在阅读本文前点个关注，每日分享有价值的信息，感谢支持

由于世界人口的增长，对粮食的需求不断增加，这给农民增加了作物产量带来了压力。到 2050 年，全球人口预计将达到 9 亿，对粮食的需求预计将增加 7%。农民需要提高作物产量和生产效率来满足这一需求。

采用农业2019.4是实现这一目标的一种方式。这些技术使用物联网、大数据分析、机械化机械和机器人等先进工具来实现农业现代化和优化。这些工具可以帮助农民简化运营、做出数据驱动的决策并优化资源利用。

欧洲议会报告说，农业 2022.4 有可能显着提高农业部门的生产力和效率，并解决养活不断增长的全球人口的挑战。

然而，与发达国家相比，发展中国家对现代农业技术的采用率普遍较低，这是由于各种因素，如获得信贷的机会有限、基础设施不足以及缺乏知识和技能。

发展中国家的大多数农民已经开始采用现代农业实践，包括使用机械化农具，并且由于农产品需求的增加，已经从传统农业过渡到现代农业。

与传统方法相比，机械化耕作作业可以在更短的时间内提供所需的工作质量。每个农田在收获后都要经过几次土壤耕作操作，为下一季作物的播种准备所需的土壤条件。

如今，农民更喜欢旋耕机操作进行田间准备，以便在更短的时间内获得所需的土壤质量。 事实上，拖拉机被认为是农业的支柱，没有这台机械，农民就无法满足不断增长的生产需求。 尽管如此，拖拉机及其操作的机械仍会导致职业振动暴露，从而可能导致拖拉机驾驶员的不适和健康问题。

传感器在现代农业中发挥着至关重要的作用，有助于提高农业活动的性能、效率和安全性。随着物联网的集成，基于农业的传感技术变得更加先进，并在精准农业、实时监控、预测性维护、车队管理、数据驱动的决策，并增强了安全性。

之前的几项研究报告了与评估不同条件下拖拉机行驶舒适性相关的研究结果。一些研究已经成功地应用ML技术来研究各种情况下的振动暴露响应。

尽管有这些成功的 ML 应用，但很少有研究考虑 ML 在拖拉机司机上的应用。具体来说，这些研究仅限于关注拖拉机司机背景下的心理生理行为、工作量评估和驾驶表现。

据观察，关于应用ML技术分析和预测拖拉机驾驶员的振动暴露以提高乘坐舒适性的研究很少。乘坐舒适性评估方法要求将传感器安装在地板、座盘和座椅靠背上，以捕获频率加权加速度沿平移轴的响应。这允许在人体和振动输入之间的三个界面处测量振动。

本文分为几个部分。概述了用于实现研究目标的方法。这包括与研究参与者、地形和机械、实验和设备设计、机器学习技术以及整个分析中使用的软件相关的重要细节。详细介绍了实验结果。最后，介绍了我们研究的主要结论，并提供了对未来影响的见解。

1. 方法论

方法论部分介绍了几个描述实验工作的小节，包括物联网模块的开发，然后是几个小节，解释了本研究中使用的不同机器学习技术。

1.1. 研究参与者

五名男性参与者，平均年龄为22.8岁，自愿参加实验。参与者的平均身高为1.75米，平均体重为71公斤。所有参与者均具有农业背景，平均具有5年的拖拉机驾驶经验。

参与者没有报告任何现有的肌肉骨骼疾病或对振动暴露的敏感性。该实验由印度卢迪亚纳GNDEC的安全和伦理委员会审查和批准，所有参与者在开始实验之前都提供了书面同意。

1.2. 地形和机械

这项调查是在印度卢迪亚纳旁遮普农业大学占地 2.073 英亩的农业土地上进行的。该田地为砂质粘壤土，由27%粘土、66.25%沙土和9.27%淤泥组成。根据测定，土壤含水量在48.61%至55.43%之间。

