• Forschung - einfache Suche
  • Projektsuche
  • Publikationssuche

Sensorsystementwicklung für eine beschädigungsarme Zuckerrübenernte – Stand und Perspektiven

  • Autor/in: Wilczek, U., B. Kulig, H.-J. Koch, R. Kälberloh, O. Hensel
  • Jahr: 2019
  • Zeitschrift: Sonderheft 14. Göttinger Zuckerrübentagung, Sugar Industry (2019) 144
  • Seite/n: 81-88
  • Stichworte: Zuckerrübenroder, Spitzenbruch, Oberflächenbeschädigung, Langzeitlagerung, Zuckerverlust, Sieb-stern, Messrübe, Körperschall, Hochgeschwindigkeitskamera, Machine-Learning

Abstract

Ziel des Projektes SmartBeet war die Entwicklung eines Sensorsystems, das Beschädigungen des Rübenkörpers in den Reinigungsaggregaten von Zuckerrübenrodern detektiert. Auf dieser Grundlage können Fahrerassistenzsysteme implementiert werden, die beschädigungsarm gerodete Rüben mit optimaler Lagereignung gewährleisten. Lagerungsversuche in Klimacontainern zeigten, dass bei Siebsternreinigung der Spitzenbruch am Rübenkörper hinreichend genau mit Zuckerverlusten korreliert und damit als allgemeiner Indikator für Verletzungen geeignet ist. In einem Fallversuch wiesen schwere (>700 g), mit der Spitze und aus mittlerer Fallhöhe (2,5 m) auftreffende Rüben den größten Spitzenbruch auf. Rodeversuche mit Messrüben, die mit Accelerometern und Drucksensoren ausgerüstet und natürlichen Rübenkörpern nachgebildet waren, zeigten, dass neben der Stärke der Belastungen auch die Belastungsart und -form für das Auftreten von Beschädigungen wesentlich sind. Die Belastungen in den Reinigungsorganen waren geringer als die in den Rode- bzw. Zuführungsorganen und im Ringelevator. Wesentlich für das Auftreten von Beschädigungen scheint der Füllzustand im Förderkanal zu sein. Im Rodebetrieb wurden außerdem die Frequenzspektren des Körperschalls der Siebstern-Leitroste mittels Akustiksensoren erfasst. Diese Informationen können den mit Hochgeschwindigkeitskameras aufgezeichneten Beschädigungsereignissen zugeordnet werden. Zukünftig sollen Segmente des Zeitsignals und die zugehörigen Fast-Fourier-transformierten Frequenzspektren zu Eigenschaftsvariablen kombiniert und daraus ein Machine-Learning-Modell entwickelt werden.
FaLang translation system by Faboba
IfZ - Institut für Zuckerrübenforschung · Holtenser Landstr. 77 · 37079 Göttingen · mail@ifz-goettingen.de · Impressum · Datenschutz previous_page