Искусственная нейронная сеть для обоснования параметров ходовых систем тракторов

Одним из важнейших качеств, определяющих компоновку ходовой системы машины на стадии проектирования, является уплотняющее воздействие на почву. Однако отечественные нормативы этого воздействия не отвечают в полной мере требованиям современного сельского хозяйства. Обоснована необходимость анализа ходовых систем тяговых и транспортных машин, а также рекомендаций по выбору параметров для вновь создаваемой или модернизируемой техники. Разработана база данных гусеничных сельскохозяйственных тракторов с учетом параметров: тягового класса, эксплуатационного веса, номинальной мощности двигателя, среднего давления на почву, площади контактной поверхности опорной ветви гусеницы. Машины были разделены на группы по странам-производителям: Европа/Северная Америка и РФ/СНГ. Построены основные графические зависимости для каждой из групп машин, а также сформированы соответствующие аналитические зависимости в интервалах с наибольшей концентрацией машин. Отметили, что с целью упрощения процедуры получения параметров уплотняющего воздействия тракторов на почву целесообразно использовать программный инструмент - искусственная нейронная сеть (или персептрон). Установили, что для решения этой задачи необходимо применить многослойный персептрон (MLP) - нейтронная сеть прямого распространения сигналов (без обратной связи). Осуществить анализ параметров ходовых систем с учетом их уплотняющих воздействий на почву и рекомендовать выбор этих параметров для вновь создаваемых машин. Разработан программный код искусственной нейронной сети. На основе сформированной базы тракторов создана и протестирована искусственная нейронная сеть. Накопленная погрешность не превышает 5 процентов, что говорит о достоверности полученных в ходе расчета искусственной нейронной сети результатов и надежности инструмента. Показали, что, оперируя исходной информацией из массива заложенных в базу данных, можно определить недостающие данные с помощью разработанной искусственной нейронной сети.

сельскохозяйственный трактор, ходовая система, резиноармированная гусеница, уплотняющее воздействие на почву, база данных сельскохозяйственных тракторов, искусственная нейронная сеть, Agricultural tractor, Undercarriage, Rubber-reinforced track, Soil compaction effect, Agricultural tractor data base, Artificial neural network,

1. Русанов В.А. Проблема переуплотнения почв движителями и эффективные пути ее решения. М.: ВИМ, 1998. 368 с

2. Шарипов В.М. Конструирование и расчет тракторов. М.: Машиностроение, 2009. 752 с

3. Ревенко В.Ю., Купрюнин Д.Г., Бейненсон В.Д., Федоткин Р.С., Белый И.Ф., Веселов Н.Б., Зверев Н.В. Оценка воздействий на почву трактора ВТ150 с различными типами гусеничных движителей // Тракторы и сельхозмашины. 2014. N9. С. 30-33

4. Купрюнин Д.Г., Щельцын Н.А., Бейненсон В.Д., Федоткин Р.С., Белый И.Ф., Ревенко В.Ю. Экспериментальное исследование сравнительных показателей гусеничных движителей сельскохозяйственных тракторов // Известия МГТУ, МАМИ. 2016. N3(29). С. 16-24

5. Лапченко Е.А., Боброва Т.Н., Колпакова Л.А. Поисковая база данных «Тракторы» и ее использование в растениеводстве // Вестник НГАУ. 2013. N4(29). С. 113-116

6. Альт В.В., Исакова С.П., Лапченко Е.А. Информационные системы поиска рациональных решений при формировании машинно-тракторного парка сельскохозяйственных предприятий // Аграрная наука - сельскохозяйственному производству Сибири, Монголии, Казахстана и Болгарии: Материалы международной научно-практической конференции (г. Красноярск, 2528 июля 2011 г.). Красноярск: КГАУ, 2011. Ч. 2. С. 225-230

7. Свидетельство № 2016620469 РФ. Шевцов В.Г., Лавров А.В., Годжаев З.А., Сизов О.А., Гурылев Г.С., Зубина В.А., Беликова Р.Р. Баланс питательных веществ в почвах и техническое обеспечение технологических процессов внесения удобрений в сельскохозяйственных организациях России за период 19902014 гг. // Свидетельство о государственной регистрации базы данных №2016620782. 2016

8. Измайлов А.Ю., Кряжков В.М., Антышев Н.М., Елизаров В.П., Келлер Н.Д., Лобачевский Я.П., Сорокин Н.Т., Гурылев Г.С., Савельев Г.С., Сизов О.А., Шевцов В.Г., Буклагин Д.С., Гольтяпин В.Я., Лачуга Ю.Ф. Концепция модернизации парка сельскохозяйственных тракторов России на период до 2020 года. М.: ВИМ, 2013. 84 с

9. Измайлов А.Ю., Лобачевский Я.П., Сизов О.А. Перспективные пути применения энерго- и экологически эффективных машинных технологий и технических средств // Сельскохозяйственные машины и технологии. 2013. N4. С. 8-11

10. Что такое ИНСизачем они нужны? // Учебник по нейронным сетям. URL: http://euralnnet.info/ (Дата обращения: 22.05.2017)

11. Тадеусевич Р., Боровик Б., Гончаж Т., Леппер Б. Элементарное введение в технологию нейронных сетей с примерами программ. М.: Горячая линияТелеком, 2011. 410 с

12. Rosenblatt F. Principles of Neurodinamics. Washington D.C.: Spartan Press. 1961: 245-248

13. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая ЛинияТелеком, 2007. 384 с

14. Хайкин С. Нейронные сети: Полный курс. М.: Вильямс, 2016. 1104 с

15. Mohamad H. Hassoun Fundamentals of Artificial Neural Networks. London: The MIT Press Cambridge, 1995: 501

16. Лоренц В.А., Гавриков В.Л., Хлебопрос Р.Г. Влияние числа нейронов сети на ее обучение и точность прогноза // Вестник СибГАУ. 2013. N1 (47). С. 56-59