Index of /rozprawy2/11161

Pełen tekst

(1)Akademia Górniczo – Hutnicza im. Stanisława Staszica w Krakowie Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej. Rozprawa doktorska ________________________________________________________________. Zastosowanie sztucznej sieci neuronowej do oceny stopnia wyszkolenia operatora wybranych urządzeń stosowanych w rolnictwie precyzyjnym ____________________________________________________ mgr inż. Karolina Trzyniec. Promotor: prof. zw. dr hab. inż. Adam Kowalewski. Kraków 2016.

(2) „Tyle jest w każdym poznaniu nauki,. ile jest w nim matematyki” Immanuel Kant.

(3) Spis treści. Spis Treści Podstawowe terminy ............................................................................................................................. 4 1. Wstęp ................................................................................................................................................ 6 2. Cel i zakres pracy................................................................................................................................ 8 3. Sieci neuronowe – przegląd literatury .............................................................................................. 10 3.1. Rys historyczny rozwoju sieci neuronowych................................................................................... 10 3.2. Model sztucznego neuronu ............................................................................................................ 13 3.3. Budowa i zasada funkcjonowania sztucznej sieci neuronowej ....................................................... 16 3.4. Metody uczenia sieci neuronowych ............................................................................................... 20 3.5. Zastosowanie sztucznych sieci neuronowych w praktyce .............................................................. 24 3.6. Zastosowanie sztucznych sieci neuronowych w rolnictwie ............................................................ 27 4. Ciągnik rolniczy w systemie rolnictwa precyzyjnego ........................................................................ 34 4.1. Rys historyczny rozwoju ciągnika rolniczego .................................................................................. 37 4.2. Budowa i przeznaczenie ciągnika rolniczego .................................................................................. 39 4.3. Ciągnik rolniczy jako system. Sterowanie w ciągniku rolniczym ..................................................... 41 4.4. Kompetencje kierowcy – operatora. Obsługa codzienna ciągnika rolniczego ................................ 44 4.5. Systemy w rolnictwie precyzyjnym. Urządzenia wspomagające prowadzenie ciągnika rolniczego ............................................................................................................................................................... 47 4.6. Problemy obsługi nowoczesnych systemów wspomagających jazdę ciągnika ............................... 57 5. Metodyka przeprowadzonych badań ............................................................................................... 60 5.1. Dane ................................................................................................................................................ 60 5.2. Konwersja danych ........................................................................................................................... 65 5.3. Obliczenie różnic trajektorii rzeczywistej w porównaniu z trajektorią zadaną ............................... 68 5.4. Zmienność różnic trajektorii rzeczywistej od zadanego toru jazdy wyrażona jako wielomian ....... 69 5.5. Zastosowanie współczynników wielomianu do uczenia sieci neuronowej .................................... 72 5.6. Wybór rodzaju sieci neuronowej .................................................................................................... 75 6. Analiza wyników modelowania........................................................................................................ 80 6.1.Wyznaczenie optymalnej architektury sieci .................................................................................... 82 6.2. Uczenie sieci ................................................................................................................................... 88 6.3. Ocena skuteczności sieci i przebieg błędu ...................................................................................... 92 7. Wnioski i perspektywy dalszych badań .......................................................................................... 100 8. Spis tabel ....................................................................................................................................... 103 9. Spis rysunków ................................................................................................................................ 105 10. Literatura ..................................................................................................................................... 109 11. Aneks ........................................................................................................................................... 133. 3.

(4) Podstawowe terminy. Podstawowe terminy . Automatyzacja – wprowadzenie do produkcji, transportu i innych dziedzin – urządzeń automatycznych (tj. wykonujących cały cykl pracy bez udziału człowieka). w celu. samoczynnego. sterowania,. regulowania. obiektów. technicznych oraz kontrolowania przebiegu różnych procesów [Juszka 2006]. . Mechanizacja – działanie polegające na zastąpieniu pracy ręcznej pracą maszyn [Kossowski, Orliński 1996].. . Robotyzacja – działanie mające na celu automatyzację pracy produkcyjnej za pomocą maszyn manipulacyjnych [Juszka 2006].. . Operator – osoba, której powierzono zadania zainstalowania, użytkowania, regulacji, konserwacji, czyszczenia, naprawy lub transportu maszyny [Słownik Bezpieczeństwa Maszyn, online].. . Urządzenia sygnalizacyjne – to urządzenia takie jak: lampki kontrolne, wskaźniki zegarowe, wyświetlacze cyfrowe itp., przekazujące operatorowi informacje o parametrach użytkowych (eksploatacyjnych) obsługiwanego urządzenia technicznego. Informacje te przekazywane są w umownym kodzie (języku), jakim są liczby, cyfry, symbole lub wyrazy [Juliszewski i in. 2012].. . Biocybernetyka – nauka pozwalająca konstruować systemy techniczne oparte na budowie i funkcjach systemów biologicznych [Tadeusiewicz 1998].. . Dane. –. reprezentują. fakty.. W systemach. zarządzania. wspomaganych. komputerowo dane są kodowane za pomocą odpowiednich symboli. Mogą być rejestrowane, przetwarzane i przesyłane. Dane są przesyłane do świadomości odbiorcy w postaci komunikatu. Choć same dane nie mają znaczenia ani celu, to dobór odpowiednich symboli może narzucać lub sugerować ich określoną interpretację [Grabowski, Zając 2009].. 4.

(5) Podstawowe terminy. . Informacja – to treści zawarte w komunikacie, zinterpretowane przez odbiorcę, mające dla niego znaczenie i wnoszące do jego świadomości element nowości, czyli zmniejszające jego niewiedzę. Aby treści te stały się informacją niezbędny jest ich odbiorca, który decyduje, po pierwsze czy chce je zinterpretować, po drugie czy są one dla niego zrozumiałe i w jakim stopniu. Wówczas treści stają się dla odbiorcy wiadomością. Następnie odbiorca określa czy wiadomość jest powtórzeniem czegoś co już wie, czy też stanowi dla niego element nowości, jeśli tak, to wiadomość staje się informacją. Ponieważ informacja zależy od zdolności. interpretacyjnych. odbiorcy,. ma. ona. charakter. subiektywny. [Grabowski, Zając 2009]. . Sygnał – wielkość fizyczna zmieniająca się w takt treści wiadomości i niosąca energię w postaci przydatnej do przesyłania na odległość, przetwarzania, zapisu. Sygnały powstają na styku bodziec – czujnik. W zależności od wielkości fizycznej i rodzaju energii istnieją różne rodzaje sygnałów. Są to na przykład: - sygnały mechaniczne związane z energią sił, naprężeń i drgań mechanicznych; - sygnały chemiczne związane z energią reakcji chemicznych; - sygnały dźwiękowe związane z energią drgań akustycznych; - sygnały optyczne związane z energią fal świetlnych; - sygnały elektryczne związane z energią elektryczną [Leśnicki 2001].. 5.

(6) Wstęp. 1.. Wstęp Niniejsza rozprawa doktorska składa się ze spisu treści, podstawowych. terminów, 7 rozdziałów, spisu tabel, spisu rysunków, aneksu oraz wykazu literatury zawierającego 243 pozycje i 18 internetowych źródeł zdjęć umieszczonych w pracy. We wstępie (rozdział 1.) omówiono zawartość poszczególnych rozdziałów pracy. W rozdziale 2. zaprezentowano wprowadzenie do tematyki badań oraz sformułowano problem badawczy dotyczący zastosowania sztucznej sieci neuronowej do oceny stopnia wyszkolenia operatora wybranych urządzeń stosowanych w rolnictwie precyzyjnym. Sprecyzowano cel rozprawy wraz z jego uzasadnieniem. Sformułowano tezę dysertacji oraz przedstawiono zakres pracy. W rozdziale 3. dokonano przeglądu literatury dotyczącego sieci neuronowych. Podano rys historyczny rozwoju sieci neuronowych oraz opisano model sztucznego neuronu. Następnie opisano budowę i podano zasadę funkcjonowania sztucznej sieci neuronowej. Omówiono metody uczenia sieci neuronowych i ich zastosowanie, ze szczególnym uwzględnieniem badań naukowych związanych z rolnictwem. W rozdziale 4. zaprezentowano ciągnik rolniczy w systemie rolnictwa precyzyjnego. Przedstawiono rys historyczny, a następnie omówiono ogólną budowę i przeznaczenie ciągnika rolniczego. Scharakteryzowano kompetencje kierowcy – operatora ciągnika rolniczego i omówiono problem jego codziennej obsługi. Scharakteryzowano ciągnik rolniczy jako system, a następnie omówiono proces sterowania w ciągniku rolniczym. Przedstawiono systemy stosowane w rolnictwie precyzyjnym oraz urządzenia wspomagające jazdę (prowadzenie) ciągnika rolniczego. Zaprezentowano problemy obsługi współczesnych systemów wspomagających jazdę ciągnika. Rozdział 5. dotyczy metodyki przeprowadzonych w pracy badań. Podano informacje dotyczące charakterystyki osób biorących udział w eksperymentach terenowych, przedstawiono przebieg tych eksperymentów oraz sposób rejestracji danych i ich konwersji. Obliczono różnice trajektorii rzeczywistej w porównaniu z trajektorią zadaną. Zaprezentowano zmienność różnic trajektorii rzeczywistej od zadanego toru wyrażoną jako wielomian. Zaproponowano zastosowanie współczynników wielomianu do uczenia sieci neuronowej. Dokonano wyboru rodzaju sieci neuronowej.. 6.

(7) Wstęp. Rozdział 6. dotyczy analizy wyników modelowania, a mianowicie: wyznaczenia optymalnej architektury sieci, uczenia sieci neuronowej i oceny jej skuteczności oraz interpretacji przebiegu błędów popełnianych przez sieć w procesie uczenia. Rozprawę kończy rozdział 7. stanowiący podsumowanie uzyskanych rezultatów oraz prezentujący wyniki końcowe. W rozdziale tym przedstawiono również perspektywy dalszych badań, wynikających z rezultatów rozprawy.. 7.

