Artificial neural network applying for justification of tractors undercarriages parameters

One of the most important properties that determine undercarriage layout on design stage is the soil compaction effect. Existing domestic standards of undercarriages impact to soil do not meet modern agricultural requirements completely. The authors justify the need for analysis of traction and transportation machines travel systems and recommendations for these parameters applied to machines that are on design or modernization stage. The database of crawler agricultural tractors particularly in such parameters as traction class and basic operational weight, engine power rating, average ground pressure, square of track basic branch surface area was modeled. Meanwhile the considered machines were divided into two groups by producing countries: Europe/North America and Russian Federation/CIS. The main graphical dependences for every group of machines are plotted, and the conforming analytical dependences within the ranges with greatest concentration of machines are generated. To make the procedure of obtaining parameters of the soil panning by tractors easier it is expedient to use the program tool - artificial neural network (or perceptron). It is necessary to apply to the solution of this task multilayered perceptron - neutron network of direct distribution of signals (without feedback). To carry out the analysis of parameters of running systems taking into account parameters of the soil panning by them and to recommend the choice of these parameters for newly created machines. The program code of artificial neural network is developed. On the basis of the created base of tractors the artificial neural network was created and tested. Accumulated error was not more than 5 percent. These data indicate the results accuracy and tool reliability. It is possible by operating initial design-data base and using the designed artificial neural network to define missing parameters.

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