Digital twin of a machine-tractor unit as a tool for optimizing operating modes in variable field conditions.
DOI:
https://doi.org/10.31359/2311.441X.2026.28.16Keywords:
digital twin, machine-tractor unit, adaptive control, traction-dynamic characteristics, energy efficiency, agrotechnological parameters, precision agriculture, IoT, GPS, Data Fusion, Model Predictive ControlAbstract
Abstract. The article substantiates the scientific and technical principles of using a digital twin of a machine-tractor unit as a tool for optimizing operating modes under variable field conditions. It is shown that the efficiency of a machine-tractor unit is determined not only by the design parameters of the tractor and agricultural implement, but also by the ability of the control system to promptly take into account changes in draft resistance, soil moisture and density, wheel slip, field relief, tillage depth, travel speed and engine energy mode. A conceptual architecture of the digital twin of a machine-tractor unit is proposed, including the physical level of the unit, sensor level, data acquisition and synchronization level, model level, adaptive control level, optimization level, and interaction level with the operator and cloud infrastructure. The application of Model-Based Systems Engineering, Data Fusion, Edge Computing, IoT, GPS navigation, predictive control and artificial intelligence algorithms for creating an adaptive decision-support system is substantiated.
A logical and mathematical description of the digital twin operation is developed, taking into account the traction balance of the unit, engine energy characteristics, wheel slip, tillage implement resistance and agrotechnological constraints. A multi-criteria approach to optimizing operating modes is proposed according to the criteria of minimizing specific fuel consumption, reducing wheel slip, ensuring stable tillage depth, increasing productivity and maintaining agrotechnical requirements. A simulation-based scenario is presented, demonstrating the potential possibility of reducing specific fuel consumption, stabilizing traction load and increasing the energy efficiency of the unit through adaptive selection of travel speed, gear ratio, hitch position and allowable wheel slip range.
References
1. Grieves M. Digital Twin: Manufacturing Excellence through Virtual Factory Replication. White paper. 2014. 7 p.
2. Tao F., Zhang H., Liu A., Nee A. Y. C. Digital Twin in Industry: State-of-the-Art. IEEE Transactions on Industrial Informatics. 2019. Vol. 15, No. 4. P. 2405–2415. DOI: 10.1109/TII.2018.2873186.
3. Kritzinger W., Karner M., Traar G., Henjes J., Sihn W. Digital Twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine. 2018. Vol. 51, No. 11. P. 1016–1022. DOI: 10.1016/j.ifacol.2018.08.474.
4. ISO 23247-1:2021. Automation systems and integration — Digital twin framework for manufacturing — Part 1: Overview and general principles. Geneva : International Organization for Standardization, 2021.
5. Wolfert S., Ge L., Verdouw C., Bogaardt M. J. Big Data in Smart Farming – A review. Agricultural Systems. 2017. Vol. 153. P. 69–80. DOI: 10.1016/j.agsy.2017.01.023.
6. Verdouw C., Tekinerdogan B., Beulens A., Wolfert S. Digital twins in smart farming. Agricultural Systems. 2021. Vol. 189. Article 103046. DOI: 10.1016/j.agsy.2020.103046.
7. Pylianidis C., Osinga S., Athanasiadis I. N. Introducing digital twins to agriculture. Computers and Electronics in Agriculture. 2021. Vol. 184. Article 105942. DOI: 10.1016/j.compag.2020.105942.
8. Nasirahmadi A., Hensel O. Toward the next generation of digitalization in agriculture based on digital twin paradigm. Sensors. 2022. Vol. 22, No. 2. Article 498. DOI: 10.3390/s22020498.
9. Moghadam P., Lowe T., Edwards E. J. Digital twin for the future of agriculture. Journal of Field Robotics. 2020. Vol. 37, No. 6. P. 973–976. DOI: 10.1002/rob.21943.