(8) Cel i zakres pracy. 2. Cel i zakres pracy Problem badawczy: Rozwój mechanizacji rolnictwa sprawił, że praca współczesnego operatora w coraz mniejszym stopniu polega na bezpośredniej obsłudze maszyny rolniczej [Trzyniec 2013]. Głównym zadaniem operatora jest zazwyczaj zarządzanie procesami poprzez sprawną obsługę. zautomatyzowanych. i skomputeryzowanych. urządzeń. sygnalizacyjnych. i sterowniczych [Trzyniec i in. 2015]. Monitorowanie pracy maszyn za pomocą odpowiednich urządzeń sygnalizacyjno – sterowniczych, współpracujących z tymi maszynami, jest jedną z możliwości zastosowań systemów nowoczesnego, precyzyjnego rolnictwa. Systemy te nie tylko umożliwiają pozycjonowanie ciągnika czy maszyny rolniczej na polu, ale przede wszystkim – wspomagają pracę operatora poprzez dokładne prowadzenie pojazdu po wyznaczonej ścieżce [Trzyniec, Kowalewski 2016]. Żeby jednak utrzymać pojazd we właściwym torze jazdy po polu, operator musi nabyć umiejętności odpowiedniego odczytywania wskazań panelu nawigacyjnego oraz prowadzenia pojazdu według tych wskazań. Dane odczytywane przez operatora z panelu nawigacyjnego dotyczą m.in. pozycji pojazdu, kierunku jazdy oraz powierzchni, na której wykonywany jest zabieg agrotechniczny. Praktyczną trudnością, z którą mogą spotkać się operatorzy ciągników współpracujących z systemami nawigacji na pasach równoległych, jest problem z utrzymaniem prostej linii jazdy, bez odchyleń większych niż 20 – 30cm, szczególnie podczas jazdy po polu o nierównych granicach lub położonym na wzniesieniu [Trzyniec, Kowalewski 2016]. Tempo nabywania umiejętności pozwalających na bezbłędną jazdę w wyznaczonym torze jest różne dla każdego operatora. Obserwacja pola z kabiny ciągnika nie pozwala na rzetelną ocenę przejazdów testowych (wykonywanych podczas szkolenia operatora), a niewielki rozmiar ekranu nawigacji uniemożliwia dokładną analizę całej trajektorii ruchu. Z tego powodu trudno jest określić moment nabycia przez operatora odpowiednich umiejętności. Natomiast obiektywne wyznaczenie tego momentu pozwala także na podjęcie decyzji, kiedy szkolenie może zostać przerwane. Wcześniejsze zakończenie szkolenia (gdy zostanie uzyskana pewność, że operator posiadł już wymagane umiejętności) może prowadzić do znacznych oszczędności czasu i środków materialnych (na przykład paliwa potrzebnego do wykonywania przejazdów szkoleniowych).. 8.

(9) Cel i zakres pracy Celem badań było zbudowanie neuronowego modelu rozpoznającego moment nabycia przez operatora umiejętności obsługi nowoczesnej nawigacji na pasach równoległych, stosowanej w rolnictwie precyzyjnym. Poznawcze i utylitarne uzasadnienie celu badań: Neuronowy model rozpoznający moment wyszkolenia operatora umożliwi określenie szybkości (tempa) nabywania umiejętności zawodowych. Dysponowanie narzędziem, pozwalającym na monitorowanie przebiegu postępów szkolenia operatorów pozwoli na zmniejszenie czasu szkolenia. Na podstawie przedstawionego celu badań sformułowano następującą tezę rozprawy: Moment osiągnięcia pożądanego stopnia wyszkolenia operatora może być automatycznie rozpoznawany przez odpowiednio dobraną sztuczną sieć neuronową, uczoną na podstawie danych zbieranych podczas obserwacji procesu szkolenia innych operatorów, przy wykorzystaniu kryterium określonego przez ekspertów. Udowodnienie postawionej tezy wymagało zrealizowania następujących etapów badań: . przeprowadzenie szkolenia 15 potencjalnych operatorów pojazdu współpracującego z nawigacją na pasach równoległych przez osobę nadzorującą szkolenie;. . zgromadzenie danych charakteryzujących trajektorię ruchu pojazdu sterowanego przez operatora w trakcie szkolenia;. . ocenę umiejętności operatora przez osobę nadzorującą badania, według przyjętych i uzasadnionych kryteriów;. . opracowanie zbioru uczącego sztuczną sieć neuronową na podstawie wyników przeprowadzonych badań eksperymentalnych;. . określenie struktury neuronowego modelu oraz jego uczenie;. . analizę wyników uczenia opracowanych sieci neuronowych.. Pojęcie „potencjalnych operatorów” autorka zastosowała dla wyjaśnienia, iż celem eksperymentu nie było zawodowe przygotowanie każdej z osób biorących udział w eksperymencie, lecz określenie szybkości (tempa) uczenia się czynności obsługi systemu LPS (sng. Local Positioning System). W istocie nabycie posiadanych umiejętności oznacza, że operator przestaje być „potencjalny”, lecz jest operatorem w pełnym tego słowa znaczeniu (choć tylko w zakresie nabycia umiejętności, jakich eksperyment dotyczył).. 9.

(10) Sieci neuronowe – przegląd literatury. 3. Sieci neuronowe – przegląd literatury 3.1. Rys historyczny rozwoju sieci neuronowych Tematyka sztucznych sieci neuronowych od wielu lat fascynuje badaczy, naukowców i praktyków. Działanie sztucznych sieci neuronowych było i jest źródłem wielu odkryć i osiągnięć w różnych dziedzinach i gałęziach nauki [Tadeusiewicz 2007]. Choć lata osiemdziesiąte ubiegłego wieku uważa się za okres pierwszych skutecznych zastosowań praktycznych sztucznej inteligencji [Lula 2007] (a co za tym idzie – sztucznych sieci neuronowych), to jednak historia badania sieci neuronowych sięga wiele lat wcześniej. Tadeusiewicz [1989] pisze, że za początek biocybernetyki należy uznać wydaną w 1948r książkę Artura Rosenbluetha oraz Norberta Wienera pt. „Cybernetyka, czyli sterowanie i komunikacja w zwierzęciu i maszynie” [Rosenblueth, Wiener 1948]. Książka ta powstała po sześciu latach rozważań autorów na temat analogii, jakie zachodzą pomiędzy procesami w żywych organizmach i systemach technicznych. Ten sam autor w innej książce [Tadeusiewicz 1993] zaznacza również, że znacznie ambitniejszą i bardziej ogólną podstawę teoretyczną prac nad sieciami neuronowymi stanowiły przez lata książki Neumanna [1958] oraz Taylora [1960]. Osowski [2006], powołując się na McCullocha i Pittsa [1943] oraz Rosenblatta [1992], pisze o jednym z pierwszych modeli komórki neuronu, matematycznym modelu McCullocha – Pittsa (rysunek 3.1.1.), sformułowanym już w 1943r. Ten prosty model neuronowy, który wyjaśniał mechanizm zapamiętywania informacji przez sieć biologiczną, był pierwszym matematycznym opisem komórki nerwowej w odniesieniu do problemu przetwarzania danych.. 10.

(11) Sieci neuronowe – przegląd literatury. Rysunek 3.1.1. Model komórki nerwowej według McCullocha – Pittsa [Osowski 2006]. W notatce historycznej dotyczącej sieci neuronowych, opracowanej przez Katedrę Inżynierii Komputerowej Politechniki Częstochowskiej [Sieci neuronowe, online], znajduje się wzmianka o Donaldzie Hebbie [Hebb 1949], który odkrył, że informacja jako taka może być przechowywana w strukturze połączeń pomiędzy neuronami. Jako pierwszy zaproponował on również metodę uczenia sieci bez nauczyciela, którą dziś nazywamy regułą Hebba. Metoda ta polega na zmianach wag połączeń pomiędzy poszczególnymi neuronami. Pierwszym, niekwestionowanym i szeroko znanym przykładem modelu sztucznej sieci neuronowej, który dodatkowo działał bez zarzutu był tzw. Perceptron zbudowany przez Franka Roseblatta i Charlesa Wightmana [Rosenblatt 1958]. Perceptron zawierał 8 komórek nerwowych i 512 połączeń, szybkość działania szacowana była na 1000 połączeń na sekundę, a jego podstawowym zadaniem było rozpoznawanie znaków alfanumerycznych z procesem uczenia jako metodą programowania systemu. Powstanie Perceptronu szacuje się za początek gwałtownego rozwoju tematyki sieci neuronowych. Na świecie powstały nawet inne wersje perceptronu konstruowane m.in. przez Karpińskiego i Michalskiego [Karpiński, Michalski 1966], Bongarda [Bongard 1967] oraz Tadeusiewicza [Tadeusiewicz 1993]. Kolejnym ważnym krokiem w historii sieci neuronowych było zbudowanie w 1960 roku przez Bernarda Widrowa neurokomputera o nazwie Adaline, będącego siecią elektrochemicznych uczących się elementów [Tadeusiewicz 1993]. Sieć ta zawierała. 11.

