Intelligent retrofit system for predictive diagnostics of electronic hydraulic drive and transmission control systems of tractors and automobiles
DOI:
https://doi.org/10.31359/2311.441X.2026.28.8Keywords:
predictive diagnostics, retrofit system, electronic control systems, hydraulic drive, transmission, telematics, machine learning, technical condition, CAN bus, ISOBUS, vibration analysis, acoustic analysisAbstract
Abstract. The article addresses the scientific and applied problem of improving the reliability, timeliness and prognostic value of diagnostics of electronic control systems of hydraulic drive and transmission in tractors and automobiles under real operating conditions. Based on recent studies and Ukrainian publications, it is established that conventional scheduled maintenance and standard onboard diagnostic tools do not provide sufficient sensitivity to pre-failure states in complex electrohydraulic and transmission subsystems. The feasibility of an intelligent retrofit system is substantiated. Such a system is integrated into the existing electronic architecture of a machine without complete replacement of standard units and combines onboard data acquisition, telematics, edge and centralized analytical processing, and machine-learning methods. It is determined that the most informative basis for predictive assessment of technical condition is multichannel time-series data generated from CAN and ISOBUS environments and additional sensors of pressure, temperature, current, vibration, rotational speed, acoustic characteristics and actuator position. It is shown that the combination of telematics, vibroacoustic monitoring, transient-process modeling and machine-learning methods provides the basis for early detection of degradation processes, reduction of unplanned downtime and transition from reactive and schedule-based service to prognostics-oriented maintenance.
References
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.
