида продукта, и специфическая информация, относящаяся к машине. Агротехнические данные 54, как составная часть внемашинных данных 44, охватывают, например, вид убираемого продукта, степень зрелости и влажность убираемого продукта. Из географических данных наибольшее значение имеют величина обрабатываемой площади и ее рельеф. Чтобы можно было принять решение относительно возможного времени работы, в метеорологические данные 56 включены данные о температуре воздуха, прогноз осадков и прогноз погоды. Внешние экспертные знания 57 структурированы в приведенном примере аналогично внутренним экспертным знаниям 53.

Из совокупности внутримашинных данных 43, внемашинных данных 44 и целевых значений 47 в предлагаемой изобретением системе 41 обработки данных образуется модель 60 данной ситуации, которая в данном случае состоит из сведений о виде продукта, его влажности, степени зрелости, доле зерновой составляющей, рельефе местности и времени дня, причем эти данные могут вводиться либо в качественной (высокая, низкая, средняя), либо в количественной форме в виде конкретных числовых значений. В рамках изобретения возможно образование модели 60 ситуации из любых других параметров, целесообразных для других случаев. На одном из первых шагов 67 программы система 41 обработки данных сравнивает модель 60 конкретной ситуации с заложенными моделями 60 ситуации и выбирает для дальнейшего использования в программе такую модель 60 ситуации, которая близка или аналогична модели конкретной 60 ситуации. На одном из следующих шагов 63 программы активизируется и выполняется, как уже было сказано в описании к фигуре 4, связанный с выбранной моделью 60 ситуации алгоритм 50 действий. Выполнение выбранного алгоритма ситуации 50 уже было показано на фиг.3. В зависимости от внутри- и внемашинных данных 43, 44 и целевых значений 47 алгоритм действий определяет оптимизированные параметры 51', которые затем либо автоматически устанавливаются на соответствующих рабочих органах 7, 17, 19, либо сообщаются для установки оператору 28 уборочной машины 1. После этого уборочная машина 1 работает с этими оптимизированными параметрами 51', и датчики 24 потерь зерна определяют текущее значение потерь зерна 23 в уборочной машине 1. Это текущее значение потерь зерна 23 как часть внутримашинных данных 43 передается в систему 41 обработки данных и сравнивается в ней с заданными целевыми значениями 47. Если эти полученные целевые значения 47' совпадают с заданными целевыми значениями 47, выполнение выбранного алгоритма 50 действий заканчивается. Если полученные целевые значения 47' не совпадают с заданными целевыми значениями 47, алгоритм 50 действий согласно фиг.3 выполняется до тех пор, пока не будут получены оптимизированные параметры 51'', причем возможно также, что система 41 обработки данных произведет корректировку целевых значений 59. Произведенная по этому способу оптимизация регулируемых параметров 51 сельскохозяйственной уборочной машины 1 учитывает множество граничных условий, которые при оптимизации, выполняемой машинистом, не могли бы быть учтены. Несмотря на большое количество параметров предлагаемый изобретением способ позволяет осуществить быструю и точную оптимизацию регулируемых параметров 51. К тому же сохранение различных записей 66 в системе обработки данных 41 обеспечивает быструю воспроизводимость, которая, кроме того, делает возможной любую корректировку записей 66. Это имеет важное значение, потому что учитываемые экспертные знания постоянно совершенствуются и таким способом непрерывно и просто могут поддерживаться на текущем уровне.

1. Способ оптимизации регулируемых параметров, по меньшей мере, одной сельскохозяйственной машины, снабженной системой обработки данных, отличающийся тем, что оптимизацию регулируемых параметров (51) осуществляют путем выполнения, по меньшей мере, одного заложенного в систему (41, 49) обработки данных алгоритма (42а-с, 50) действий, который может быть выбран из множества алгоритмов (42а-с, 50), и посредством системы (41, 49) обработки данных в зависмости от внутримашинных данных (43) и/или внемашинных данных (44) и/или целевых значений (47) предлагают или автоматически выбирают алгоритм (42а-с, 50) действий, причем, по меньшей мере, часть внутримашинных данных (43) и/или внемашинных данных (44) и/или целевых значений (47) определяет модель (60) ситуации для соответсвтующих алгоритомов (42а-с, 50) действий, и посредством системы (41, 49) обработки данных для оптимизации регулируемых параметров (51) в зависимости, по меньшей мере, от части определяющих модель (60) данной ситуации внутримашинных данных (43) и внемашинных данных (44), а также с учетом целевых значений (47) выбирают для обработки из заложенных моделей (60) ситуации наиболее близкую или идентичную модели (60) данной ситуации модель (60) ситуации и связанный с этой моделью (60) ситуации алгоритм (42а-с, 50) действий.

2. Способ по п.1, отличающийся тем, что оптимизация регулируемых параметров (51) определяется редактируемыми и/или сохраняемыми в памяти целевыми значениями (47).

3. Способ по п.1, отличающийся тем, что система (41) обработки данных является диагностической системой (49).

4. Способ по п.3, отличающийся тем, что посредством системы (41, 49) обработки данных обрабатывают внутримашинные данные (43) и внемашинные данные (44) с учетом целевых значений (47) и генерируют подлежащие последующей обработке выходные данные (40, 48).

5. Способ по п.4, отличающийся тем, что внутримашинные данные (43), внемашинные данные (44) и выходные данные (40, 48) являются редактируемыми и сохраняемыми в памяти системой (41, 49) обработки данных.

6. Способ по одному из пп.3-5, отличающийся тем, что система (41, 49) обработки данных работает в функции времени.