(12) Sieci neuronowe – przegląd literatury. mniej połączeń niż Perceptron Rosenblatta, a działała dziesięć razy szybciej. Do dziś używana jest np. w liniach telefonicznych. Sam autor, Bernard Widrow, opracował na początku lat sześćdziesiątych podstawy teoretyczne i podstawowe implementacje techniczne adaptacyjnych układów przetwarzających sygnały, które stanowiły istotny wkład w rozwój sieci neuronowych [Osowski 2006]. Krytyczna książka Minsky’ego i Paperta [1969] opublikowana na początku lat siedemdziesiątych. XX. –. go. wieku,. udowadniająca. skończone. możliwości. jednowarstwowych sieci neuronowych spowodowała spadek zainteresowania tym tematem. Mimo tego, wielu naukowców nadal podejmowało się badań z dziedziny sieci neuronowych. Jednym z nich są np. Amari, Anderson oraz Grossberg i inni, którzy od 1972r. zajmowali się badaniem sieci samoorganizujących się (ang. Self Organizing Network) i podejmowali próby tworzenia modeli naśladujących pamięć asocjacyjną u człowieka [Dowla, Rogers 1995]. Prace o podobnej tematyce podjął wówczas również Teuvo Kohonen, który w 1972 [Kohonen 1972] i 1974 [Kohonen 1974] opublikował dwie książki dotyczące problematyki sieci neuronowych modelujących pamięć asocjacyjną. Ważną postacią z tego okresu jest również Paul Werbos, który w 1974r. zaproponował nową metodę uczenia sieci – propagację wsteczną (ang. Error Back Propagation), która możliwa jest do zastosowania w przypadku uczenia sieci wielowarstwowych [Werbos 1974]. Powrót dużego zainteresowania tematyką sieci neuronowych nastąpił w latach osiemdziesiątych. Dużym osiągnięciem notowanym na rok 1982 były prace Johna Hopfielda, dotyczące sieci neuronowych wykorzystywanych do odtwarzania obrazów z ich fragmentów. Warto wspomnieć, że Hopfield był jednym z prekursorów w tworzeniu sieci z tzw. sprzężeniem zwrotnym [Tadeusiewicz 1993]. W latach 1985 – 1990 Grossberg i Carpenter wprowadzili nową regułę samoorganizacji – sieci ART [Carpenter, Grossberg 1985, 1987a, b, c]. Do 1988r. Grossberg opublikował wspólnie z innymi badaczami ponad 140 prac z dziedziny sieci neuronowych. W tym czasie powstała również praca zbiorowa pod redakcją McClellanda i Rumelharta [Rumelhart i in. 1986 a, b]. Zainteresowanie modelowaniem neuronowym było coraz większe, aż w 1987r. w San Diego odbyła się pierwsza otwarta konferencja na temat sieci neuronowych (IEEE International Conference on Neural Networks), która zgromadziła aż 1700 uczestników.. 12.

(13) Sieci neuronowe – przegląd literatury. W 1990r. Carver Mead przedstawił pierwsze analogowo – cyfrowe układy elektroniczne wykorzystujące architekturę sztucznych sieci neuronowych. Od tego roku rozpoczyna się integracja modeli matematycznych opartych na sieciach neuronowych z różnymi urządzeniami stosowanymi w obronie i przemyśle. Dwa lata później Kohonen opracował ideę sieci z samoorganizacją (SOM – ang. Self Organising Map) nazwanej potem jego imieniem oraz opisał mechanizm uczenia się kwantyzacji wektorów (ang. Learning Vector Quantisation) [Hung Son Nguyen 2011]. Jak twierdzi Osowski [2006] ponowny wzrost zainteresowania tematem sieci neuronowych oraz wzrost finansowania tej dziedziny nauki spowodował istotny postęp zarówno w teorii jak i w zastosowaniach praktycznych. W połączeniu z gwałtownym rozwojem systemów komputerowych stworzyło to podstawę opracowywania nowych rozwiązań technologicznych dotyczących percepcji oraz sztucznego postrzegania i świadomości, sterowania skomplikowanymi systemami, przetwarzania sygnałów mowy itp. Dziś biocybernetyka wraz z jej potężnym narzędziem, jakim są sieci neuronowe, stanowi bardzo dobrze rozwiniętą dyscyplinę wiedzy. Sieci neuronowe znajdują wiele zastosowań w różnych dziedzinach życia i nauki. Zastosowania te szczegółowo opisano w podrozdziałach 3.5. i 3.6. Na podstawie danych wydawnictwa „Springer” z lipca 1999 roku szacuje się, że na temat sieci neuronowych wydano na świecie ponad siedem tysięcy różnych podręczników i książek, a z danych IEEE z października 1998 roku wynika, że obecnie na świecie średnio co pięć sekund pojawia się nowa publikacja lub doniesienie konferencyjne dotyczące sieci neuronowych [Duch 2000]. Od lat dziewięćdziesiątych ubiegłego wieku zainteresowanie biocybernetyką w Polsce również radykalnie się zwiększyło. Tematyką sieci neuronowych zajmuje się wiele instytucji takich jak np. Międzynarodowe Centrum Biocybernetyki, Instytut Biocybernetyki i Inżynierii Biomedycznej, Komitet Biocybernetyki Polskiej Akademii Nauk i wiele innych [Tadeusiewicz 1994].. 3.2. Model sztucznego neuronu Schemat działania podstawowej komórki sztucznej sieci neuronowej, jaką jest sztuczny neuron, opracowany został na podstawie działania neuronu biologicznego. Neuron. 13.

(14) Sieci neuronowe – przegląd literatury. biologiczny zaś to nic innego, jak komórka nerwowa (rysunek 3.2.1.), będąca podstawowym elementem mózgu. Szacuje się, że elementów tych jest około dziesięciu miliardów, połączonych ze sobą w formie skomplikowanej sieci [Duch 2000]. Podstawowym zadaniem neuronów jest odbieranie i przetwarzanie informacji o otaczającym środowisku oraz szybkie przekazywanie przetworzonej informacji do innych komórek nerwowych (w ten sposób powstaje sieć neuronów) oraz do narządów wykonawczych, czyli mięśni i gruczołów [Tadeusiewicz 2009]. Informacje te trafiają do ciała komórki neuronowej (tzw. perikarionu) poprzez wejścia zwane dendrytami (każdy neuron ma wiele takich wejść). Nowa informacja opuszcza nośnik informacji wyjściowej – tzw. akson (jeden w każdym neuronie) i następnie jest rozsyłana do różnych neuronów odbiorczych poprzez poprzez rozgałęzioną strukturę wyjściową zwaną teledendronem [Duch 2000].. Rysunek 3.2.1. Schematyczna budowa komórki nerwowej [http://zly.iis.p.lodz.pl]. Sztuczne neurony, które budują sieci neuronowe, są bardzo uproszczonymi modelami komórek nerwowych (rysunek 3.2.2.).. 14.

(15) Sieci neuronowe – przegląd literatury. Rysunek 3.2.2. Schemat uproszczonego modelu sztucznego neuronu. Jak pisze Tadeusiewicz [2007] pomimo wszystkich uproszczeń sztuczne neurony zachowują wszystkie te cechy, które są ważne z punktu widzenia zadań, jakie chcemy im powierzyć w budowanych sztucznych sieciach neuronowych: . charakteryzują się występowaniem wielu wejść i jednego wyjścia, przy czym zarówno sygnały wejściowe jak i sygnał wyjściowy mogą przyjmować wartości z pewnego ograniczonego przedziału (najczęściej od 0 do 1, czasem także od -1 do +1) – aby sygnały nie wykraczały poza ustalony zakres, stosuje się odpowiednio dobrane skalowanie;. . działaniu. synapsy. w sztucznych. w biologicznej. sieciach. neuronowych. komórce tzw.. neuronowej wagi. odpowiadają. synaptyczne,. które. odzwierciedlają stopień ważności informacji docierających do neuronu; . zadaniem sztucznych neuronów, podobnie jak w przypadku biologicznej komórki neuronowej, jest przetworzenie informacji wejściowych na informację wyjściową i przekazanie jej do kolejnego neuronu;. . do obliczonej w neuronie sumy wejść dodawany jest niekiedy pewien składnik – tzw. wartość progowa – uzyskana suma określa pobudzenie neuronu;. . ostateczną wartością wyjściową jest ta ustalona przez tzw. funkcję aktywacji neuronu.. Skompletowanie tych wszystkich właściwości powoduje sprawne działanie modelu sztucznego neuronu. Możliwości pojedynczego sztucznego neuronu są niewielkie,. 15.

(16) Sieci neuronowe – przegląd literatury. skomplikowanych obliczeń można dokonać dopiero za pomocą sieci połączonych ze sobą neuronów [Tadeusiewicz 2007].. 3.3. Budowa i zasada funkcjonowania sztucznej sieci neuronowej Przed omówieniem budowy i zasady działania sztucznej sieci neuronowej warto wyjaśnić, co w ogóle kryje się pod tym pojęciem. Jak piszą Krawiec i Stefanowski [2004] sieć neuronowa to zbiór prostych jednostek obliczeniowych przetwarzających dane, komunikujących się ze sobą i pracujących równolegle. Tadeusiewicz [1991] definiuje sieć neuronową nieco przystępniej, pisząc, że sieć neuronowa to urządzenie techniczne lub algorytm którego działanie wzorowane jest w pewnym stopniu na działaniu sieci biologicznych komórek nerwowych. Rozszerza tę definicję dodając, że jest ona systemem składającym się z dużej liczby elementów, przetwarzającym informacje w sposób równoległy. W innej pozycji literaturowej Tadeusiewicz [2009] zaznacza, że sieci neuronowe najczęściej wykorzystywane są jako narzędzie służące do rozwiązywania określonych problemów informatycznych, a w szczególności mających związek z zagadnieniami tak zwanej sztucznej inteligencji. Budowa sztucznej sieci neuronowej w uproszczeniu przypomina fragment biologicznej sieci neuronów. Są to sztuczne neurony (rysunek 3.3.1.) połączone ze sobą w grupy, za pomocą połączeń o konkretnych parametrach (wagach synaptycznych).. Rysunek 3.3.1. Model sztucznego neuronu. Podawane na wejście sygnały są mnożone przez odpowiednie współczynniki wag. Ważone sygnały wejściowe są sumowane, następnie przetwarzane przez funkcję. 16.

(17) Sieci neuronowe – przegląd literatury. aktywacji f(e) i wreszcie wprowadzane na wyjście sieci. Zależność sygnału wyjściowego od sygnału wejściowego przedstawia wzór: 𝑛. 𝑦 = ∑ 𝑤𝑖 𝑥𝑖 𝑖=1. gdzie wi to wagi synaptyczne, podlegające modyfikacji w procesie uczenia. Taka postać może być dodatkowo uzupełniona o składnik stały, niezależny od sygnałów wejściowych – tzw. bias, który przesuwa funkcję o pewną wartość stałą. Wówczas, ma ona postać: 𝑛. 𝑦 = ∑ 𝑤𝑖 𝑥𝑖 + 𝑏 𝑖=1. Neurony wchodzące w skład sztucznej sieci neuronowej ułożone są najczęściej w warstwach. Każdą z sieci neuronowych można przedstawić jako połączenie trzech lub więcej warstw: warstwy wejściowej (ang. input layer), warstwy ukrytej (ang. hidden layer) i warstwy wyjściowej (ang. output layer). Wartości wyjściowe wyznaczone w jednej warstwie wprowadzane są na wejścia neuronów warstwy następnej. Wyjątkiem jest oczywiście warstwa pierwsza, do której doprowadzane są wartości z zewnątrz sieci oraz ostatnia, która wyznacza wartości wysyłane potem na zewnątrz jako wartości wyjściowe całej sieci [Lula 2007]. Występujące w sieci połączenia nazywane są połączeniami „każdy z każdym”, ponieważ zwykle wszystkie neurony jednej warstwy połączone są ze wszystkimi neuronami warstwy kolejnej. Strukturę przykładowej sieci neuronowej przedstawia rysunek 3.3.2.. 17.

