vimjourСельскохозяйственные машины и технологииAgricultural Machinery and Technologies2073-7599Federal State Budgetary Scientific Institution «Federal Scientific Agroengineering Center VIM»10.22314/2073-7599-2022-16-4-19-25vimjour-489Research ArticleНОВЫЕ ТЕХНОЛОГИИ И ОБОРУДОВАНИЕNEW TECHNICS AND TECHNOLOGOESПрограммный комплекс для дистанционного контроля узлов и агрегатовSoftware Package for Remote Diagnostics of Agricultural Machinery ConditionКостомахинМ. Н.KostomakhinM. N.

Михаил Николаевич Костомахин, кандидат технических наук, заведующий лабораторией

Москва

Mikhail N. Kostomakhin, Ph.D.(Eng.), head of laboratory

Moscow

redizdat@mail.ruПестряковЕ. В.PestryakovE. V.

Ефим Вадимович Пестряков, младший научный сотрудник

Москва

Efim V. Pestryakov, junior assistant

Moscow

unlimeted-007@yandex.ruФедеральный научный агроинженерный центр ВИМРоссияFederal Scientific Agroengineering Center VIMRussian Federation2022131220221641925Copyright © Костомахин М.Н., Пестряков Е.В., 20222022Костомахин М.Н., Пестряков Е.В.Kostomakhin M.N., Pestryakov E.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vimsmit.com/jour/article/view/489

Показали, что искусственный интеллект все шире применяют в сельском хозяйстве, в том числе при диагностировании состояния сельскохозяйственной техники.  Отметили, что параллельно с программами разрабатываются новые вычислительные устройства, позволяющие хранить и обрабатывать большие объемы данных. (Цель исследования) Создать программный комплекс на базе нейронной сети для дистанционного контроля предельного состояния отдельных узлов и агрегатов с помощью диагностических устройств. (Материалы и методы) Проанализировали зарубежные исследования схожей тематики. Выявили, что для сбора данных для искусственного интеллекта имеются устройства на базе популярных микроконтроллеров STM32 и Arduino, используется программно-аппаратная платформа Nvidia CUDA (Compute Unified Device Architecture). Для разработки применили язык программирования С/С++, в качестве хранилища – базу MS SQL Server.  Подчеркнули, что общее программное обеспечение может работать на всех основных операционных системах, таких как Windows, Mac OS, Linux. Отметили важную роль нейросети, которая объединяет все программные блоки и выдает свой анализ. (Результаты и обсуждение) Информация с диагностических устройств аккумулируется в базе данных. Созданная на основе этой базы нейросеть постоянно обучается и одновременно анализирует поступающие данные в режиме  реального времени, автоматически выдавая свои рекомендации. Установили, что нейросеть, созданная сотрудниками Федерального научного агроинженерного центра ВИМ, имеет больше возможностей, например, способна работать напрямую с устройствами и проводить более детальный технический анализ. (Выводы) Создали нейронную сеть для анализа состояния техники, что повышает оперативность принятия решений в отношение ремонта, прогнозируемость. Предложили критерии эксплуатации техники. 

Artificial intelligence is stated to be more and more widely used in agriculture, as well as for the diagnostics of the agricultural machinery condition. It was noted that in besides software, new computing devices are developed that enable processing and storing large amounts of data. (Research  purpose) To create a neural network-based software package for remote diagnostics of the limit state of machinery individual components and assemblies. (Materials and methods) Foreign studies within the problem area were analysed. It was found out that for data collection for artificial intelligence there exist STM32 and Arduino microcontroller-based devices, and the Nvidia CUDA (Compute Unified Device Architecture) hardware and software platform is used. For the software was developed in the C / C ++ programming language, and the MS SQL Server database were used as a repository. The general software is emphasized to be able to run on all major operating systems such as Windows, Mac OS, Linux. The role of neural network is argued to be important since it integrated all program blocks and provides its own analysis.  (Results and discussion) The information from the diagnostics devices is accumulated in a database. The neural network created on the basis of this database is constantly learning and simultaneously analyzing incoming data in real time, automatically issuing its recommendations. It was found that the neural network created by the employees of the Federal Scientific Agroengineering Center VIM has more functional options, for example, it is able to work directly with devices and conduct a more detailed technical analysis. (Conclusions) A neural network for equipment condition diagnostics was created, which increases the efficiency of decision-making in case of repair, and improves forecast and predictability. The criteria for equipment operation were proposed.