使用数字土壤渗透仪测量，在12至22.29 m、0.0至06.0 m和05.0至11.0 m的深度，土壤密实度分别约为10、0和16 kPa。

在这项研究中，使用了Farmtrac 65 EPI拖拉机，功率为55马力，两轮驱动。使用的座椅是制造商安装的原始座椅。一台工作宽度为 2.13 m、重 455 kg 的旋耕机安装在拖拉机上，用于旋转作业。

旋转器的尺寸为1.35×2.50×0.94 m，配备 48 个固定在 8 个法兰上的 C 形刀片，能够切割 1.237 m 宽和 0.15 m 深。这种类型的旋转器在印度旁遮普邦的农民中最受欢迎，因为它能够切割土壤，同时比 L 形或 J 形刀片消耗更少的能量。

1.3. 实验和设备的设计

本节提供了有关实验设计各个方面的全面信息，包括田口正交阵列的应用。此外，它还讨论了传感器、数据记录器和物联网模块在收集准确和实时数据方面的具体技术细节，这些细节将在后续小节中进一步阐述。

为了确保对三个研究变量进行有效测试，使用田口的 L27 正交阵列通过提供自变量的组合来设计实验。采用这种方法以尽可能少的实验测试次数实现实验设计。

增加实验数量需要利用更大的农田，这是不可用的，或者在同一农田上进行实验，这可能会影响土壤的相容性和水分含量以及其他土壤特性。用于实验测试的必要自由度用于选择田口正交阵列。

1.4. 传感器和数据记录仪

在这项工作中，评估了乘坐舒适性，同时考虑了拖拉机驾驶员从三个不同输入暴露的振动。因此，在整个实验过程中，在每个位置都测量了振动。使用两个SV 38 V MEMS三轴座垫加速度计测量座盘和靠背的振动。

使用安装在拖拉机车身上的SV 151 MEMS加速度计测量地板上的振动，尽可能靠近座椅底座。

实验数据分析

通过同时测量三个不同位置的整体振动强度来评估拖拉机的行驶舒适性：座椅、靠背和地板。通过组合这三个位置的振动测量值来计算总振动响应。这样可以全面评估操作员在拖拉机行驶过程中所经历的振动。

整个实验过程的示意图如图所示。振动的测量依据是一个w沿纵向方向、横向方向和垂直方向的每个位置。在向量和期间，将每个分量的RMS值乘以ISO 2631-1给出的比例因子。然后，在获得PVTV后，使用RMS方法根据“整体振动值（OVV）”评估乘坐舒适性

2.6.1. 线性回归

LR 广泛用于与 ML 一起使用，用于基于一个或多个预测变量预测连续响应变量。它的工作原理是将线性方程拟合到数据，其中响应变量被建模为预测变量的线性函数。

有限的研究使用 LR 方法来预测对振动的反应。LR 已被广泛用于 ML 中用于确定目标数据分布的最佳模型的方法，并且它具有通过迭代操作检测多维线性相关性的优势。

LR 由表示预测变量的单层输入节点和表示响应变量的单个输出节点组成。输入节点接收预测变量的值，输出节点基于输入值的线性组合生成响应变量的预测。

该模型由一组系数定义，也称为权重，这些系数是从训练数据和偏差中学习的。这些系数确定输入节点和输出节点之间连接的强度，并用于计算响应变量的预测值。

偏差是移动响应变量预测值的附加参数。权重和偏差是通过最小化损失函数来学习的，该损失函数测量预测值与响应的实际值之间的差异。目标是找到导致最低损失的权重和偏差值，以便模型可以做出准确的预测。LR算法的合成如图所示。

3. 结果和讨论

发现部署的物联网系统可有效远程获取振动数据，平均延迟时间为2 s。但是，应该注意的是，由于可能存在的连接和网络问题，数据传输可能需要比预期更长的时间。

确保稳定的网络连接以确保数据传输顺畅至关重要。对于本文中讨论的应用，几秒钟的延迟是可以接受的。三个测量位置的振动水平以沿三个平移轴的原始加速度值记录。

对于频域分析，处理座盘处的振动水平，以使用FFT计算离散傅里叶变换。该分析用于获得拖拉机行驶过程中的主要振动频率。此外，振动数据用于分析PSD响应，提供有关振动信号的频率成分和强度的信息。