(18) Sieci neuronowe – przegląd literatury. Rysunek 3.3.2. Struktura przykładowej sieci neuronowej. Działanie sieci neuronowej polega na przetworzeniu wprowadzonych na jej wejścia zmiennych wejściowych, w wyniku czego powstają na wyjściach wartości zmiennych wyjściowych. Sposób pracy sieci uzależniony jest od kilku czynników takich jak np. wartości. wagowe. współczynników,. liczba. warstw. sieci,. liczba. neuronów. w poszczególnych warstwach czy funkcja aktywacji. Ta ostatnia cecha, tj. funkcja aktywacji, decyduje o specyficznych właściwościach sieci. Może ona mieć postać m.in. funkcji liniowej (rysunek 3.3.3.a), sigmoidalnej (takiej jak np. funkcja logistyczna – rysunek 3.3.3.b lub tangens hiperboliczny – rysunek 3.3.3.c), funkcji signum (rysunek 3.3.3.d). Postać funkcji wpływa nie tylko na jakość sieci ale również na szybkość jej uczenia.. 18.

(19) Sieci neuronowe – przegląd literatury. Rysunek 3.3.3. Przykładowe funkcje aktywacji: a – liniowa, b – logistyczna, c – tangens hiperboliczny, d – signum. Rysunek 3.3.2. przedstawia ogólny schemat sieci neuronowej. Jednak w rzeczywistości struktury modeli neuronowych różnią się od siebie w zależności od rodzaju sieci. Jak podają naukowcy z Akademii Górniczo – Hutniczej w Krakowie [Wstęp do sieci neuronowych, online], rodzaj sieci neuronowej zależy od sposobu połączenia neuronów tej sieci oraz od kierunku przepływu sygnałów w sieci. Istnieje wiele rodzajów sieci, jednak najbardziej podstawowe, obrazujące budowę i sposób działania to sieci: jednokierunkowe (jednowarstwowe i wielowarstwowe), rekurencyjne oraz komórkowe. Ich krótką charakterystykę przedstawia tabela 3.3.1.. 19.

(20) Sieci neuronowe – przegląd literatury. Tabela 3.3.1. Krótka charakterystyka podstawowych typów sieci neuronowych Typ sieci neuronowej jednokierunkowa. Charakterystyka Sieć składająca się z neuronów ułożonych w warstwach o jednym kierunku przepływu sygnałów i połączeniach międzywarstwowych jedynie między kolejnymi warstwami. Sieć tego typu posiada warstwę wejściową, wyjściową oraz warstwy ukryte. Z funkcjonalnego punktu widzenia układ taki można traktować jako układ aproksymacji funkcji nieliniowej wielu zmiennych y=f(u).. rekurencyjna. W sieci tego typu występuje przynajmniej jedno sprzężenie zwrotne. Oznacza to, że sygnały wyjściowe warstwy, poddawane są na jej wejścia, co powoduje pewną dynamikę w pracy sieci. Sygnały wejściowe w takiej sieci zależą zarówno od aktualnego stanu wejścia, jak i od sygnałów wyjściowych w poprzednim cyklu.. komórkowa. Architektura sieci komórkowej jest regularna, tzn. każda komórka jest połączona z komórkami leżącymi wewnątrz jej sąsiedztwa, według schematu jednakowego w obrębie całej sieci, z wyjątkiem komórek brzegowych [Kacprzak, Ślot 1995]. W tej sieci sprzężenia wzajemne między elementami przetwarzającymi dotyczą jedynie najbliższego sąsiedztwa. Połączenia te są w ogólności nieliniowe i opisane poprzez układ równań różniczkowych. Podstawową trudność w stosowaniu tego typu sieci stanowi opracowanie skutecznej, efektywnej i uniwersalnej metody projektowania. [na podstawie: http://home.agh.edu.pl oraz Kacprzak, Ślot, 1995]. 3.4. Metody uczenia sieci neuronowych O zachowaniu pojedynczego neuronu decyduje wektor wag, a o działaniu sieci – macierz wag. Aby uniknąć kłopotów przy programowaniu systemów współbieżnych, zastępuje się jednorazowy akt zaprogramowania sieci iteracyjnym, wieloetapowym procesem jej uczenia. Proces ten jest więc w istocie przygotowaniem sieci do jej prawidłowego działania. Jest to pierwsza część cyklu działania sieci, poprzedzająca etap jej normalnego funkcjonowania [Tadeusiewicz 1993]. Pod pojęciem uczenia sieci rozumie się wymuszenie na sieci określonego reagowania na sygnały wejściowe poprzez celowe zmiany jej parametrów. Proces ten prowadzi do utrwalania określonych zachowań sieci na bazie zdobytych doświadczeń [Kwater, online]. Możliwe są dwa warianty uczenia sieci: uczenie nadzorowane (z nauczycielem) i samouczenie (bez nauczyciela). Uczenie sieci z nauczycielem polega na podawaniu jej. 20.

(21) Sieci neuronowe – przegląd literatury. przykładów poprawnego działania, które sieć powinna potem naśladować w swoim działaniu (podczas egzaminu) [Tadeusiewicz 2007]. Proces ten wygląda zatem tak, że sieć dostaje konkretne sygnały wejściowe oraz sygnały wyjściowe jakie mają zostać przez nią wygenerowane. Sieć obserwuje związek pomiędzy podanymi danymi wejściowymi i wyjściowymi i uczy się naśladować tę zasadę działania [Tadeusiewicz 2007]. Rozpoznane reguły sztuczna sieć. neuronowa przechowuje. w postaci. zakodowanej w wartościach współczynników wagowych neuronów. Można więc stwierdzić, że proces uczenia sieci z nauczycielem polega na prawidłowym określeniu wartości współczynników wagowych neuronów na podstawie podanych jej informacji, przy czym początkowe wartości tych parametrów są zwykle wartościami losowymi. Zbiór danych, na podstawie których następuje uczenie sieci nazywany jest zbiorem uczącym. Sposób modyfikacji wartości współczynników wagowych (czyli de facto uczenia sieci) zależy od typu uczonej sieci i zastosowanego algorytmu uczenia [Lula 2007]. Uczenie sieci rozpatrywane jest jako wieloetapowy proces, podczas którego systematycznie należy poprawiać wartości wag tak, aby wciąż minimalizować wielkość popełnianego przez sieć błędu [Tadeusiewicz 2007]. Rysunek 3.4.1. prezentuje uproszczony schemat uczenia z nauczycielem. Zaznaczony kolorem niebieskim błąd oznacza w istocie różnicę pomiędzy rzeczywistą odpowiedzią sieci, a odpowiedzią pożądaną, która zawiera się w zbiorze uczącym sieć.. Rysunek 3.4.1. Schemat uczenia sieci z nauczycielem. 21.

(22) Sieci neuronowe – przegląd literatury. Najbardziej znaną regułą w uczeniu sieci neuronowych z nauczycielem jest tzw. reguła Delta, opracowana w 1960r przez Widrowa i Hoffa [Widrof, Hoff 1960, Rumelhart i in. 1986a]. Reguła ta zakłada, że wraz z każdym wektorem wejściowym do neuronu podawany jest sygnał odpowiadający wymaganej odpowiedzi neuronu. Dla ciągu uczącego mającego postać: 𝑈 =<< 𝑋1 𝑍1 >, < 𝑋2 𝑍2 >, … , < 𝑋𝑁 𝑍𝑁 >> w j – tym kroku procesu uczenia neuron odpowiada na sygnał X(j) sygnałem: 𝑇. 𝑦 (𝑗) = 𝑊 (𝑗) ∙ 𝑋 (𝑗) Błąd sieci określony jest wzorem: 𝛿 (𝑗) = 𝑧 (𝑗) − 𝑦 (𝑗) . Na podstawie sygnału 𝑦 (𝑗) i błędu 𝛿 (𝑗) możliwe jest takie skorygowanie wektora wag 𝑊 (𝑗) , aby neuron generował bliższy zadanemu. Nowy wektor wag 𝑊 (𝑗+1) (w j+1szym kroku) obliczany jest według reguły DELTA: 𝑊 (𝑗+1) = 𝑊 (𝑗) + ƞ(𝑗) ∙ 𝛿 (𝑗) ∙ 𝑋 (𝑗) gdzie ƞ – współczynnik uczenia [Domaradzki 2005, Tadeusiewicz 1993]. Opisany wyżej algorytm stosuje się jedynie przy uczeniu sieci jednowarstwowych. Dla sieci wielowarstwowych najczęściej stosuje się algorytm wstecznej propagacji błędów (ang. backpropagation) polegający na tym, że wyznaczony błąd występujący podczas j – tego kroku procesu uczenia w neuronie podawany jest wstecz do wszystkich neuronów, których sygnały stanowiły wejścia dla tego konkretnego neuronu [Kwater, online]. W algorytmie tym do aktualizowania wektora wag wykorzystuje się informację o gradiencie funkcji celu:. 22.