искусственный интеллектCUDAавтоматизациямикроконтроллерыобработка сигналовбаза данныхartificial intelligenceCUDA (Compute Unified Device Architecture)automationmicrocontrollerssignal processingdatabaseReferencesДорохов А.С. Совершенствование входного контроля качества сельскохозяйственной техники на дилерских предприятиях // Вестник Федерального государственного образовательного учреждения высшего профессионального образования Московский государственный агроинженерный университет им. В.П. Горячкина. 2009. N2. С. 73-75.Dorokhov A.S. Sovershenstvovanie vkhodnogo kontrolya kachestva sel'skokhozyaystvennoy tekhniki na dilerskikh predpriyatiyakh [Perfection of entrance quality assurance of agricultural machinery at the dealer enterprises]. Vestnik Federal'nogo gosudarstvennogo obrazovatel'nogo uchrezhdeniya vysshego professional'nogo obrazovaniya Moskovskiy gosudarstvennyy agroinzhenernyy universitet im. V.P. Goryachkina. 2009. N2. 73-75. (In Russian).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. N3(140). С. 12-20.Petrishchev N.A., Kostomahhin M.N., Sayapin A.S., Ivleva I.B. Sovershenstvovanie monitoringa sistemy «Chelovek-ma­shina-sreda» i pravil ekspluatatsii dlya povysheniya ekspluatatsionnoy nadezhnosti traktorov [Improving the human-machine-environment onitoring system and operation rules for increasing operational tractor reliability]. Tekhnicheskiy servis mashin. 2020. N3(140). 12-20 (In Russian).Ерохин М.Н., Дорохов А.С., Катаев Ю.В. Интеллектуальная система диагностирования параметров технического состояния сельскохозяйственной техники // Агроинженерия. 2021. N2(102). С. 45-50.Erokhin M.N., Dorokhov A.S., Kataev Yu.V. Intellektual'naya sistema diagnostirovaniya parametrov tekhnicheskogo sostoyaniya sel'skokhozyaystvennoy tekhniki [Intelligent system for diagnosing the parameters of the technical condition of tractors]. Agroinzheneriya. 2021. N2(102). 45-50 (In Russian).Дидманидзе О.Н., Дорохов А.С., Катаев Ю.В. Тенденции развития цифровых технологий диагностирования технического состояния тракторов // Техника и оборудование для села. 2020. N11(281). С. 39-43.Didmanidze O.N., Dorokhov A.S., Kataev Yu.V. Tendentsii razvitiya tsifrovykh tekhnologiy diagnostirovaniya tekhnicheskogo sostoyaniya traktorov [Trends in the development of digital technologies for diagnosing the technical condition of tractors]. Tekhnika i oborudovanie dlya sela. 2020. N11(281). 39-43 (In Russian).Саяпин А.С. Экспериментальный счетчик-индикатор для оценки технического состояния насоса гидропривода по амплитудно-фазовому методу // Технический сервис машин. 2021. N4(145). С. 76-85.Sayapin A.S. Eksperimental'nyy schetchik-indikator dlya otsenki tekhnicheskogo sostoyaniya nasosa gidroprivoda po amplitudno-fazovomu metodu [Experimental indicator counter for estimating the technical state of a hydraulic drive pump by amplitude-phase method]. Tekhnicheskiy servis mashin. 2021. N4(145). 76-85 (In Russian).Измайлов А.Ю. Синтез автоматизированных информационных технологий и микропроцессорных систем // Вестник российской академии сельскохозяйственных наук. 2007. N5. С. 91-92.Izmaylov A.Yu. Sintez avtomatizirovannykh informatsionnykh tekhnologiy i mikroprotsessornykh sistem [Synthesis of automated information technologies and microprocessor systems for production processes]. Vestnik rossiyskoy akademii sel'skokhozyaystvennykh nauk. 2007. N5. 91-92 (In Russian).Катаев Ю.В., Костомахин М.Н., Петрищев Н.А., Саяпин А.С., Молибоженко К.К. Повышение уровня технического обслуживания техники // Техника и оборудование для села. 2022. N4(298). С. 27-31.Kataev Yu.V., Kostomakhin M.N., Petrishchev N.A., Saya­pin A.S., Molibozhenko K.K. Povyshenie urovnya tekhnicheskogo obsluzhivaniya tekhniki [Increasing the level of maintenance of energy-saturated equipment]. Tekhnika i oborudovanie dlya sela. 2022. N4(298). 27-31 (In Russian).Pestryakov E.V., Sayapin A.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 Economics. 2022. III. 92-101.Pestryakov E.V., Sayapin A.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 Economics. 2022. III. 92-101 (In English).