Наукові доповіді Національного університету біоресурсів і природокористування України

Сучасні тенденції системи контролю технічного стану гідроприводів сільськогосподарських машин

Д. Ляшенко, П. Мельянцов
Завантажити статтю
Анотація

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

Ключові слова

сільськогосподарська техніка, гідравлічна система, інформаційні технології, технічний стан, діагностика, штучні нейронні мережі

ЦИТУВАТИ
Liashenko, D., & Meliantsov, P. (2023). Modern trends in technical condition monitoring systems of hydraulic drives in agricultural machinery. Scientific Reports of the National University of Life and Environmental Sciences of Ukraine, 19(2). https://doi.org/10.31548/dopovidi2(102).2023.018
Використані джерела
  1. 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.
  2. 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".
  3. Walters, R.B. (2000). Hydraulic and Electric-Hydraulic Control Systems (2nd ed.). Springer, 344.
  4. Parambath, J. (2020). Maintenance, Troubleshooting, and Safety in Hydraulic Systems (Industrial Hydraulic Book Series (Advanced Level)). Independently published, 83.
  5. Doddannavar, R., Barnard, A., & Ganesh, J. (2005). Practical Hydraulic Systems: Operation and Troubleshooting for Engineers and Technicians. Elsevier, 240.
  6. Manring, N.D. (2005). Hydraulic Control Systems. Wiley, 464.
  7. 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.
  8. John Deere precision ag technology. Retrieved from https://t.ly/Yb-W.
  9. Application of neural network in our daily life. Retrieved from https://t.ly/0KX4.
  10. 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. https://doi.org/10.21595/jve.2016.16956.
  11. 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. https://doi.org/10.1016/j.ifacol.2023.01.070.
  12. 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. https://doi.org/10.3390/s22249714.
  13. Petrov, V. (2020). Formation of the combine harvesters' market in Ukraine. Ekonomika APK, 4, 43-53. https://doi.org/10.32317/2221-1055.202004043.
  14. Remote Service at a glance. Retrieved from https://t.ly/DLQA.
  15. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Adaptive Computation and Machine Learning series) Illustrated Edition. MIT Press, 800.
  16. Novotarskyi, M.A., & Nesterenko, B.B. (2004). Artificial neural networks: computations. Proceedings of the Institute of Mathematics NAS of Ukraine, 408.