agroengineeringАгроинженерияAgricultural Engineering (Moscow)2687-11492687-1130РГАУ-МСХА10.26897/2687-1149-2023-5-34-39agroengineering-655Research ArticleТЕХНИКА И ТЕХНОЛОГИИ АПКFARM MACHINERY AND TECHNOLOGIESДистанционный контроль частоты вращения коленчатого вала двигателя трактора с использованием алгоритма машинного обученияRemote control of the crankshaft speed of a tractor engine using a machine learning algorithmhttps://orcid.org/0000-0003-0832-3608КатаевЮ. В.KataevYu. V.

Катаев Юрий Владимирович, кандидат технических наук, доцент, ведущий научный сотрудник

109428, г. Москва, 1-й Институтский пр-д, 5

Yuriy V. Kataev, CSc (Eng), Associate Professor, Lead Research Engineer

5, 1st Institutskiy Proezd Str., Moscow, 109428

ykataev@mail.ruhttps://orcid.org/0000-0003-1126-7520КостомахинМ. Н.KostomakhinM. N.

Костомахин Михаил Николаевич, кандидат технических наук, ведущий научный сотрудник

109428, г. Москва, 1-й Институтский пр-д, 5

Mikhail N. Kostomakhin, CSc (Eng), Lead Research Engineer

5, 1st Institutskiy Proezd Str., Moscow, 109428

redizdat@mail.ruhttps://orcid.org/0000-0002-7399-9906ПестряковЕ. В.PestryakovE. V.

Пестряков Ефим Вадимович, младший научный сотрудник

109428, г. Москва, 1-й Институтский пр-д, 5

Efim V. Pestryakov, Junior Research Engineer

5, 1st Institutskiy Proezd Str., Moscow, 109428

unlimeted-007@yandex.ruhttps://orcid.org/0000-0003-3608-5408ПетрищевН. А.PetrischevN. A.

Петрищев Николай Алексеевич, кандидат технических наук, ведущий научный сотрудник

109428, г. Москва, 1-й Институтский пр-д, 5

Nikolay A. Petrischev, CSc (Eng), Lead Research Engineer

5, 1st Institutskiy Proezd Str., Moscow, 109428

gosniti14@mail.ruhttps://orcid.org/0000-0001-6527-780XСаяпинА. С.SayapinA. S.

Саяпин Александр Сергеевич, младший научный сотрудник

109428, г. Москва, 1-й Институтский пр-д, 5

Aleksandr S. Sayapin, Junior Research Engineer 

5, 1st Institutskiy Proezd Str., Moscow, 109428

comaconcrsas@mail.ruФедеральный научный агроинженерный центр ВИМРоссияFederal Scientific Agroengineering Center VIMRussian Federation2023191020232553439Copyright © Катаев Ю.В., Костомахин М.Н., Пестряков Е.В., Петрищев Н.А., Саяпин А.С., 20232023Катаев Ю.В., Костомахин М.Н., Пестряков Е.В., Петрищев Н.А., Саяпин А.С.Kataev Y.V., Kostomakhin M.N., Pestryakov E.V., Petrischev N.A., Sayapin A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://agroengineering.timacad.ru/jour/article/view/655

Диагностика технического состояния сельскохозяйственной техники на основе машинного обучения, использующего искусственный интеллект, позволяет   применять   накопленный   опыт для локализации неисправности и даёт возможность проводить оценку её технического состояния в максимально короткие сроки. Разработка новых вычислительных устройств (встроенных средств диагностирования) позволяет хранить и обрабатывать большие объёмы информации и сокращать время оценки технического состояния техники. С целью прогнозирования неисправностей проведен анализ частоты вращения коленчатого вала двигателя трактора с использованием алгоритма машинного обучения Random Forest. Разработаны счётчик-индикатор и программное обеспечение для дистанционного контроля частоты вращения коленчатого вала двигателя. Проверка разработанного прототипа счётчика-индикатора программного обеспечения осуществлялась на двигателе Д-243. В результате дистанционное диагностирование сельскохозяйственной техники выявило основные причины неисправностей, влияющие на частоту вращения коленчатого вала двигателя. Алгоритм Random Forest позволил «предсказать» неисправности с допустимой точностью: просчитал все значения правильно из выборки 13 значений и допустил 4 ошибки из выборки 51 значения. Диагностика с помощью алгоритма машинного обучения позволила в режиме реального времени провести оценку технического состояния техники без внесения принципиальных изменений в конструкцию, дать прогнозы и предложения по её обслуживанию и ремонту.