Петрищев 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. N3(144). С. 12-21Petrishchev N.A., Kostomahin M.N., Sayapin A.S., Makarkin I.M., Pestryakov E.V.,Molibozhenko K.K. Operativnaya otsenka predel'nogo sostoyaniya uzlov i agregatov traktorov s primeneniem schetchikov indikatorov [Operational assessment of the limit state of tractor units with the use of indicator counters]. Tekhnicheskiy servis mashin. 2021. Vol. 59. N3(144). 12-21 (In Russian).Курбанов Р.К., Захарова Н.И. Обоснование параметров полетного задания беспилотного воздушного судна для мультиспектральной аэрофотосъемки // Сельскохозяйственные машины и технологии. 2022. N3. С. 33-39.Kurbanov R.K., Zakharova N.I. Obosnovanie parametrov poletnogo zadaniya bespilotnogo vozdushnogo sudna dlya mul'tispektral'noy aerofotosemki [Justifying the parameters for an unmanned aircraft flight missions of multispectral aerial photography]. Sel'skokhozyaystvennye mashiny i tekhnologii. 2022. N3. 33-39 (In Russian).Макаров Р.А., Соколов А.В. Диагностика строительных машин. М.: Стройиздат. 1984. 335 с.Makarov R.A., Sokolov A.V. Diagnostika stroitel'nykh mashin [Diagnostics of construction machines]. Moscow: Stroyizdat. 1984. 335 (In Russian).Макаркин И.М., Дунаев А.В., Галимов Т.М. Приемы диагностирования редукторов ведущих мостов перспективных автомобилей КАМАЗ // Автомобильная промышленность. 2016. N6. С. 27-30.Makarkin I.M., Dunaev A.V., Galimov T.M. Priemy diagnostirovaniya reduktorov vedushchikh mostov perspektivnykh avtomobiley KAMAZ [Some methods of diagnostics of gearboxes axles perspective of KAMAZ vehicles]. Avtomobil'naya promyshlennost'. 2016. N6. 27-30 (In Russian).Гриффитс Д., Гриффитс Д. Изучаем программирование на С. М.: Эксмо. 2019. 624 с.Griffits D., Griffits D. Izuchaem programmirovanie na C [Studying programming in SM]. Moscow: Eksmo. 2019. 624 (In Russian).Karande A.M., Kalbande D.R. Weight Assignment Algorithms for Designing Fully Connected Neural Network. IJISA. 2018. N6. 68-76.Karande A.M., Kalbande D.R. Weight Assignment Algorithms for Designing Fully Connected Neural Network. IJISA. 2018. N6. 68-76 (In English).Dharmajee Rao D.T.V., Ramana K.V. Winograd’s Inequality: Effectiveness for Efficient Training of Deep Neural Networks. IJISA. 2018. N6. 49-58.Dharmajee Rao D.T.V., Ramana K.V. Winograd’s Inequality: Effectiveness for Efficient Training of Deep Neural Networks. IJISA. 2018. N6. 49-58 (In English).Сандерс Д., Кэндрот Э. Технология CUDA в примерах. Введение в программирование графических процессоров: пер. с анг. М.: ДМК Пресс. 2013. 232 с.Sanders D., Kendrot E. Tekhnologiya CUDA v primerakh. Vvedenie v programmirovanie graficheskikh protsessorov: per. s ang. [CUDA technology in the examples: An Introduction to GPU]. Moscow: DMK Press. 2013. 232 (In Russian).Боресков А.В., Харламов А.А. Основы работы с технологией CUDA. М.: ДМК Пресс, 2019. 232 с.Boreskov A.V., Kharlamov A.A. Osnovy raboty s tekhnologiey CUDA [Fundamentals of working with CUDA technology]. Moscow: DMK Press, 2019. 232 (In Russian).Гудфеллоу Я., Бенджио И., Курвилль А. Г93 Глубокое обучение: пер. с анг. М.: ДМК Пресс. 2018. 652 с.Gudfellou YA., Bendzhio I., Kurvill' A. G93 Glubokoe obuchenie: per. s ang. [Deep Learning"]. Moscow: DMK Press. 2018. 652 (In Russian).Wanlu Jiang, Chenyang Wang, Jiayun Zou, Shuqing Zhang. Application of Deep Learning in Fault Diagnosis of Rotating Machinery. Processes. 2021. N9. 919.Wanlu Jiang, Chenyang Wang, Jiayun Zou, Shuqing Zhang. Application of Deep Learning in Fault Diagnosis of Rotating Machinery. Processes. 2021. N9. 919 (In English).Нгуен М.Т. Диагностика автомобильного двигателя на основе нейронной сети // Молодой ученый. 2019. N26(264). С. 76-81.Nguen M.T. Diagnostika avtomobil'nogo dvigatelya na osnove neyronnoy seti [Automotive engine diagnostics based on a neural network]. Molodoy uchenyy. 2019. N26(264). 7681 (In Russian).Лобачевский Я.П., Бейлис В.М., Ценч Ю.С. Аспекты цифровизации системы технологий и машин // Электротехнологии и электрооборудование в АПК. 2019. N3(36). С. 40-45.Lobachevskiy Ya.P., Beylis V.M., Tsench Yu.S. Aspekty tsifrovizatsii sistemy tekhnologiy i mashin [Aspects of digitalization of the system of technologies and machines]. Elektrotekhnologii i elektrooborudovanie v APK. 2019. N3(36). 40-45 (In Russian).

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