(23) Sieci neuronowe – przegląd literatury. ∇𝑄 = [. 𝜕𝑄 𝜕𝑄 𝜕𝑄 𝑇 , ,…, ] . 𝜕𝑤1 𝜕𝑤2 𝜕𝑤𝑛. Przy czym w każdym kroku uczenia wyznacza się tzw. kierunek minimalizacji p(W(k)), gdzie k odpowiada określonemu cyklowi uczącemu. Najprostszą metodą wyboru minimalizacji p(W) jest wybór zgodny z kierunkiem ujemnego gradientu, czyli algorytmu największego spadku, w którym: 𝑝(𝑊) = −∇𝑄(𝑊). Uaktualnienie wektora wag odbywa się zgodnie ze wzorem: 𝑊 (𝑗+1) = 𝑊 (𝑗) + ∆𝑊 gdzie: ∆𝑊 = ƞ ∙ 𝑝(𝑊). Dla zintensyfikowania uczenia sieci możliwe jest zastosowanie szeregu algorytmów przyspieszających ten proces. Jest nim m.in. algorytm szukania przypadkowego, w którym do aktualnej wartości wektora wag tak długo dodawany jest losowy wektor, aż uzyskany nowy wektor generuje mniejszy błąd. Stosuje się również metody oparte na algorytmach gradientowych, które bazują na rozwinięciu w szereg Taylora funkcji celu Q(W). w najbliższym. sąsiedztwie. rozwiązania. W.. Popularnymi. metodami. przyspieszającymi uczenie sieci są również: algorytm największego spadku, algorytm zmiennej metryki, metoda momentum, algorytm Levenberga – Marquardta czy metoda gradientów sprzężonych [Kwater, online]. Oprócz metod uczenia sieci z nauczycielem istnieją metody uczenia sieci bez nauczyciela, czyli tzw. samouczenia się sieci. Metody te polegają na podawaniu na wejście sieci jedynie zestawu danych wejściowych, bez podawania oczekiwanych sygnałów wyjściowych czy algorytmu działania. Dobrze zaprojektowana sieć potrafi w procesie samouczenia podać (całkiem sama) sensowny algorytm działania polegający najczęściej. na. i rozpoznawaniu. wykrywaniu ich. klas. wzorców.. powtarzających. Metodę. się. samouczenia. sygnałów stosuje. wejściowych. się. zazwyczaj. w sytuacjach, kiedy jesteśmy w posiadaniu zbioru danych, ale nie wiemy czego. 23.

(24) Sieci neuronowe – przegląd literatury. wymagać od sieci, która te dane analizuje [Tadeusiewicz 2007]. Metody będące przykładem uczenia bez nauczyciela to np. reguła Hebba lub uczenie konkurencyjne. Reguła Hebba określa zmiany wartości jednej z wag w kolejnych j krokach uczenia: (𝑗+1). 𝑤𝑖. (𝑗). = 𝑤𝑖. (𝑗). + ∆𝑤𝑖 .. Wadą reguły Hebba jest wykładniczy wzrost wag przy wielokrotnej prezentacji takiego samego wymuszania, czego efektem jest nasycenie neuronu. Żeby tego uniknąć, modyfikuje się tę regułę wprowadzając współczynnik zapominania 𝛾: (𝑗). ∆𝑤𝑖. (𝑗) (𝑗). = ƞ𝑥𝑖 𝑦𝑖. (𝑗) (𝑗). − 𝛾𝑤𝑖 𝑦𝑖 .. Przy odpowiednim doborze wartości współczynnika zapominania możliwe jest powstrzymanie niekontrolowanego wzrostu wag [Domaradzki 2005, Kwater, online]. Uczenie konkurencyjne nazywane jest inaczej metodą WTA (ang. Winner Takes All). W tej metodzie, neurony konkurują ze sobą, aby stać się aktywnymi. Tylko jeden z nich może być pobudzony, pozostałe są w stanie spoczynku. Sygnał wyjściowy opisany jest wzorem: 𝑦𝑚 = ∑ 𝑤𝑚𝑖 ∙ 𝑥𝑖 𝑖. gdzie xi to sygnały wejściowe, takie same dla grupy neuronów współzawodniczących. Wartości wyjściowe różnią się i są zależne od aktualnych wartości wag. Zwycięża neuron, którego wartość 𝑦𝑚 jest największa. Wówczas przyjmuje on stan 1, podczas gdy pozostałe, „przegrane” neurony – stan 0 [Kwater, online, Tadeusiewicz 1993].. 3.5. Zastosowanie sztucznych sieci neuronowych w praktyce Sztuczne sieci neuronowe są narzędziem informatycznym wybitnie wygodnym i wydajnym [Tadeusiewicz 2007]. Za ich pomocą możemy rozwiązywać problemy, które dla zwykłego komputera są barierą nie do pokonania. Ich niezaprzeczalnym atutem jest brak konieczności programowania, a możliwości zastosowania sztucznych. 24.

(25) Sieci neuronowe – przegląd literatury. sieci neuronowych ograniczone są w zasadzie jedynie o wyobraźnię konstruktora przyszłej sieci. Lista gałęzi nauki, życia i biznesu, w których sieci neuronowe znalazły swoje zastosowanie jest długa: technika, gospodarka, polityka, medycyna, giełda, przemysł, rolnictwo, przetwórstwo, ekonomia, zarządzanie, badania marketingowe, nauki ścisłe i wiele innych. Na podstawie przytoczonych przykładów można łatwo zauważyć różnorodność i rozpiętość tych dziedzin. W każdej z nich sieci neuronowe w sposób znaczący ułatwiają pracę maszyn lub ludzi. Co najważniejsze, postęp, jaki dokonał się w dziedzinie biocybernetyki stwarza ogromne możliwości rozwoju dla dziedzin związanych z życiem i zdrowiem człowieka. Tak jak nie sposób wymienić wszystkich zastosowań sztucznych sieci neuronowych, tak z całą pewnością niemożliwe jest wypisanie wszystkich autorów, którzy w swoich pracach wspominają o praktycznym zastosowaniu sieci. Kacprzak i Ślot [1995] piszą o zastosowaniu sieci neuronowych w przetwarzaniu obrazów, modelowaniu zjawisk fizycznych oraz struktur systemu wzrokowego. Lula i in. [2007] – o wykorzystaniu sieci w eksploracyjnej analizie danych w biznesie, ocenie oglądalności programów telewizyjnych, prognozowaniu fuzji i bankructwa, szacowaniu ryzyka inwestycyjnego, analizie rynku nieruchomości oraz ocenie wniosków kredytowych. Pozostając w naukach ekonomicznych, Domaradzki [2007] stosuje sieci neuronowe do generowania strategii decyzyjnych na przykładzie Giełdy Papierów wartościowych. Brennan i Akehurst [2000] piszą o zastosowaniu modelowania neuronowego w makroekonomii i fizyce jądrowej. Tadeusiewicz [1985, 2007, 2009] wspomina o modelowaniu fragmentów układu nerwowego, szeroko rozumianej identyfikacji oraz wspomaganiu diagnoz w różnych dziedzinach nauki, rozumieniu mowy,. sterowaniu. mobilnymi. robotami,. szybkich. układach. obliczeniowych,. rozpoznawaniu twarzy, prognozowaniu warunków meteorologicznych, kursów walut, cen spółek, zapotrzebowania na energię elektryczną, rozpoznawaniu sygnałów np. sonarowych, optymalizacji leczenia, wspomaganiu sterowania pojazdami i maszynami oraz rozpoznawaniu obrazów. O rozpoznawaniu obrazów (w tym: kompresji, segmentacji, odtwarzaniu i rozumieniu) oraz przetwarzaniu sygnałów (w tym: konwersji, filtracji, aproksymacji i transformacji) piszą również naukowcy z Katedry Inżynierii Komputerowej Politechniki Częstochowskiej [Sieci neuronowe, online].. 25.

(26) Sieci neuronowe – przegląd literatury. Modelowanie za pomocą sieci neuronowych znalazło szerokie zastosowanie również w medycynie.. Zespół. Annemansa. [Annemans. i in.. zbudował. 2002]. model. wspomagający decyzję w postępowaniu przy infekcjach cytomegalowirusem, Faddy i Taylor [2003] przy pomocy sieci sprawdzali czynniki ryzyka syndromu BOS (Bronchiolitis Obliterans Syndrome) po transplantacji płuc, Ripley [1998] analizował przeżycie pacjentek z nowotworem piersi, a Giżewski i in. [2008] opracowali model systemu samouczącego w diagnostyce rehabilitacyjno – ortopedycznej. Polak [2005] z kolei, stosuje sieci neuronowe jako uniwersalne narzędzie analizy danych i modelowania w epidemiologii i ekonomice zdrowia. Coraz częściej wykorzystuje się sieci neuronowe również do analizy obrazów biomedycznych [Tadeusiewicz 2007, 2009]. Przykładem mogą być prace Śmigielskiego i Wierzbika [1995] oraz Litwińskiej [2014]. Autorzy ci zastosowali sieci neuronowe do analizy sygnałów EKG. Z kolei Markowska – Kaczmar i Kwaśnicka [2005] piszą o analizie sygnałów EEG, również przy wykorzystaniu sztucznych sieci neuronowych. Ponadto, podjęto próby zastosowania sieci neuronowych do przewidywania wykorzystania zasobów niezbędnych na oddziałach szpitalnych [Scalon i in. 1996]. Osowski [2006] podaje przykłady zastosowania sztucznych sieci neuronowych do klasyfikacji wzorców oraz identyfikacji różnych procesów, a Duch i in. [2000] przytaczają pomysły na aproksymację funkcji oraz modelowania różnych układów. Ochmański i Bzówka [2013], w swojej publikacji, opisują zastosowanie sztucznych sieci neuronowych do analizy zagadnień z dziedziny geotechniki, a Szymczyk i in. [2015] wykorzystują sieci do analizy sygnałów georadarowych. Pruski i in. [2012] znaleźli zastosowanie sieci neuronowych do oceny suszu owocowego (w tym przypadku melona żółtego), a Łuczycka i Pentoś [2010] – do opisu przenikalności elektrycznej. mąki.. Naukowcy. z Yokohamy. zastosowali. modele. neuronowe. w zagadnieniu zbliżonym do problemu poruszonego w niniejszej pracy doktorskiej. Wykorzystali oni sztuczne sieci neuronowe do rozwoju systemu wsparcia szkolenia spawaczy [Sakuma i in. 2004]. Przykłady innych zastosowań, z jakimi spotkała się autorka podczas studiów literaturowych. oraz. w trakcie. uczestnictwa. w wykładach. audytoryjnych. to:. prognozowanie inflacji i stopy bezrobocia, kompresja danych, diagnostyka układów elektronicznych, interpretacja badań biologicznych, analiza badań medycznych,. 26.

