- Код статьи
- 10.31857/S2500262724050102-1
- DOI
- 10.31857/S2500262724050102
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 5
- Страницы
- 51-56
- Аннотация
- Исследования проводили с целью обоснования разработки устройств и программного обеспечения по управлению техническим состоянием сельскохозяйственной техники с использованием элементов искусственного интеллекта. Применение искусственного интеллекта позволяет внедрить стратегию предиктивного технического обслуживания и ремонта техники С3 – комплексного подхода, позволяющего определить состояние находящейся в эксплуатации машины, и оценить, когда следует провести техническое обслуживание. Для этого необходимо разработать электронные диагностические устройства и датчики, которые можно объединить в один интеллектуальный информационный комплекс, позволяющий оперативно собирать и обрабатывать большие объемы данных по параметрам технического состояния сельскохозяйственной техники благодаря использованию искусственного интеллекта. Объект исследования – гидромеханическая коробка перемены передач трактора «Кировец». В 2022–2024 гг. были разработаны устройства сбора данных, программное обеспечение и методики оценки технического состояния машин, использующие алгоритмы искусственного интеллекта и нейронных сетей, а также описаны изготовленные цифровые диагностические устройства. На примере анализа параметров работы гидромеханической коробки передач трактора «Кировец» конкретизировано вводимое понятие технического состояния (номинальное, допускаемое, предельное или аварийное), которое основано на расчете с использованием нейронной сети параметра Yn, определяющего тип возможных работ и сервисного обслуживания. Благодаря мониторингу и анализу параметров работы коробки передач с применением ИИ и непрерывной актуализации технического состояния своевременно проводится техническое обслуживание и ремонт, что обеспечивает управление техническим состоянием и повышение надежности сельскохозяйственных машин, минимизирует отказы и связанные с ними простой техники.
- Ключевые слова
- сельскохозяйственная техника диагностирование управление надежностью искусственный интеллект мониторинг технического состояния цифровые технологии нейронные сети
- Дата публикации
- 16.09.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 11
Библиография
- 1. Результаты научных исследований агроинженерных научных организаций по развитию цифровых систем в сельском хозяйстве / Ю. Ф. Лачуга, А. Ю. Измайлов, Я. П. Лобачевский и др. // Техника и оборудование для села. 2022. № 3 (297). С. 2–9. doi: 10.33267/2072-9642-2022-3-2-9.
- 2. Совершенствование мониторинга системы «Человек-машина-среда» и правил эксплуатации для повышения эксплуатационной надежности тракторов / Н. А. Петрищев, М. Н. Костомахин, А. С. Саяпин и др. // Технический сервис машин. 2020. № 3 (140). С. 12–20. doi: 10.22314/2618-8287-2020-58-3-12-20.
- 3. Ерохин М. Н., Дорохов А. С., Катаев Ю. В. Интеллектуальная система диагностирования параметров технического состояния сельскохозяйственной техники // Агроинженерия. 2021. № 2 (102). С. 45–50. doi: 10.26897/2687-1149-2021-2-45-50.
- 4. Черноиванов В. И., Денисов В. А., Соломашкин А. А. Способ определения остаточного ресурса деталей машин // Технический сервис машин. 2020. № 1 (138). С. 50–57. doi: 10.22314/2618-8287-2020-58-1-50-57.
- 5. Метод дистанционного контроля функциональных показателей сельскохозяйственной техники / В. Е. Таркивский, Н. В. Трубицын, Е. С. Воронин и др. // Техника и оборудование для села. 2018. № 12. С. 22–25.
- 6. Федоренко В. Ф., Таркивский В. Е. Цифровые беспроводные технологии для оценки показателей сельскохозяйственной техники // Сельскохозяйственные машины и технологии. 2020. Т. 14. № 1. С. 10–15. doi: 10.22314/2073-7599-2020-14-1-10-15.
- 7. Application of Deep Learning in Fault Diagnosis of Rotating Machinery / W. Jiang, C. Wang, J. Zou, et al. // Processes. 2021. Vol. 9. No. 919. URL: https://www.mdpi.com/2227–9717/9/6/919 (дата обращения: 11.06.2024). doi: 10.3390/pr9060919.
- 8. Стратегия машинно-технологической модернизации сельского хозяйства России до 2030 года (прогноз) / З. А. Годжаев, В. Г. Шевцов, А. В. Лавров и др. // Технический сервис машин. 2019. № 4 (137). С. 220–229.
- 9. Лобачевский Я. П., Дорохов А. С. Цифровые технологии и роботизированные технические средства для сельского хозяйства // Сельскохозяйственные машины и технологии. 2021. Т. 15. № 4. С. 6–10. doi: 10.22314/2073-7599-2021-15-4-6-10.
- 10. Пастухов А. Г., Тимашов Е. П. Диагностирование опорных узлов трансмиссии на основе изучения термонагруженности // Сельскохозяйственные машины и технологии. 2023. Т. 17. № 2. С. 61–68. doi: 10.22314/2073-7599-2023-17-2-61-68.
- 11. Online monitoring of the technical condition of energy saturated agricultural equipment using neural networks / Y. Kataev, I. Tishaninov, E. Gradov, et al. // E3S Web of Conferences. 2023. No. 402. 03026. URL: https://www.e3sconferences.org/articles/e3sconf/abs/2023/39/e3sconf_transsiberia2023_03026/e3sconf_transsiberia2023_03026.html (дата обращения: 11.06.2024). doi: 10.1051/e3sconf/202340203026.
- 12. Shao S., Wang P., Yan R. Generative adversarial networks for data augmentation in machine fault diagnosis. Computers in Industry. 2019. No. 106. P. 85–93. doi: 10.1016/j.compind.2019.01.001.
- 13. Костомахин М. Н. Пестряков Е. В. Программный комплекс для дистанционного контроля узлов и агрегатов // Сельскохозяйственные машины и технологии. 2022. Т. 16. № 4. С. 19–25. doi: 10.22314/2073-7599-2022-16-4-19-25.
- 14. Научно-технические достижения агроинженерных научных организаций в условиях цифровой трансформации сельского хозяйства / Я. П. Лобачевский, Ю. Ф. Лачуга, А. Ю. Измайлов и др. // Техника и оборудование для села. 2023. № 3 (309). С. 2–12. doi: 10.33267/2072-9642-2023-3-2-11.