Diagnostics of the technical condition of agricultural machinery based on machine learning with artificial intelligence employs the accumulated experience to localize the malfunction and makes it possible to evaluate its technical condition in the shortest possible time. New computing devices (built-in diagnostic tools) store and process large amounts of information and reduce the time needed to assess the technical condition of the equipment. To predict malfunctions, the authors analyzed the crankshaft speed of a tractor engine using the Random Forest machine learning algorithm. They developed a counter-indicator and software for the remote control of the engine crankshaft speed. The developed prototype counter-indicator software was tested on the D-243 engine. As a result, remote diagnostics of agricultural machinery revealed the main causes of malfunctions affecting the engine crankshaft speed. The Random Forest algorithm made it possible to “predict” malfunctions with acceptable accuracy: it calculated all values correctly from a sample of 13 values and made 4 errors from a sample of 51 values. Diagnostics with the help of a machine learning algorithm made it possible to assess the technical condition of the equipment in real time without making fundamental changes to the design, and to give forecasts and suggestions for its maintenance and repair.

дистанционное диагностирование сельскохозяйственной техникидиагностикатехническое состояниеалгоритм машинного обученияRandom Forestсчётчик-индикаторremote diagnostics of agricultural machinerydiagnosticstechnical conditionmachine learning algorithmRandom Forestcounter-indicatorReferencesДорохов А.С. Совершенствование входного контроля качества сельскохозяйственной техники на дилерских предприятиях // Вестник ФГОУ ВПО «МГАУ имени В.П. Горячкина». 2009. № 2 (33). С. 73 75. EDN: JWSYPN.DorokhovA.S. Perfection of entrance quality assurance of agricultural machinery at the dealer enterprises. Vestnik of Moscow Goryachkin Agroengineering University. 2009;2:73 75. (In Rus.)Петрищев Н.А., Костомахин М.Н., Саяпин А.С., Ивлева И.Б. Совершенствование мониторинга системы «Человек-машина-среда» и правил эксплуатации для повышения эксплуатационной надежности тракторов // Технический сервис машин. 2020. № 3 (140). С. 12 20. EDN: XFGLUF.Petrishchev N.A., Kostomakhin M.N., SayapinA.S., Ivleva I.B. Improving the human-machine-environment monitoring system and operation rules for increasing operational tractor reliability. Machinery Technical Service. 2020;3(140):12 20. (In Rus.)Ерохин М.Н., Дорохов А.С., КатаевЮ.В. Интеллектуальная система диагностирования параметров технического состояния сельскохозяйственной техники // Агроинженерия. 2021. №2 (102). С. 45 50. https://doi.org/10.26897/2687-1149-2021-2-45-50Erokhin M.N., DorokhovA.S., Kataev Yu.V. Intelligent system for diagnosing the parameters of the technical condition of tractors. Agricultural Engineering. 2021;2(102):45 50. (In Rus.) https://doi.org/10.26897/2687-1149-2021-2-45-50Дидманидзе О.Н., Дорохов А.С., Катаев Ю.В. Тенденции развития цифровых технологий диагностирования технического состояния тракторов // Техника и оборудование для села. 2020. № 11 (281). С. 39 43. EDN: SUTTJS.Didmanidze O.N., DorokhovA.S., Kataev Yu.V. Trends in the development of digital technologies for diagnosing the technical condition of tractors. Machinery and Equipment for Rural Area. 2020;11(281):39 43. (In Rus.)Саяпин А.С. Экспериментальный счётчик-индикатор для оценки технического состояния насоса гидропривода по амплитудно-фазовому методу // Технический сервис машин. 2021. № 4 (145). С. 76 85. EDN: XZCQTE.SayapinA.S. Experimental indicator counter for estimating the technical state of a hydraulic drive pump by amplitude-phase method. Machinery Technical Service. 2021;4(145):76 85. (In Rus.)Измайлов А.Ю. Синтез автоматизированных информационных технологий и микропроцессорных систем // Вестник Российской академии сельскохозяйственных наук. 2007. № 5. С. 91 92. EDN: IBQGUX.IzmaylovA.Yu. Synthesis of automated information technologies and microprocessor systems for production processes. Bulletin of the Russian Academy of Agricultural Sciences. 