Сучасні тенденції системи контролю технічного стану гідроприводів сільськогосподарських машин
DOI:
https://doi.org/10.31548/dopovidi2(102).2023.018Ключові слова:
сільськогосподарська техніка, гідравлічна система, інформаційні технології, технічний стан, діагностика, штучні нейронні мережіАнотація
Підвищення технічної складності гідравлічних систем сучасних сільськогосподарських машин обумовлює низький рівень їх ремонтопридатності в умовах вітчизняного агропромислового комплексу. Для уникнення непередбачених фінансових витрат, що пов’язані з простоєм техніки внаслідок аварійних відмов їх гідроприводів, виникає потреба у завчасному виявленні передумов втрати їх працездатності застосуванням ефективних методів та засобів контролю технічного стану в умовах експлуатації машин. Метою статті було проведення аналізу застосовності методів контролю технічного стану гідроприводів сільськогосподарських машин і обґрунтування перспектив їх удосконалення, відповідно до рівня розвитку сучасних інформаційних технологій і умов матеріально-технічної бази вітчизняного агропромислового комплексу. Для досягнення поставленої мети було проведено структурно-логічний і порівняльний аналіз матеріалів періодичних видань та електронних джерел інформації за релевантною тематикою. У статті розглядаються відомі методи діагностування гідроприводів і тенденції поліпшення засобів контролю технічного стану за рахунок інформаційних технологій. За результатами дослідження було показано, що методи групи неруйнівного контролю в умовах слабкої матеріально-технічної бази є найбільш застосовними. Серед діючих способів направлених на поліпшення процесу контролю технічного стану сільськогосподарських машин відомі системи віддаленої діагностики, які поєднують у собі зчитування діагностичних параметрів і їх віддалену обробку на електронно-обчислювальних машинах. На сьогоднішній день активно розвиваються штучні нейронні мережі, які знаходять своє поширення у контролі технічного стану гідроприводів і можуть значно підвищити загальний рівень планово-попереджувальної системи технічного обслуговування.
Посилання
Bondarchuk, N. V. (2010). Contemporary issues of material and technical base and material and technical support of agriculture. Investments: Practice and Experience, 6, 49-53.
Andrenko, P., Lebediev, A., Dmytriienko, O., & Svynarenko, M. (2018). Reliability, technical diagnostics and operation of hydraulic and pneumatic drives. Kharkiv, Ukraine: Publishing center NTU "KhPI".
Walters, R. B. (2000). Hydraulic and Electric-Hydraulic Control Systems (2nd ed.). Springer. 344.
Parambath, J. (2020). Maintenance, Troubleshooting, and Safety in Hydraulic Systems (Industrial Hydraulic Book Series (Advanced Level)). Independently published. 83.
Doddannavar, R., Barnard, A., & Ganesh, J. (2005). Practical Hydraulic Systems: Operation and Troubleshooting for Engineers and Technicians. Elsevier. 240.
Manring, N. D. (2005). Hydraulic Control Systems. Wiley. 464.
Pimonov, I. G., & Rukavishnikov, Y. V. (2020). Improvement of diagnostic quality of hydraulic drives of mobile machines. Bulletin of the Kharkiv National Automobile and Highway University, 88(2), 128-134.
John Deere precision ag technology. Available at: https://t.ly/Yb-W
Application of neural network in our daily life. Available at: https://t.ly/0KX4
Yan, J., Zhu, H., Yang, X., Cao, Y., & Shao, L. (2016). Research on fault diagnosis of hydraulic pump using convolutional neural network. Journal of Vibroengineering, 18(8), 5141–5152. doi: 10.21595/jve.2016.16956
Askari, B., Carli, R., Cavone, G., & Dotoli, M. (2022). Data-driven fault diagnosis in a complex hydraulic system based on early classification. IFAC-PapersOnLine, 55(40), 187-192. doi: 10.1016/j.ifacol.2023.01.070
Yang, Y., Ding, L., Xiao, J., Fang, G., & Li, J. (2022). Current status and applications for hydraulic pump fault diagnosis: A review. Sensors, 22(24), 9714. doi: 10.3390/s22249714
Petrov, V. (2020). Formation of the combine harvesters’ market in Ukraine. Ekonomika APK, 4, 43-53. doi: 10.32317/2221-1055.202004043.
Remote Service at a glance. Available at: https://t.ly/DLQA
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Adaptive Computation and Machine Learning series) Illustrated Edition. MIT Press. 800.
Novotarskyi, M.A., & Nesterenko, B.B. (2004). Artificial neural networks: computations. Proceedings of the Institute of Mathematics NAS of Ukraine. 408.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Стосунки між правовласниками і користувачами регулюються на умовах ліцензії Creative Commons Із Зазначенням Авторства – Некомерційна – Поширення На Тих Самих Умовах 4.0 Міжнародна (CC BY-NC-SA 4.0):https://creativecommons.org/licenses/by-nc-sa/4.0/deed.uk
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див.The Effect of Open Access).
