I dag finns det teknik med sensorer som i förväg kan upptäcka fel på en traktor. Traktorn kan då skicka ett larm till återförsäljarens verkstad när något håller på att gå sönder, och därmed kan traktorn stoppas och underhållas innan ett haveri uppstår. Samma teknik kan vidareutvecklas och användas för att få fram ännu bättre och hållbarare traktorer.
I en tysk studie fokuseras på att förbereda och klassificera data för Fendt-traktorer i serierna 800, 900 och 1000, särskilt för fältteständamål. Totalt omfattar undersökningen 38 traktorer i drift över Europa under fem år, vilket motsvarar cirka 29.000 driftstimmar. Målet är att använda IoT-data för att skapa en effektiv modell som kan användas på Fendts ”vanliga” traktorer med samma teknik.
Data samlades in från sensorer på de i studien ingående traktorerna och denna data skickas som information via en telemetrimodul till AGCO:s molntjänst. Den använda IoT-datan är baserad på CAN-BUS och GPS, och registrerar traktorns driftcykler, framkörningshastighet, motorvarvtal, tomgångstider och kraftuttagshastighet.
För att förbättra noggrannheten i modellbyggandet, genomfördes en noggrann datarensning med hjälp av flera steg, inklusive definition av driftcykler och segmentering av tillbehörens användning baserat på GPS-koordinater och tidsstämplar.
För att hantera de komplexa data som samlades in under testet tilldelades varje redskap till specifika segment baserat på traktorns arbete på fältet eller vägtransporter. En speciell teknik användes för att särskilja markarbete från körning på väg.
Algoritmer
Modellen byggdes med två olika maskininlärningsalgoritmer; Support Vector Machine och Random Forest. Dessa användes för att klassificera traktorns driftlägen och redskap. Data delades upp i tränings- och testuppsättningar för att undvika överanpassning och för att säkerställa modellens generaliserbarhet.
För att förbättra prestanda och förhindra att någon enskild funktion dominerade inlärningen, standardiserades varje funktion innan den användes i modellen, det vill säga data som inte var relevant rensades bort.
Modellen visade en märkbar förbättring när den flerstegsrensade datan användes, med en noggrannhet som ökade från 74 till 88 procent för alla driftslägen. Dock visade det sig att det fortfarande fanns utmaningar, särskilt i samband med obalanser i klassfördelningen av driftlägen, som jordbearbetning respektive transport. Programvaran hade således svårt att skilja mellan dessa två arbeten för traktorn.
Slutsatsen är dock att potentialen är stor för att använda maskininlärning för att klassificera olika arbetslägen och redskap för en traktor. Huvudinnovationen är den flerstegsrensade datarensningen som tillämpades för att förfina IoT-datan.
För att ytterligare förbättra resultatet rekommenderas att fler CAN-BUS-sensordata inkluderas och att driftlägen omgrupperas för att bättre fånga variationer i last- och arbetsförhållanden. För traktortillverkare är det avgörande att förstå och kvantifiera hur deras maskiner används för att kunna optimera design och funktionalitet i framtida modeller.
Den viktiga traktorn
I dagens lantbruk är traktorer en oumbärlig del av produktionskedjan, där deras effektivitet och hållbarhet är avgörande för att möta de växande globala livsmedelsbehoven. För att förbättra traktorns prestanda och erbjuda nya tjänster, som förutseende underhåll och optimering av maskininställningar, är det viktigt för tillverkare att kvantifiera och noggrant förstå traktorns olika driftlägen.
Denna studie introducerar en maskininlärningsmodell för att klassificera traktorns driftlägen, baserat på sensordata från traktorns CAN-BUS-system och GPS-data. Modellen tyder på att ytterligare sensordata skulle kunna förbättra klassificeringens precision.
Den föreslagna och testade klassificeringsmetoden har två huvudsakliga syften; att hjälpa tillverkare att optimera sina traktorer för att bättre möta marknadens krav och att erbjuda potentiella tjänster för realtidsoptimering och förutseende underhåll.
Studien visar att, även om metoden har stor potential, det krävs ytterligare förfining innan den kan användas i serieproduktion av traktorer. Men forskningen här lägger grunden för framtida framsteg inom detta område, med målet att utveckla mer effektiva och hållbara traktorer för jordbrukssektorn.