Monitoring Method of Total Seed Mass in a Vibrating Tray Using Artificial Neural Network
Notice bibliographique
Résumé
To maintain the continuous working performance of a vacuum plate seeder, it is important to monitor the total seed mass in the seed tray in real time and accurately control the pickup position of the suction plate accordingly. Under the excitation of reciprocating vibration varying with time and interference by direction angle, the motion of seeds in a rectangular tray was simulated using the discrete element method (DEM). A measurement method for seed mass in a small area was proposed based on the impulse theorem. The impact force of seeds was monitored with a cantilever force sensor, and the corresponding signal processing circuit was designed. Calibration results indicated that the relative nonlinear error was less than 2.3% with an average seeds-mass-per-unit-area (SMA) of 0.3⁻2.4 g/cm². Then, four sets of force sensors were installed symmetrically near the four corners of the vibrating tray which were used to measure the SMA respectively. Back propagation (BP) neural networks which take four SMA measurement results as input parameters were developed to monitor the total seed mass in the tray. Monitoring results using DEM simulation data showed that the general relative error was 3.0%. Experiments were carried out on a test-rig and the results validated that the relative error was reduced to 5.0% by using the BP neural network method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».