(27) Sieci neuronowe – przegląd literatury. prognozowanie postępów np. w nauce, dobór surowców w produkcji, systemy rezerwacji np. miejsc lub biletów, rozpoznawanie pisma, monitorowanie stanu maszyn, percepcja ruchu i jego planowanie, diagnostyka chorób oraz prognozowanie ich leczenia. Do największych zalet sztucznych sieci neuronowych należy wcześniej wspomniany brak konieczności programowania, duża odporność na uszkodzenia, skuteczność działania oraz zdolność do uogólniania zdobytej wiedzy (chodzi przede wszystkim o rozszerzanie nabytych umiejętności o inne – zbliżone). Wadą sieci jest natomiast brak jasnych i precyzyjnych kryteriów interpretacji wyników. Na jednym lub na kilku wyjściach sieci w wyniku jej pracy pojawiają się określone sygnały (najczęściej wartości liczbowe). Natomiast do użytkownika sieci należy interpretacja, co te liczby oznaczają w kontekście zadania, które jest rozwiązywane przez sieć. Sieci neuronowe nie rozwiązują również problemów, które wymagają wieloetapowego rozumowania (czyli wieloetapowego wnioskowania) [Skulska i in. 2003].. 3.6. Zastosowanie sztucznych sieci neuronowych w rolnictwie Dynamiczny rozwój technik informatycznych oraz rosnące zainteresowanie metodami sztucznej inteligencji przyczyniło się do podjęcia prób zastosowania tych narzędzi również. w naukach. w modelowaniu. rolniczych.. procesów. Wysoka. naturalnych. skuteczność. uzasadnia. sieci. przydatność. neuronowych tej. metody. w rozwiązywaniu zagadnień z obszaru techniki rolniczej. Według Web of Science, pierwsza publikacja wyników badań z dziedziny nauk rolniczych, w których wykorzystano sieci neuronowe, pojawiła się w 1991r. Jej autorami byli Thai i Shewfelt z Uniwersytetu w Georgii, którzy zastosowali sieci neuronowe do określenia relacji matematycznych łączących ocenę sensoryczną człowieka z fizycznymi pomiarami koloru pomidorów i brzoskwiń [Thai, Shewfelt 1991]. W latach dziewięćdziesiątych wykorzystywano sieci neuronowe m.in. do: prognozy jakości jabłek naświetlanych widmem podczerwieni [Bochereau i in. 1992], określania optymalnej temperatury dla szklarniowej uprawy sałaty [Seginer, McClendon 1992], rozpoznawania głosu operatora w hałasie spowodowanym pracą silnika ciągnika [Sato i in. 1993], automatycznego sprawdzania jakości nasion kukurydzy [Liako i in. 1993] oraz sprawdzania jakości. 27.

(28) Sieci neuronowe – przegląd literatury. i sortowania róż ciętych [Steinmetz 1994] i roślin doniczkowych [Timmermans i in.1996] według kryteriów stosowanych przez człowieka przy sortowaniu ręcznym. Podejmowano również próby modelowania cech sensorycznych wołowiny przy użyciu ultradźwiękowych cech widmowych [Park i in. 1994], prognozowania erozji gleby [Cay 1995], modelowania konwencjonalnego zarządzania wodami gruntowymi [Yang i in. 1996], modelowania procesu podpowierzchniowego osuszania pól uprawnych [Yang i in. 1997], automatycznej oceny jakości owoców i warzyw podczas sortowania [Nagata 1998], symulowania interakcji gleby i narzędzia w różnych warunkach atmosferycznych i przy różnych parametrach pracy [Zhang i in. 1999] oraz wiele innych. Wraz z początkiem XXI wieku znacznie wzrosło zainteresowanie modelowaniem neuronowym wśród badaczy zajmujących się zagadnieniami z obszaru nauk rolniczych. Zastosowano sieci neuronowe do rozpoznawania chwastów [Yang i in. 2002], odróżniania ich gatunków [Burks i in. 2005] oraz mapowania ich gęstości [Bajwa, Tian 2001]. Opracowano zintegrowane systemy zarządzania w produkcji zwierzęcej [Aerts i in. 2003], podjęto próby symulowania temperatury gleby na różnych głębokościach na podstawie danych atmosferycznych w konkretnej porze roku [Yang i in. 2004]. Przy pomocy sieci dokonywano analizy zapachu farm hodowlanych [Pan i in. 2006, 2007] z uwzględnieniem poziomu stężenia i emisji szkodliwych gazów [Sun i in. 2008], analizowano. technologię. zbierania. roślin. oleistych. [Wiesman. 2009]. oraz. zamodelowano proces produkcji włókienniczej [Rahman, Bal 2010]. Najnowsze badania (2010 – 2016), w których wykorzystano sieci neuronowe są bardzo liczne i dotyczą wielu różnych obszarów rolnictwa. Jednym z najważniejszych problemów rolnictwa na całym świecie jest dostępność wody niezbędnej do uprawy roślin oraz sposób jej optymalnego wykorzystania. Zastosowanie sztucznych modeli neuronowych stało się podstawą do ochrony wody oraz efektywnego wykorzystania jej zasobów na plantacjach. Za pomocą sieci neuronowych zbadano efektywność produkcji wody, która jest ważnym wskaźnikiem oszczędnego nawadniania [Xie, Han 2010]. W Indiach, za pomocą sieci neuronowych prognozowano dostępność wody na terenach suchych [Patil i in. 2012]. Opracowany system wspiera zarządzanie procesem nawadniania, a ponadto może zwiększyć wydajność rolnictwa w krajach rozwijających się. Opracowano również modele symulujące rozkład wody w nawadnianiu zraszającym [de Menezes i in. 2015]. W badaniach tych uwzględniono ciśnienie robocze, prędkość. 28.

(29) Sieci neuronowe – przegląd literatury. i kierunek wiatru oraz średnice dysz zraszających, aby zminimalizować straty wody w trakcie nawadniania. Kolejnym ważnym problemem współczesnego rolnictwa jest walka z chorobami, które atakują rośliny uprawiane na plantacjach. Aby skutecznie walczyć ze szkodnikami i chorobami, należy je precyzyjnie i bezbłędnie identyfikować. Wykorzystując sztuczne sieci neuronowe opracowano układy mechaniczne, oparte na technikach obrazowania, które z dużą skutecznością wykrywają choroby grzybiczne na powierzchni roślin [Moshou i in. 2011, Tallada i in. 2011, Shi i in. 2015]. Przedmiotem częstych zainteresowań naukowców z dziedziny nauk rolniczych jest gleba. Zastosowano różne rodzaje sieci neuronowych do oceny zawartości pozostałości azotanów w glebie [Gautam i in. 2011]. Do uczenia tych sieci wykorzystano zdjęcia satelitarne oraz informacje o plonach, topografii oraz przewodnictwie elektrycznym gleby. Opracowane modele osiągały bardzo wysokie skuteczności. Zamodelowano również procesy fizyczne zachodzące w glebie podczas jej dezynfekcji w uprawach szklarniowych [D’Emilio i in. 2012]. Model ten umożliwił głębsze studiowanie procesów zachodzących w glebie. Sztuczne sieci neuronowe umożliwiły również prognozowanie gęstości nasypowej gleby w środowiskach suchych [Al – Qinna, Jaber 2013] oraz uzyskanie topograficznych cech gleby [Chagas i in. 2010]. Wyniki tych badań wykorzystano w kartografii cyfrowej gleby. Dokonano oceny gruntów pod uprawę ryżu na podstawie danych pozyskanych z GIS (ang. Geographic Information System), takich jak: wskaźniki zanieczyszczenia gleby, wskaźniki nawodnienia, wartości pH gleby, zawartość materii organicznej itp. [Li i in. 2010]. W ten sposób umożliwiono zwiększenie plonu poprzez zakładanie plantacji na gruntach najlepiej dostosowanych do wymogów uprawianej rośliny. Metodę wykorzystującą dane z GIS jako sygnały wejściowe sieci neuronowej zastosowano również w modelach służących do oceny obszarów pod uprawę biomasy produkowanej na cele energetyczne [Miura i in. 2014]. Badania te miały na celu przedstawienie ważnych aspektów związanych z regionalnym planowaniem przestrzennym. Zastosowane techniki mogą stanowić narzędzie wsparcia strategicznego w procesie decyzyjnym w kwestii bioenergii. Wykorzystując sieci neuronowe opracowano również system wspomagania zarządzania produkcją biogazu w gospodarstwach [Finzi i in. 2014]. System ten jest narzędziem uniwersalnym, może być więc wykorzystywany do wszystkich biogazowni (wymaga. 29.

(30) Sieci neuronowe – przegląd literatury. jedynie. kalibracji. pod. względem. cech. morfologicznych. rośliny).. Ponadto,. zamodelowano proces zgazowania biomasy w reaktorach ze złożem fluidalnym [Puig i in. 2013]. Uzyskane wyniki pokazały, że skład procentowy czterech podstawowych gazów w generatorze oraz wydajność wytwornicy gazu w złożu fluidalnym może być przewidziana przez sieć neuronową z wysoką skutecznością. Za pomocą sieci neuronowych symulowano również proces trawienia substratów rolniczych [Beltramo i in. 2016]. Taka technologia może być stosowana do kontrolowania procesu wytwarzania biogazu i zarządzania składem podłoża. Sieci neuronowe są często wykorzystywane jako narzędzie wspierające zarządzanie technologią produkcji, na przykład poprzez usprawnienie procesu sortowania plonu. Przykładem może być opracowany system do oszacowania masy cytrusów rosnących na drzewach [Shin i in. 2012] lub system automatycznego zliczania jabłek na jabłoni [Xiao i in. 2015]. Modeli neuronowych użyto również do przewidywania masy pojedynczych bulw ziemniaka na podstawie jego wymiarów. Zastosowana technologia nie tylko pozwoliła usprawnić proces sortowania (jak w przypadku cytrusów), ale była niezbędna przy projektowaniu i rozwoju maszyn sortujących [Ghanbarian, Farhadi 2010]. Opracowane systemy do automatycznego rozpoznawania klas plonu były podstawą do stosowanego coraz częściej automatycznego sortowania warzyw lub owoców [Bouchech i in. 2013]. Zautomatyzowano również proces klasyfikacji drzew na podstawie zdjęć ich liści [Aakif, Khan 2015, Haraisora, Kukal 2016] lub klasyfikacji gatunków warzyw na podstawie zdjęć ich nasion [Kurtulmus i in. 2016]. Technikę monitorowania liści wykorzystano do automatycznego rozpoznawania momentu osiągnięcia pożądanej wilgotności tytoniu [Wu i in. 2014]. Sieci neuronowe zastosowano również do szacowania plonu [da Silva i in. 2014] oraz przewidywania jego strat na plantacjach [Chang i in. 2013]. Modele te osiągnęły wysokie skuteczności, co pozwoliło oszacować zysk lub ewentualne straty. Techniki wykorzystujące sieci neuronowe pozwoliły także na opracowanie systemów umożliwiających zwiększenie plonu, a co za tym idzie – zysku. Przykładem mogą być modele przewidujące szybkość procesu fotosyntezy roślin pomidorów uprawianych w szklarniach [Wang i in. 2013, Li i in. 2015]. Odpowiednie zarządzanie tymi parametrami w uprawie szklarniowej umożliwiło zwiększenie plonu pomidora.. 30.

