Інтелектуальна ретрофітна система предиктивної діагностики електронних систем керування гідроприводом і трансмісією тракторів та автомобілів
DOI:
https://doi.org/10.31359/2311.441X.2026.28.8Ключові слова:
предиктивна діагностика, ретрофітна система, електронні системи керування, гідропривід, трансмісія, телематика, машинне навчання, технічний стан, CAN-шина, ISOBUS, вібраційний аналіз, акустичний аналізАнотація
Анотація У статті розглянуто науково-прикладну проблему підвищення достовірності, своєчасності та прогностичної цінності діагностування електронних систем керування гідроприводом і трансмісією тракторів та автомобілів у реальних умовах експлуатації. На підставі аналізу сучасних досліджень і вітчизняних публікацій установлено, що штатні засоби бортової діагностики та регламентні форми технічного обслуговування не забезпечують достатньої чутливості до передвідмовних станів у складних електрогідравлічних і трансмісійних підсистемах. Обґрунтовано доцільність застосування інтелектуальної ретрофітної системи, яка інтегрується в наявну електронну архітектуру машини без повної заміни штатних вузлів і поєднує бортовий збір даних, телематичний моніторинг, периферійну та централізовану аналітичну обробку, а також методи машинного навчання. Визначено, що найбільш інформативними для предиктивної оцінки технічного стану є багатоканальні часові ряди, сформовані за сигналами CAN- та ISOBUS-середовища й додаткових сенсорів тиску, температури, струму, вібрації, частоти обертання, акустичних характеристик і положення виконавчих елементів. Доведено, що поєднання телематики, віброакустичного контролю, моделювання перехідних процесів і методів машинного навчання створює підстави для раннього виявлення деградаційних процесів, зменшення аварійних простоїв і переходу від регламентного та реактивного сервісу до прогнозно-орієнтованого технічного обслуговування.
Посилання
Список використаних джерел
1. Theissler A., Pérez-Velázquez J., Kettelgerdes M., Elger G. Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry // Reliability Engineering & System Safety. 2021. Vol. 215. Art. 107864. DOI: 10.1016/j.ress.2021.107864.
2. Arena F., Collotta M., Luca L., Ruggieri M., Termine F. G. Predictive Maintenance in the Automotive Sector: A Literature Review // Mathematical and Computational Applications. 2022. Vol. 27, no. 1. Art. 2. DOI: 10.3390/mca27010002.
3. Montero Jimenez J. J., Schwartz S., Vingerhoeds R., Grabot B., Salaün M. Towards multi-model approaches to predictive maintenance: A systematic literature survey on diagnostics and prognostics // Journal of Manufacturing Systems. 2020. Vol. 56. P. 539–557. DOI: 10.1016/j.jmsy.2020.07.008.
4. Hossain M. N., Rahman M. M., Ramasamy D. Artificial Intelligence-Driven Vehicle Fault Diagnosis to Revolutionize Automotive Maintenance: A Review // Computer Modeling in Engineering & Sciences. 2024. Vol. 141, no. 2. DOI: 10.32604/cmes.2024.056022.
5. ISO 11783-1:2017. Tractors and machinery for agriculture and forestry — Serial control and communications data network — Part 1: General standard for mobile data communication. Geneva: International Organization for Standardization, 2017.
6. ISO 11783-12:2019. Tractors and machinery for agriculture and forestry — Serial control and communications data network — Part 12: Diagnostics services. Geneva: International Organization for Standardization, 2019.
7. Lajunen A., Hovio H. Development of a low-cost telematics system for smart farming operations // 2024 ASABE Annual International Meeting, Anaheim, California, July 28–31, 2024. Paper No. 2401057. DOI: 10.13031/aim.202401057.
8. Bettucci F., Sozzi M., Benetti M., Sartori L. A data-driven approach to agricultural machinery working states analysis during ploughing operations // Smart Agricultural Technology. 2024. Vol. 8. Art. 100511. DOI: 10.1016/j.atech.2024.100511.
9. König C., Helmi A. M. Sensitivity Analysis of Sensors in a Hydraulic Condition Monitoring System Using CNN Models // Sensors. 2020. Vol. 20, no. 11. Art. 3307. DOI: 10.3390/s20113307.
10. Fawwaz D. Z., Chung S.-H. Real-Time and Robust Hydraulic System Fault Detection via Edge Computing // Applied Sciences. 2020. Vol. 10, no. 17. Art. 5933. DOI: 10.3390/app10175933.
11. Tao H., Jia P., Wang X., Wang L. Real-Time Fault Diagnosis for Hydraulic System Based on Multi-Sensor Convolutional Neural Network // Sensors. 2024. Vol. 24, no. 2. Art. 353. DOI: 10.3390/s24020353.
12. Xue L., Jiang H., Zhao Y., Wang J., Wang G., Xiao M. Fault diagnosis of wet clutch control system of tractor hydrostatic power split continuously variable transmission // Computers and Electronics in Agriculture. 2022. Vol. 194. Art. 106778. DOI: 10.1016/j.compag.2022.106778.
13. Wang G., Xue L., Zhu Y., Zhao Y., Jiang H., Wang J. Fault diagnosis of power-shift system in continuously variable transmission tractors based on improved echo state network // Engineering Applications of Artificial Intelligence. 2023. Vol. 126. Art. 106852. DOI: 10.1016/j.engappai.2023.106852.
14. Yang Y., Ding L., Xiao J., Fang G., Li J. Current Status and Applications for Hydraulic Pump Fault Diagnosis: A Review // Sensors. 2022. Vol. 22, no. 24. Art. 9714. DOI: 10.3390/s22249714.
15. Макаренко М. Г., Шевченко І. О., Хейло В. О., Пиріжок В. І. Електронні системи керування та діагностики сучасних автомобілів: проблеми і рішення // Збірник тез та доповідей міжнародної конференції «Енергетичні установки та альтернативні джерела енергії». 11–12 березня 2024 року. Харків: ХНАДУ, 2024. С. 274–278.
16. Макаренко М. Г., Пиріжок В. І. Використання штучного інтелекту у вбудованих системах сільськогосподарських тракторів // Молодь і індустрія 4.0 в XXI столітті: матеріали ХХ Міжнар. форуму молоді, 4–5 квіт. 2024 р. Харків: ДБТУ, 2024. С. 192.
17. Макаренко М. Г., Калашник Є. А. Роль інформаційних технологій у вдосконаленні функціональних можливостей блочно-модульних тракторів // Технічний прогрес в АПВ: матеріали Міжнародної науково-практичної конференції, 21–22 травня 2024 р. Харків: ДБТУ, 2024. С. 67–68.
18. Шевченко І. О., Макаренко М. Г., Блезнюк О. В. Прогнозування технічного стану автомобільних трансмісій на основі інтегрованого аналізу вібраційних і акустичних характеристик із застосуванням передових методів штучного інтелекту та моделювання перехідних процесів // Технічний сервіс агропромислового, лісового та транспортного комплексів. 2025. № 26. С. 149–162.