PSD被认为是信号功率作为频率函数的统计度量，它直观地表示了不同频率的功率分布。在以下小节中，将介绍和讨论实验结果和不同ML预测技术的性能。

4. 结论和未来影响

本研究对使用基于物联网的智能设备评估实田旋土耕作操作期间拖拉机行驶舒适性进行了详细调查。这项研究是整合农业4.0和机器学习来预测乘坐舒适性的一步。

频谱分析响应表明，拖拉机司机沿平移轴受到低频振动。发现主导频率接近人体各个身体部位的固有频率，这可能会对暴露于振动的人造成不适或伤害。

确定可能影响乘坐舒适性的主导频率可能有助于拖拉机设计师开发解决方案来抑制主要振动并提供更安全的拖拉机骑行。拖拉机设计师可以使用这些预测信息来评估和优化拖拉机设计。

发现拖拉机速度和工具深度在 5% 的显著性水平上对拖拉机乘坐舒适性的影响是显着的。拖拉机的速度对乘坐舒适性的影响最大，其次是工具深度，最后是拉力。

贝叶斯优化也被发现是提高拖拉机乘坐舒适性预测准确性的有效方法。ANN模型被发现在预测拖拉机行驶舒适性方面最准确，紧随其后的是SVM和GPR。

尽管与 SVM、GPR 和 ANN 模型相比，DTR 和 LR 模型的预测准确性较低。未来的应用可能会看到预测模型集成到拖拉机的控制系统中，以实时监控其性能，并调整操作条件以优化操作期间的乘坐舒适性。

本研究检查了三种行驶特性：平均速度、刀具深度和拉力。未来的研究可能会考虑其他特征，如轮胎充气、不同密度和厚度的座垫等。

此外，未来的研究可能会探索替代机器学习方法，包括模糊时间序列，自适应神经模糊推理系统，具有双重自我蒸馏的高效时间网络，联邦蒸馏学习、现代数据驱动的故障诊断 、径向基函数神经网络。

未来的研究值得调查不同训练比率对模型性能的影响。这种分析将为训练比率与预测准确性之间的相关性提供有价值的见解。

参考文献：

1. Amandeep Singh, Naser Nawayseh, Harwinder Singh, Yash Kumar Dhabi, Siby Samuel,Internet of agriculture: Analyzing and predicting tractor ride comfort through supervised machine learning,Engineering Applications of Artificial Intelligence,Volume125,2023,106720,ISSN0952-1976,https://doi.org/10.1016/j.engappai.2023.106720.
2. Amoussou Coffi Adoko, Candan Gokceoglu, Li Wu, Qing Jun Zuo,Knowledge-based and data-driven fuzzy modeling for rockburst prediction,International Journal of Rock Mechanics and Mining Sciences,Volume 61,2013,Pages 86-95,ISSN 1365-1609.
3. S Agatonovic-Kustrin, R Beresford,Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research,Journal of Pharmaceutical and Biomedical Analysis,Volume 22, Issue 5,2000,Pages 717-727,ISSN 0731-7085,https://doi.org/10.1016/S0731-7085(99)00272-1.
4. Fares Almomani,Prediction of biogas production from chemically treated co-digested agricultural waste using artificial neural network,Fuel,Volume 280,2020,118573,ISSN 0016-2361,https://doi.org/10.1016/j.fuel.2020.118573.
5. Adel Bakhshipour, Abdolabbas Jafari,Evaluation of support vector machine and artificial neural networks in weed detection using shape features,Computers and Electronics in Agriculture,Volume 145,2018,Pages 153-160,ISSN 0168-1699,https://doi.org/10.1016/j.compag.2017.12.032.