(31) Sieci neuronowe – przegląd literatury. Sieci. neuronowe. znalazły. zastosowanie. również. w przemyśle. spożywczym.. Zastosowano je, na przykład, do diagnozowania świeżości jaj podczas przechowywania w różnych warunkach [Dhakal i in. 2011] lub do oceny i klasyfikacji produktów żywnościowych takich jak: mięso, produkty mleczarskie i wyroby piekarnicze [Turgut i in. 2014]. W celu podniesienia sprawności maszyn rolniczych opracowano system diagnostyczny oparty na sieciach neuronowych, służący do monitorowania topologii usterek układów mechanicznych [Moshou i in. 2010]. Zastosowano sieci neuronowe do identyfikacji sposobów zarządzania użytkami zielonymi [Dusseux i in. 2012] oraz do prognozowania upadłości przedsiębiorstw rolnych [Stavici, Mnerie 2012]. Użyto sieci neuronowych do optymalizacji procesu suszenia wybranych ziół [Rodriguez i in. 2013]. W najnowszych badaniach zastosowano sieci neuronowe do przewidywania zawartości białka w ziarniaku pszenicy poprzez hiperspektralne obrazowanie w podczerwieni [Yang i in. 2016] oraz do analizy energochłonności produkcji bioetanolu w gorzelniach [Trajer i in. 2016]. Kontynuowano badania z zakresu rozpoznawania chwastów [Pantazi i in. 2016] oraz chorób roślin uprawnych (np. soi, winorośli) na podstawie zdjęć ich liści [Hou i in. 2016, Pires i in. 2016]. Opracowano model klasyfikujący ziarna pszenicy pod względem wielkości i rodzaju uszkodzeń mechanicznych [Shrestha i in. 2016]. Użyto sieci neuronowych do optymalizacji procesu produkcji pasz dla zwierząt hodowlanych [Sudha i in. 2016], dzięki czemu możliwe było prognozowanie wielkości tej produkcji. Przewidywano. zachowania. konsumentów. zachęcanych. do. kupna. żywności. modyfikowanej genetycznie [Rodriguez – Entrena i in. 2016]. Prognozowano wagę brojlerów na podstawie zdjęć 3D zwierzęcia [Mortensen i in. 2016]. Oceniano zdolność termoregulacji bawołów mlecznych i ich wrażliwość na zmiany środowiskowe [Sevegnani i in. 2016] oraz podjęto próby przewidywania budowy i okrywy tłuszczowej byków za pomocą sieci neuronowej uczonej na podstawie danych o masie, wieku i rasie zwierzęcia [Candek – Potokar i in. 2015]. W Polsce, pionierami w stosowaniu sieci neuronowych w inżynierii rolniczej byli: Langman [1999] oraz Koszela, Boniecki i Weres [2001]. Podjęli oni m.in. próbę budowy systemu ekspertowego służącego do diagnostyki oraz prawidłowej obsługi wózków widłowych wykorzystywanych w magazynach płodów rolnych. Ci sami autorzy, w późniejszych latach, wykorzystywali sieci neuronowe do analizy. 31.

(32) Sieci neuronowe – przegląd literatury. i klasyfikacji obrazów suszu warzywnego w celu oszacowania udziału poszczególnych frakcji w badanej próbie [Koszela, Weres 2005, 2009] oraz identyfikacji mechanicznych uszkodzeń ziarniaków [Nowakowski i in. 2007]. Boniecki [2004] wykorzystywał sieci neuronowe jako modele aproksymacyjne w procesie predykcji plonu pszenżyta. Langman i Langman [2008] testowali radiowe sieci neuronowe do bezprzewodowej łączności pomiędzy agregatami rolniczymi, Górski i in. [2008] – do oceny stopnia dojrzałości jabłek, a Langman i Pedryc [2010] – do modelowania rolno – spożywczych procesów przetwórczych (szczególnie – procesu wypieku chleba). Francik zbadał możliwość zastosowania sieci neuronowych do: prognozowania zmian techniczno – eksploatacyjnych parametrów ciągników i maszyn rolniczych [Francik 2001, 2006a, b, 2009a, b, 2010a, b], oceny nowoczesności ciągników rolniczych czołowych producentów [Francik 2005a, 2009] oraz prognozowania cen ogórka szklarniowego [Francik 2005b]. Ten sam autor, wraz ze współautorami, wykorzystywał sieci neuronowe do wyznaczenia gęstości nasion jęczmienia jarego [Francik, Hebda 2005] oraz do modelowania twardości ziarniaków pszenicy [Hebda, Francik 2006]. Na uwagę zasługują również próby modelowania procesu powstawania strat w kombajnie zbożowym [Złobecki, Francik 2000] oraz skurczu suszarniczego wybranych warzyw korzeniowych [Łapczyńska – Kordon i in. 2006]. Niżewski i in. [2007] użyli sztucznych sieci neuronowych do modelowania procesu emisji amoniaku z pól nawożonych gnojowicą, a Niedbała i Klejna [2007] – do analizy możliwości prognozowania przemieszczeń gleby podczas orki. Sztuczne sieci neuronowe znalazły również zastosowanie w ekonomice rolnictwa. Przykładem tego może być przewidywanie rentowności sprzedaży [Kisielińska 2003], prognozowanie kondycji finansowej gospodarstw rolniczych [Kisielińska 2004] lub ich upadku [Kisielińska 2008a, b] oraz ocena zdolności kredytowych rolników [Kiljańska, Klimkiewicz 2008]. Najnowsze doniesienia naukowe z Polski, wchodzące w zakres różnych obszarów nauk rolniczych dotyczą m.in. identyfikacji jakości kompostu [Jakubek i in. 2011], badania wpływu zawartości wody i aktywności wody na cechy elektryczne miodu [Pentoś i in. 2014], oceny jakościowej produktów rolniczych [Koszela 2015], oceny jakościowej oocytów zwierzęcych [Koszela i in. 2015] i wiele innych.. 32.

(33) Sieci neuronowe – przegląd literatury. Od 1997 roku ośrodki naukowe z Krakowa, Poznania i Lublina organizują cyklicznie Konferencję Naukową pn. „Zastosowanie technologii informacyjnych w rolnictwie”. Celem tej konferencji jest wymiana wiedzy naukowej pomiędzy specjalistami prowadzącymi. badania. z zakresu. zastosowania. technologii. informatycznych. w rolnictwie oraz gospodarce żywnościowej i leśnej. XVIII Konferencja organizowana w 2015 roku w Poznaniu zgromadziła uczestników wielu ośrodków naukowych z różnych części Europy i Azji. Prezentowane referaty dotyczyły wykorzystania neuronowego modelowania w inżynierii biosystemów, zużycia energii w produkcjach rolniczych, zastosowania sieci neuronowych do modelowania procesu ochrony roślin, modelowania systemu informacyjnego pszczół, opracowania modelu inteligentnego zarzadzania farmą i wiele innych. Wykłady, referaty oraz komunikaty naukowe prezentowane na XIX Konferencji, organizowanej w maju 2016 roku w Czajowicach, obejmowały m.in. tematykę wykorzystania sieci neuronowych do: diagnostyki chorób i szkodników atakujących rośliny uprawne, analizy parametrów nawadniania, monitorowania warunków upraw na plantacjach, analizy kosztów upraw, klasyfikacji nasion roślin uprawnych oraz analizy uszkodzeń naziemnych części roślin.. 33.

(34) Ciągnik rolniczy w systemie rolnictwa precyzyjnego. 4. Ciągnik rolniczy w systemie rolnictwa precyzyjnego Zgodnie z definicją podaną w literaturze [Górny, Szwabik 1992], ciągnikami nazywamy samobieżne maszyny robocze, których głównym przeznaczeniem jest wykonywanie prac z wykorzystaniem siły uciągu lub siły pchania. Jeśli ich największa prędkość przekracza 5,5 m/s, wtedy, zgodnie z kodeksem drogowym, ciągnik zaliczamy również do pojazdów samochodowych. Na rynku znajduje się wiele rodzajów ciągników. W krajach należących do Rady Wzajemnej Pomocy Gospodarczej (działającej w latach 1949 – 1991) za podstawę kategoryzacji ciągników uważano siłę uciągu. Podział ciągników ze względu na nominalną siłę uciągu i odpowiadającą jej moc silnika przedstawia tabela 4.1. Tabela 4.1. Podział ciągników ze względu na moc silnika Nr klasy ciągnika 1. Nominalna siła uciągu. Wymagana moc silnika. [kN]. [kW]. do 1. 2,6-3,3 ciągnik jednokołowy 5,2-5,9 ciągnik jednoosiowy. 2. 2. minimum 10. 3. 4. 13,2-14,7. 4. 6. 25,7-30. 5. 9. 37-44. 6. 14. 55-73,5. 7. 20. 88-110. 8. 30. 118-147. 9. 50. 150-200. 10. 60. 206-257 [http://kwalifikacjewzawodzie.pl/]. Obecnie poszerzono kryterium podziału ciągników i obejmuje ono klasyfikację na przykład ze względu na przeznaczenie ciągnika (rysunek 4.1.) czy układ napędowy (rysunek 4.2.). Przeznaczenie ciągników ściśle wiąże się z celem, ewentualnie z dziedziną gospodarki, w jakiej ciągnik ma pracować. Wyróżniamy więc ciągniki: rolnicze – specjalizowane i uniwersalne (rysunek 4.1. – a), do robót ziemnych (rysunek 4.1. – b), do robót leśnych (rysunek 4.1. – c), transportowe (rysunek 4.1. – d), specjalnego przeznaczenia (rysunek 4.1. – e,f).. 34.