2007;5:91-92. (In Rus.)Катаев Ю.В., Костомахин М.Н., Петрищев Н.А., Саяпин А.С., Молибоженко К.К. Повышение уровня технического обслуживания энергонасыщенной техники // Техника и оборудование для села. 2022. № 4 (298). С. 27 31. EDN: BMPALW.Kataev Yu.V., Kostomakhin M.N., Petrishchev N.A., SayapinA.S., Molibozhenko K.K. Increasing the level of maintenance of energy-saturated equipment. Machinery and Equipment for Rural Area. 2022;4(298):27 31. (In Rus.)Pestryakov E.V., SayapinA.S., Kostomakhin M.N., Petrishchev N.A. Analysis of the Technical Condition of Agricultural Machinery Using Neural Networks. Advances in Intelligent Systems, Computer Science and Digital EconomicsIII. CSDEIS2021. Lecture Notes on Data Engineering and Communications Technologies. 2022. Vol. 121. Рр. 92 101. https://doi.org/10.1007/978-3-030-97057-4_9Pestryakov E.V., SayapinA.S., Kostomakhin M.N., Petrishchev N.A. Analysis of the Technical Condition of Agricultural Machinery Using Neural Networks. Advances in Intelligent Systems, Computer Science and Digital EconomicsIII. CSDEIS2021. Lecture Notes on Data Engineering and Communications Technologies. 2022, Vol 121. Рр. 92 101. https://doi.org/10.1007/978-3-030-97057-4_9Петрищев Н.А., Костомахин М.Н., Саяпин А.С., Макаркин И.М., Пестряков Е.В., Молибоженко К.К. Оперативная оценка предельного состояния узлов и агрегатов тракторов с применением счетчиков индикаторов // Технический сервис машин. 2021. Т. 59, № 3 (144). С. 12 21. EDN: YCZPHJ.Petrishchev N.A., Kostomakhin M.N., SayapinA.S., Makarkin I.M., Pestryakov E.V., Molibozhenko K.K. Operational assessment of the limit state of tractor units with the use of indicator counters. Machinery Technical Service. 2021;59(3):12 21. (In Rus.)Курбанов Р.К., Захарова Н.И. Обоснование параметров полётного задания беспилотного воздушного судна для мультиспектральной аэрофотосъемки // Сельскохозяйственные машины и технологии. 2022. Т. 16, № 3. С. 33 39. https://doi.org/10.22314/2073-7599-2022-16-3-33-39Kurbanov R.K., Zakharova N.I. Justifying the parameters for unmanned aircraft flight missions of multispectral aerial photography. Agricultural Machines and Technologies. 2022;16(3):33 39. (In Rus.)Макаркин И.М., Дунаев А.В., Галимов Т.М. Приёмы диагностирования редукторов ведущих мостов перспективных автомобилей КамАЗ // Автомобильная промышленность. 2016. № 6. С. 27 30. EDN: WJKLBV.Makarkin I.M., DunaevA.V., Galimov T.M. Some methods of diagnosing the reduction gears of driving axles of promising KamAZ vehicles. Automotive Industry. 2016;6:27 30. (In Rus.)KarandeA.M., Kalbande D.R. Weight assignment algorithms for designing fully connected neural network. International Journal of Intelligent Systems and Applications. 2018;10(6):68 76. https://doi.org/10.5815/ijisa.2018.06.08KarandeA.M., Kalbande D.R. Weight assignment algorithms for designing fully connected neural network. International Journal of Intelligent Systems and Applications. 2018;10(6):68 76. https://doi.org/10.5815/ijisa.2018.06.08Dharmajee Rao D.T.V., Ramana K.V. Winograd’s Inequality: Effectiveness for Efficient Training of Deep Neural Networks // International Journal of Intelligent Systems and Applications. 2018. № 10 (6):49 58. https://doi.org/10.5815/ijisa.2018.06.06Dharmajee Rao D.T.V., Ramana K.V. Winograd’s Inequality: Effectiveness for Efficient Training of Deep Neural Networks. International Journal of Intelligent Systems and Applications. 2018;10(6):49 58. https://doi.org/10.5815/ijisa.2018.06.06Jiang W., Wang Ch., Zou J., Zhang Sh. Application of Deep Learning in Fault Diagnosis of Rotating Machinery // Processes. 2021;9(6):919. https://doi.org/10.3390/pr9060919Jiang W., Wang Ch., Zou J., Zhang Sh. Application of Deep Learning in Fault Diagnosis of Rotating Machinery. Processes. 2021;9(6):919. https://doi.org/10.3390/pr9060919Нгуен М.Т. Диагностика автомобильного двигателя на основе нейронной сети // Молодой ученый. 2019. № 26 (264). С. 76 81. EDN: TDDFUD.Nguyen M.T. Diagnostics of an automobile engine based on a neural network. Molodoy ucheniy. 2019;26(264):76 81. (In Rus.)

The authors declare that there are no conflicts of interest present.