Применение цифровых технологий при диагностировании двигателей энергонасыщенной сельскохозяйственной техники

Разработка цифровых технологий, позволяющих совершенствовать процесс диагностирования, повышать достоверность определения функциональных характеристик сельскохозяйственной техники в режиме реального времени, является важной и актуальной при техническом сопровождении энергонасыщенных машин. С целью разработки интеллектуальной системы удаленного диагностирования двигателей энергонасыщенной сельскохозяйственной техники применялся конструктор нейросетей с возможностью использования до 10 входных и выходных параметров. Разработаны алгоритм цифровой системы удаленной диагностики, схема модели прогнозирования отказов при онлайн-мониторинге и цифровая платформа по диагностированию энергонасыщенной сельскохозяйственной техники. Разработанная платформа позволяет получать диагностические параметры ДВС (расход топлива, температуру двигателя и частоту вращения вала двигателя), которые в виде зашифрованных данных удаленно передаются на сервер с помощью GPS-модема и оцифровываются в банке данных, где происходит структурирование и анализ полученных данных при помощи разработанной модели искусственной нейронной сети. Расшифрованные диагностические параметры ДВС направляются оператору, который видит графики параметров технического состояния сельскохозяйственной техники и отчеты по прогнозированию возможных отказов деталей ДВС. Представлен способ сбора и хранения диагностической информации, полученной в результате мониторинга технического состояния сельскохозяйственной техники, и с помощью математической модели нейронной сети проведена обработка этих данных. Применение цифровых технологий при диагностировании техники с помощью искусственного интеллекта позволяет значительно сократить трудоёмкость выполняемых операций, оценить эффективность работы машины в целом и прогнозировать наступление отказов её механизмов, производить своевременное техническое обслуживание и ремонт машин и сократить незапланированные простои энергонасыщенной сельскохозяйственной техники.

1. Катаев Ю.В., Загоруйко М.Г., Тишанинов И.А., Гра- дов Е.А. Прогнозирование отказов в двигателях сельско- хозяйственной техники с применением цифровых техно- логий // Аграрный научный журнал. 2022. № 2. С. 79-82. https://doi.org/10.28983/asj.y2022i2pp79-82

2. Петрищев Н.А., Костомахин М.Н., Саяпин А.С., Ив- лева И.Б. Совершенствование мониторинга системы «Чело- век-Машина-Среда» и правил эксплуатации для повышения эксплуатационной надёжности тракторов // Технический сервис машин. 2020. № 3 (140). С. 12-20. EDN: XFGLUF.

3. Интеллектуальный программный комплекс диагно- стирования и прогнозирования технического состояния сельскохозяйственной техники: Свидетельство о государственной регистрации программы для ЭВМ RU2021681505 / А.С. Дорохов, Ю.В. Катаев, М.Н. Костомахин [и др.]; № 2021668436; заявл. 19.11.2021; опубл. 23.12.2021. EDN: FDJNZR.

4. Семейкин В.А., Дорохов А.С. Теоретические предпосылки организации процесса входного контроля качества машиностроительной продукции // Вестник ФГОУ ВПО «МГАУ имени В.П. Горячкина». 2007. № 2 (22). С. 92-94. EDN: VYGHJB.

5. Пестряков Е.В. Программное обеспечение для диагностирования и прогнозирования технического состояния сельскохозяйственных машин // Техника и оборудование для села. 2021. № 12 (294). С. 37-41. EDN: NUTMPU.

6. Костомахин М.Н., Воронов А.Н., Ковалев Л.И., Ковалев И.Л. Контроль параметров надежности сельскохозяйственной техники с использованием систем GPS/ГЛОНАСС // Труды ГОСНИТИ. 2015. Т. 118. С. 26-30. EDN: TODEWR.

7. Манжула В.Г., Федяшов Д.С. Нейронные сети Кохонена и нечёткие нейронные сети в интеллектуальном анализе данных // Фундаментальные исследования. 2011. № 4. С. 108-114. EDN: NDGTWB.

8. 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/10.26897/2687-1149-2021-2-45-50

9. Erokhin M.N., Leonov O.A., Shkaruba N.Z., Kataev Yu.V., Vergazova Yu.G. Assessing the relative interchangeability in joints with preload. Russian Engineering Research.2020;40(6):469-472. https://doi.org/10.3103/S1068798X2006009X

10. Отказоустойчивая нейронная сеть, способ обнаружения отказов нейронной сети, способ обеспечения отказоустойчивости нейронной сети: Патент RU2760636 C2, МПК G06F 11/20, G06N3/02 / Н.В. Суханова, С.А. Шептунов; № 2018145179; заявл. 19.12.2018; опубл. 29.11.2021. EDN: HMNCEQ

11. Посягин А.И., Южаков А.А. Разработка двухслойной нейронной сети для самомаршрутизирующегося аналого-цифрового преобразователя на основе нейронной сети // Электротехника. 2013. № 11. С. 10-13. EDN: RERAAL.

12. Pestryakov E.V., SayapinA.S., Kostomakhin M.N., Petrishchev N.A. Analysis of the technical condition of agricultural machinery using neural networks. Lecture Notes on Data Engineering and Communications Technologies. 2022;121:92-101. https://doi.org/10.1007/978-3-030-97057-4_9