(35) Ciągnik rolniczy w systemie rolnictwa precyzyjnego. Rysunek 4.1. Przykłady różnych rodzajów ciągników – podział ze względu na ich przeznaczenie: a – ciągnik rolniczy, b – ciągnik do robót ziemnych, c – ciągnik do robót leśnych, d – ciągnik transportowy, e – ciągnik do pracy na obszarach o dużym nachyleniu, f – ciągnik sadowniczy [http://pphu-galkowski.pl, http://panoramafirm.pl, https://www.valtra.pl, http://www.denbakker.nl, http://www.landini.info.pl, http://www.agropartner.pl]. 35.

(36) Ciągnik rolniczy w systemie rolnictwa precyzyjnego. Rysunek 4.2. Podział ciągników ze względu na układ napędowy: a – ciągnik kołowy, b – ciągnik gąsienicowy [http://popiol93.cba.pl, http://www.farmer.pl]. Oprócz wymienionych wyżej kryteriów ciągniki możemy podzielić mi.in. ze względu na rodzaj napędu (np. ciągniki z układem mechanicznym i hydraulicznym), ze względu na liczbę osi napędowych (ciągniki z jedną, dwoma, trzema lub czterema osiami napędowymi) i rodzaj osi napędowych (ciągniki z osią pojedynczą lub osią typu tandem) oraz ze względu na układ kierowniczy (ciągniki ze skrętnymi przednimi kołami, ze skrętnymi ramami i ze skrętnymi wszystkimi kołami) [Walczyk, online].. 36.

(37) Ciągnik rolniczy w systemie rolnictwa precyzyjnego. 4.1. Rys historyczny rozwoju ciągnika rolniczego. Tabela 4.1.1. Rys historyczny rozwoju ciągników rolniczych Milestones of tractor history. [CIGR Handbook of Agricultural Engineering]. Tabela 4.1.1. przedstawia rys historyczny rozwoju ciągników rolniczych na świecie według CIGR [ang. International Commision of Agricultural and Biosystems Engineering]. Jednak historia ciągnika rolniczego sięga kilku lat wcześniej – za prekursora w budowie ciągników rolniczych uważa się Thomasa Avelinga z Ely w Cambridgeshire. W 1856 roku założył on warsztat naprawczy maszyn rolniczych i zbudował pług parowy, modyfikując w ten sposób przewoźny silnik Claytona i Shuttlewortha i zamieniając go w samojezdne urządzenie. W 1861 roku Aveling zaczął projektować i budować własne silniki parowe. Ich przeznaczeniem było przesuwanie i napędzanie sprzętu rolniczego. Maszyny te zapoczątkowały wykorzystywanie pary wodnej w pracy na roli [Charleston 2013]. W kolejnych latach powstawały coraz to nowsze traktory, których przykładami mogą być: wojskowy traktor parowy Nicholasa Cugnota, traktor. 37.

(38) Ciągnik rolniczy w systemie rolnictwa precyzyjnego. parowy z rakietami śnieżnymi Jamesa Boydella, traktor parowy amfibia Olivera Evansa, lekki ciągnik parowy przemieszczający się dzięki specjalnie skonstruowanym nogom Thomasa Darby'ego i wiele innych. W 1892 roku powstał pierwszy udany model silnika benzynowego do ciągnika rolniczego. Jego twórcą był John Froelich, który umieścił silnik Van Duzena na podwoziu parowym traktora Robinsona. Innowacją w maszynie Froelisha był bieg wsteczny. Przez cały okres XIX wieku, traktory z silnikami benzynowymi były ulepszane i modyfikowane. Zainteresowanie maszynami wśród rolników było tak duże, że w 1918 roku firma H. Forda produkowała 80 ciągników rolniczych dziennie [Charleston 2013]. W latach 1915–1918 zespół pod kierownictwem prof. Karola Taylora rozpoczął prace konstrukcyjne nad pierwszym polskim ciągnikiem rolniczym – URSUS 1921/1922, który ostatecznie został wyprodukowany w latach 1922 – 1927 w zakładach mechanicznych Ursus w Warszawie, w dzielnicy Wola. W 1925 roku Ferguson rozwiązał problem przyczepiania narzędzi do ciągnika, opracowując najpierw dwupunktowy, a później – trzypunktowy układ zawieszenia. Dzięki tej konstrukcji, możliwe było ograniczenie ilości dźwigni, ponieważ narzędzie było podtrzymywane przez układ hydrauliczny. W 1928 roku Ferguson opatentował swój wynalazek, który do dziś stosowany jest przy agregatowaniu maszyn rolniczych. Po II wojnie światowej producenci zaczęli wyposażać swoje traktory w napęd na cztery koła, a kolejne dekady przynosiły nowe rozwiązania w kwestii budowy ciągników i rozbudowy ich mocy. Obecnie produkowane, nowoczesne ciągniki rolnicze, tylko w niewielkim stopniu przypominają swoje początkowe prototypy. Najwięksi światowi producenci (tacy jak np. John Deer, New Holland, Massey Fergusson czy Case IH), konstruują ciągniki o wielkich mocach (ponad 400 KM) przy jednoczesnym działaniu systemu redukcji paliwa. Ciągniki te mogą być wyposażone w przekładnie z ponad trzydziestoma biegami. Są to nowoczesne pojazdy, których moc pozwala na pracę z ciężkimi, wielkogabarytowymi maszynami (np. ciągnik ważący 13 ton może sprawnie poruszać się po polu z kilkunastoskibowym pługiem ważącym nawet 6 – 7 ton). Wygodne kabiny tych ciągników wyposażone są w liczne systemy usprawniające jazdę operatora oraz zwiększające komfort i bezpieczeństwo pracy: wydajna klimatyzacja, filtry przeciwpyłowe, systemy redukcji hałasu, systemy redukcji drgań na fotelu i kierownicy, zestawy głośnomówiące i systemy Bluetooth.. 38.

(39) Ciągnik rolniczy w systemie rolnictwa precyzyjnego. 4.2. Budowa i przeznaczenie ciągnika rolniczego W konstrukcji ciągnika rolniczego, podobnie jak w konstrukcji każdego pojazdu samochodowego, wyróżnić można podwozie i nadwozie. Podwozie to część pojazdu, która decyduje o jego właściwościach użytkowych. Nadwozie z kolei, to część pojazdu, która powinna zapewnić najlepsze warunki komfortu pracy kierowcy [Piekarski 2011]. Podstawowe zespoły ciągnika rolniczego to: mechanizmy przenoszące napęd (sprzęgła, skrzynia napędowa, most napędowy), układ jezdny (koła jezdne wraz z układem kierowania), mechanizm hamowania, podnośnik hydrauliczny, zewnętrzne układy hydrauliczne, instalacja pneumatyczna, urządzenia elektryczne (akumulator, alternator), kabina ciągnika. Ogólny schemat budowy uniwersalnego ciągnika kołowego przedstawiają rysunki 4.2.1. i 4.2.2.. Rysunek 4.2.1. Uniwersalny ciągnik kołowy – przekrój podłużny 1–osłona ciągnika, 2–chłodnica, 3–silnik, 4–skrzynia narzędziowa, 5–zbiornik paliwa, 6–ręczna dźwignia gazu, 7–sprzęgło podwójne, 8–skrzynia biegów, 9–tylny most, 10–mechanizm kierowniczy, 11–wahliwa oś przednia, 12– koło kierownicy, 13–podnośnik hydrauliczny, 14–wał odbioru mocy i przystawka koła pasowego, 15–siedzenie kierowcy, 16–akumulator, 17–reflektor tylny, 18–napędzane koło jezdne, 19–przekładnia boczna [Dajniak 1967]. 39.

(40) Ciągnik rolniczy w systemie rolnictwa precyzyjnego. Rysunek 4.2.2. Uniwersalny ciągnik kołowy – widok z góry. 19–przekładnia boczna [Dajniak 1967]. Głównym przeznaczeniem ciągnika rolniczego, zgodnie z podaną na początku rozdziału definicją, jest praca z wykorzystaniem siły uciągu, przede wszystkim w podstawowym zabiegu agrotechnicznym, jakim jest orka [Górny, Szwabik 1992, Kuczewski, Waszkiewicz 1997]. Obecnie coraz liczniejszą grupę stanowią ciągniki wielkich mocy, które są przystosowane specjalnie do wysokowydajnej orki. Ciągniki takie są z reguły budowane jako przegubowe i posiadają napęd na wszystkie koła. Jednak wybór ciągnika do gospodarstwa powinien być podyktowany wymaganiami agrotechnicznymi, technicznymi i ekonomicznymi. Analiza czynników agrotechnicznych pozwala określić, jakim potrzebom ma odpowiadać kupowany ciągnik, czy ma być przeznaczony do konkretnego rodzaju prac polowych np. uprawowych, transportowych, czy też potrzebny jest ciągnik uniwersalny z przeznaczeniem do większości prac prowadzonych w gospodarstwie. Dobór ciągnika na podstawie kryteriów technicznych dotyczy oceny ważniejszych parametrów konstrukcyjno – eksploatacyjnych danego ciągnika. Z kolei podstawowym czynnikiem ekonomicznym przy wyborze ciągnika jest cena jego zakupu, która powinna być dostosowana do zasobów finansowych gospodarstwa. Cena ciągnika bezpośrednio wpływa na poziom kosztów jego eksploatacji w przeliczeniu na godzinę pracy (zł/h). Jednostkowe koszty eksploatacji ciągników i współpracujących maszyn są istotnym składnikiem kalkulacji kosztów poszczególnych upraw [Grześ, online].. 40.