7. Способ по п.4, отличающийся тем, что внутримашинные данные (43) являются оптимизируемыми регулируемыми параметрами (51), прочими параметрами (52) и внутренними экспертными знаниями (53).

8. Способ по п.7, отличающийся тем, что оптимизируемыми регулируемыми параметрами (51) являются скорость движения машины, скорость вращения, по меньшей мере, одного молотильного барабана (8) и/или скорость вращения вентилятора (16), по меньшей мере, одного очистительного устройства (17).

9. Способ по п.7, отличающийся тем, что прочие параметры (52) являются характерными параметрами убираемого продукта, и/или характерными параметрами машины, и их значения либо определяются связанными с работой машины (1, 2) датчиками (24-27) или вводятся извне.

10. Способ по п.9, отличающийся тем, что прочими параметрами (52) являются потери зерна (23), поток (20) зерна, влажность убираемого продукта, суммарный поток убираемого продукта и/или доля поврежденного зерна.

11. Способ по п.9, отличающийся тем, что прочими параметрами (52) являются диапазоны регулирования параметров рабочих органов (7, 17, 19).

12. Способ по п.4, отличающийся тем, что внемашинные данные (44) генерируются внешними системами и являются агротехническими данными (54), географическими данными (55), метеорологическими данными (56)и/или внешними экспертными знаниями (57).

13. Способ по п.7, отличающийся тем, что внутренние экспертные знания (53) и внешние экспертные знания (57) являются данными, относящимися к убираемому продукту и/или к машине, и представляют собой эмпирические знания.

14. Способ по п.1, отличающийся тем, что, по меньшей мере, один алгоритм (42а-с, 50) действий системы (41, 49) обработки данных может выполнять процедурные диагнозы, и/или ситуационные диагнозы, и/или диагнозы, ориентированные на модель.

15. Способ по п.1, отличающийся тем, что система (41, 49) обработки данных выполнена с возможностью генерировать измененные алгоритмы (50) действий в зависимости от внутримашинных данных (43) и внемашинных данных (44), а также с учетом целевых значений (47).

16. Способ по п.1, отличающийся тем, что система (41, 49) обработки данных выполнена с возможностью генерировать измененные модели (60, 62) ситуаций в зависимости от внутримашинных данных (43) и внемашинных данных (44), а также с учетом целевых значений (47).

17. Способ по одному из пп.15-16, отличающийся тем, что алгоритмы (50) действий и/или модели (60) ситуаций сохраняют в записях (66), которые охватывают, по меньшей мере часть внутримашинных данных (43) и внемашинных данных (44), а также целевых значений (47).

18. Способ по одному из пп.15-16, отличающийся тем, что модели (60) ситуаций и относящиеся к ним алгоритмы (50) действий и/или оптимизированные регулируемые параметры (51) сохраняют в системе (41, 49) обработки данных с возможностью их использования на других машинах.

19. Способ по п.1, отличающийся тем, что машина является сельскохозяйственной уборочной машиной (1, 2), и, по меньшей мере, один алгоритм (42а-с, 50) действий определяют в зависимости от условий уборки сельскохозяйственной уборочной машины (1, 2).

20. Способ по п.1, отличающийся тем, что алгоритмы (42а-с, 50) действий могут корректироваться посредством опроса экспертов.



 

Похожие патенты:

Изобретение относится к проактивному интерфейсу пользователя, установленному на любом виде вычислительного устройства. .
Изобретение относится к технике секретной связи и может быть использовано для передачи, распределения и смены криптографических ключей для пользователей в территориально разнесенной системе.

Изобретение относится к информатике и вычислительной технике. .

Изобретение относится к вычислительной технике и предназначено для ограничения доступа к информации путем биометрической идентификации личности по индивидуальным особенностям почерка, выявляемым при воспроизведении пользователем заранее известной парольной фразы или подписи.

Изобретение относится к вычислительной технике и используется для обработки сигналов, которые состоят из множества компонентов, каждый из которых представляет какой-то один аспект физического объекта.

Изобретение относится к вычислительной технике и может быть использовано для имитационного моделирования нейронных сетей любой требуемой архитектуры. .

Изобретение относится к техническим средствам информатики и вычислительной техники и может быть использовано для обработки информационных потоков и массивов данных текстового и числового типов в соответствии с заданным нормальным алгоритмом.

Изобретение относится к области вычислительной техники и предназначено для прогноза событий или свойств объектов при использовании индуктивных методов логики искусственного интеллекта.

Изобретение относится к области компьютерного управления по сетям удаленного доступа. .

Изобретение относится к регулирующим и управляющим системам общего назначения, а именно к средствам и системам управления газопоршневым электроагрегатом. .

Изобретение относится к системам автоматического управления и может быть использовано для линейных динамических объектов периодического действия с априорно-неопределенными параметрами.

Изобретение относится к контрольно-измерительной технике и может быть использовано при создании систем автоматического контроля и диагностирования сложных радиоэлектронных изделий (РЭИ).

Изобретение относится к электротехнике и может быть использовано для автоматизации управления реверсивными электроприводами протяженных конвейеров возвратно-поступательного движения.

Изобретение относится к автоматике и служит для слежения за работой различных импульсных устройств, например электронно-вычислительных машин любой модификации или систем автоматизированного управления.

Изобретение относится к швейным машинам и может быть использовано для управления их работой. .

Изобретение относится к области автоматического управления и предназначено для импульсных преобразователей напряжения, может найти широкое применение в управлении электроприводами и регулируемыми вторичными источниками питания.

Изобретение относится к способу оптимизации регулируемых параметров машины

Наверх