10. Subeesh A., Mehta C. R. Automation and digitization of agriculture using artificial intelligence and internet of things. Artificial Intelligence in Agriculture. 2021. Vol. 5. P. 278–291. DOI: 10.1016/j.aiia.2021.11.004.
11. Zhang Y. Construction method of high-horsepower tractor digital twin. Digital Twin. 2024. DOI: 10.12688/digitaltwin.17615.2.
12. Chen F. et al. Shifting strategy for power shift tractors based on digital twin and reinforcement learning. Computers and Electronics in Agriculture. 2025.
13. Zoz F. M., Grisso R. D. Traction and Tractor Performance. ASABE Distinguished Lecture Series. St. Joseph : ASABE, 2003.
14. Ranjbarian S., Askari M., Jannatkhah J. Performance of tractor and tillage implements in clay soil. Journal of the Saudi Society of Agricultural Sciences. 2017. Vol. 16, No. 2. P. 154–162. DOI: 10.1016/j.jssas.2015.05.003.
15. Артьомов М. П., Подригало М. А., Макаренко М. Г. Вдосконалення тракторів використанням інтелектуальних автоматизованих систем управління. Вісник Харківського національного технічного університету сільського господарства імені Петра Василенка. Технічні науки. 2019. Вип. 199: Механізація сільськогосподарського виробництва. С. 160–166.
16. Макаренко М. Г., Макаренко О. М., Григораш О. Г. Підвищення тягових показників блочно-модульних тягово-приводних агрегатів. Вісник Харківського національного технічного університету сільського господарства імені Петра Василенка. Технічні науки. 2014. Вип. 148. С. 295–304.
17. Метод парціальних прискорень та його застосування в динаміці мобільних машин: колективна монографія / за ред. М. А. Подригала, М. П. Артьомова. Харків: «Естет Прінт», 2025. 231 с. ISBN 978-617-8403-01-0.
18. Макаренко Т. В., Макаренко М. Г., Гармаш Д. О. Інноваційні підходи до підвищення ефективності машинно-тракторних агрегатів у точному землеробстві шляхом впровадження комбінованих машин. Технічний прогрес в АПК: матеріали ХХ Міжнародної науково-практичної конференції, 21–22 травня 2025 р. Харків : ДБТУ, 2025. С. 209–212.
19. 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, 2024. С. 192.
20. 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.
References
1. Grieves M. Digital Twin: Manufacturing Excellence through Virtual Factory Replication. White paper. 2014. 7 p.
2. Tao F., Zhang H., Liu A., Nee A. Y. C. Digital Twin in Industry: State-of-the-Art. IEEE Transactions on Industrial Informatics. 2019. Vol. 15, No. 4. P. 2405–2415. DOI: 10.1109/TII.2018.2873186.
3. Kritzinger W., Karner M., Traar G., Henjes J., Sihn W. Digital Twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine. 2018. Vol. 51, No. 11. P. 1016–1022. DOI: 10.1016/j.ifacol.2018.08.474.
4. ISO 23247-1:2021. Automation systems and integration — Digital twin framework for manufacturing — Part 1: Overview and general principles. Geneva : International Organization for Standardization, 2021.
5. Wolfert S., Ge L., Verdouw C., Bogaardt M. J. Big Data in Smart Farming – A review. Agricultural Systems. 2017. Vol. 153. P. 69–80. DOI: 10.1016/j.agsy.2017.01.023.
6. Verdouw C., Tekinerdogan B., Beulens A., Wolfert S. Digital twins in smart farming. Agricultural Systems. 2021. Vol. 189. Article 103046. DOI: 10.1016/j.agsy.2020.103046.
7. Pylianidis C., Osinga S., Athanasiadis I. N. Introducing digital twins to agriculture. Computers and Electronics in Agriculture. 2021. Vol. 184. Article 105942. DOI: 10.1016/j.compag.2020.105942.
