Sensorgestützte Modellierung der Faserstoff-Partikel-Separierung (Band 8)

Vorschau

Leseprobe, PDF (670 KB)
Inhaltsverzeichnis, PDF (650 KB)

Die Transformation hin zur Digitalisierung ist genauso gesetzt wie die Transformation zur Elektromobilität und Energiewende. Der Digitale Zwilling wiederum bildet eine entscheidende
Brücke zur künstlichen Intelligenz. Bei der künstlichen Intelligenz ist die Entwicklung noch
nicht so klar und eindeutig wie auch ihre Definition. Es ist also aus unterschiedlichen aber
gewichtigen Gründen nötig, sich sowohl mit künstlicher Intelligenz als auch Digitalisierung
eingehend zu beschäftigen. Daher wurde die vorliegende Reihe „Künstliche Intelligenz – Digitalisierung“ ins Leben gerufen, auch um als Querschnittsfunktion die bereits etablierten Reihen „Mobilität – Zukunft“ und „Energie & Nachhaltigkeit“ zu ergänzen. Um dem essentiellen Charakter dieser Querschnittsfunktion, aber auch gleichzeitig der Fokussierung auf wesentliche Kernthemen gerecht zu werden, haben wir die Reihe „Künstliche Intelligenz – Digitalisierung“ auf folgende Anwendungsfelder fokussiert: Energiewende, Elektromobilität, Medizin und Kommunikation. Umgekehrt schärfen diese Anwendungsfelder in Zukunft die Definition und Bedeutung von künstlicher Intelligenz und Digitalisierung. Man denke an die Bilderkennung von Tumoren, die in diesem besonderen Falle eine künstliche Intelligenz besser als ein Mensch leisten kann. Daher sind Forschungsergebnisse und bahnbrechende Erkenntnisse im Bereich künstlicher Intelligenz und Digitalisierung und vor allen Dingen die Sichtbarkeit und Verbreitung dieser Ergebnisse essentiell für die zukünftige Entwicklung der Gesellschaft. Dazu möchte diese neue interdisziplinäre Forschungsreihe einen maßgeblichen Beitrag leisten.

Die Digitalisierung und insbesondere Verfahren der Künstlichen Intelligenz eröffnen neue Möglichkeiten, Ernteprozesse in Mähdreschern datenbasiert zu überwachen und zu automatisieren. Die Steigerung von Durchsatzleistung und Automatisierung macht die präzise Erfassung von Kornverlusten dabei zu einer zentralen Aufgabe. Insbesondere Abscheideverluste in Rotoraggregaten sind unter wechselnden Bestands-, Witterungs- und Maschineneinstellungen bislang nur mit erheblichem Kalibrieraufwand zuverlässig zu bestimmen.

Die vorliegende Arbeit untersucht daher, ob sich der Abscheideverlauf als Grundlage für eine genauere Vorhersage des Kornverlustmassenstroms nutzen lässt. Hierfür wird ein zweidimensionales Sensornetzwerk aus piezoelektrischen Körperschallsensoren aufgestellt, das die Kornabscheidung unterhalb eines Rotoraggregats erfasst. Umfangreiche Labor- und Feldversuche mit Weizen liefern die Datenbasis für die Modellbildung und Validierung.

Auf dieser Grundlage werden analytische Abscheidemodelle und Ansätze des Maschinellen Lernens gegenübergestellt. Die Untersuchung zeigt einen belastbaren funktionalen Zusammenhang zwischen Abscheideverlauf und Kornverlusten. Insbesondere künstliche neuronale Netze ermöglichen präzise, robuste und ressourceneffiziente Vorhersagen. Damit schafft die Dissertation eine Grundlage für die datenbasierte Prozessüberwachung sowie die weitergehende Automatisierung von Mähdreschern und leistet einen Beitrag zu einer effizienteren und ressourcenschonenderen Landwirtschaft.