8. Nasirahmadi A., Hensel O. Toward the next generation of digitalization in agriculture based on digital twin paradigm. Sensors. 2022. Vol. 22, No. 2. Article 498. DOI: 10.3390/s22020498.
9. Moghadam P., Lowe T., Edwards E. J. Digital twin for the future of agriculture. Journal of Field Robotics. 2020. Vol. 37, No. 6. P. 973–976. DOI: 10.1002/rob.21943.
10. Subeesh A., Mehta C. R. Automation and digitization of agriculture using artificial intelligence and internet of things. Artificial Intelligence in Agriculture. 2021. Vol. 5. P. 278–291. DOI: 10.1016/j.aiia.2021.11.004.
11. Zhang Y. Construction method of high-horsepower tractor digital twin. Digital Twin. 2024. DOI: 10.12688/digitaltwin.17615.2.
12. Chen F. et al. Shifting strategy for power shift tractors based on digital twin and reinforcement learning. Computers and Electronics in Agriculture. 2025.
13. Zoz F. M., Grisso R. D. Traction and Tractor Performance. ASABE Distinguished Lecture Series. St. Joseph : ASABE, 2003.
14. Ranjbarian S., Askari M., Jannatkhah J. Performance of tractor and tillage implements in clay soil. Journal of the Saudi Society of Agricultural Sciences. 2017. Vol. 16, No. 2. P. 154–162. DOI: 10.1016/j.jssas.2015.05.003.
15. Artiomov M. P., Podryhalo M. A., Makarenko M. H. Vdoskonalennia traktoriv vykorystanniam intelektualnykh avtomatyzovanykh system upravlinnia. Visnyk Kharkivskoho natsionalnoho tekhnichnoho universytetu silskoho hospodarstva imeni Petra Vasylenka. Tekhnichni nauky. 2019. Vyp. 199: Mekhanizatsiia silskohospodarskoho vyrobnytstva. S. 160–166.
16. Makarenko M. H., Makarenko O. M., Hryhorash O. H. Pidvyshchennia tiahovykh pokaznykiv blochno-modulnykh tiahovo-pryvodnykh ahrehativ. Visnyk Kharkivskoho natsionalnoho tekhnichnoho universytetu silskoho hospodarstva imeni Petra Vasylenka. Tekhnichni nauky. 2014. Vyp. 148. S. 295–304.
17. Metod partsialnykh pryskoren ta yoho zastosuvannia v dynamitsi mobilnykh mashyn : kolektyvna monohrafiia / za red. M. A. Podryhala, M. P. Artiomova. Kharkiv : «Estet Print», 2025. 231 s. ISBN 978-617-8403-01-0.
18. Makarenko T. V., Makarenko M. H., Harmash D. O. Innovatsiini pidkhody do pidvyshchennia efektyvnosti mashynno-traktornykh ahrehativ u tochnomu zemlerobstvi shliakhom vprovadzhennia kombinovanykh mashyn. Tekhnichnyi prohres v APK: materialy KhKh Mizhnarodnoi naukovo-praktychnoi konferentsii, 21–22 travnia 2025 r. Kharkiv : DBTU, 2025. S. 209–212.
19. Makarenko M. H., Pyrizhok V. I. Vykorystannia shtuchnoho intelektu u vbudovanykh systemakh silskohospodarskykh traktoriv // Molod i industriia 4.0 v XXI stolitti: materialy KhKh Mizhnar. forumu molodi, 4–5 kvit. 2024 r. Kharkiv: DBTU, 2024. S. 192.
20. Makarenko M. H., Kalashnyk Ye. A. Rol informatsiinykh tekhnolohii u vdoskonalenni funktsionalnykh mozhlyvostei blochno-modulnykh traktoriv // Tekhnichnyi prohres v APV: materialy Mizhnarodnoi naukovo-praktychnoi konferentsii, 21–22 travnia 2024 r. Kharkiv: DBTU, 2024. S. 67–68.
