Техніка та енергетика

Аналітична структурно-енергетична модель агротроніки комбайнового збирання зернового збіжжя

Руслан Шатров*

10bshatrovruslam@gmail.com

Завантажити статтю
Анотація

Актуальність роботи зумовлена необхідністю підвищення точності оцінювання надійності та прогнозування ресурсу елементів зернозбиральних комбайнів в умовах інтенсивного енергетичного навантаження та впливу внутрішніх дефектів матеріалів. Метою роботи було обґрунтування та розвиток аналітичного підходу до формування структурно-енергетичної моделі агротроніки комбайнового збирання зернового збіжжя. У дослідженні використано методи структурно-енергетичного моделювання, теорії ймовірностей, зокрема розподілу Пуассона, математичного моделювання процесів накопичення пошкоджень, а також підходи неруйнівного контролю та експериментальні випробування елементів машин. Встановлено, що процес відмови елементів визначається накопиченням енергії та формуванням мікроструктурних пошкоджень, що дозволяє описати перехід системи у граничний стан через ймовірнісні залежності. Доведено, що параметри моделі (n та α) залежать від розмірів і характеру дефектних структур матеріалу та можуть змінюватися монотонно з їх збільшенням. Показано, що ймовірність безвідмовної роботи є функцією енергетичного впливу та часу експлуатації, що дає змогу прогнозувати залишковий ресурс елементів. Експериментально підтверджено суттєвий вплив внутрішніх дефектів матеріалу на довговічність деталей, навіть за однакових зовнішніх умов навантаження. Показано, що використання результатів неруйнівного контролю, зокрема томографічних методів, дозволяє ідентифікувати критичні параметри дефектних структур. Узагальнено, що використання структурно-енергетичного підходу підвищує точність оцінювання технічного стану та дозволяє враховувати мікроструктурні особливості матеріалів. Запропонований підхід може бути використаний для формування інтелектуальних систем прогнозування відмов та технічного обслуговування. Практична цінність роботи полягає у можливості застосування результатів для неруйнівної діагностики, прогнозування ресурсу та вдосконалення систем моніторингу технічного стану зернозбиральних комбайнів

Ключові слова

надійність технічних систем; зернозбиральний комбайн; мікроструктурні пошкодження матеріалів; прогнозування залишкового ресурсу; неруйнівна діагностика; ймовірнісне моделювання відмов; енергетичні процеси руйнування

ЦИТУВАТИ
Shatrov, R. (2026). Analytical structural and energy model of agrotronics for combine harvesting of grain crops. Machinery & Energetics, 17(2), 98-107. https://doi.org/10.31548/machinery/2.2026.8
Використані джерела
  1. Ahang, W., Guo, H., Zhao, B., Liu, S., Zhou, L., Wang, F., Li, Z., & Liu, Y. (2026). Integrated operational monitoring and fault early warning system for wheat combine harvesters based on CAN bus. International Journal of Agricultural and Biological Engineering, 19(1), 170-178. doi: 10.25165/j.ijabe.20261901.8941.
  2. Eshaghi, C.A., & Aghaie, A. (2022). Data fusion techniques for fault diagnosis of industrial machines: A survey. Computational Sciences and Engineering, 2(2), 239-250. doi: 10.22124/cse.2023.23757.1040.
  3. Liu, Y., & Zhang, H. (2022). Stochastic damage accumulation in materials under fatigue loading. International Journal of Fatigue, 29(6). doi: 10.1016/j.ijfatigue.2006.09.009.
  4. Nadai, L., Felde, I., Ardabili, S., Mesri Gundoshmian, T., Pinter, G., & Mosavi, A. (2020). Performance analysis of combine harvester using hybrid model of artificial neural networks particle swarm optimization. In Proceedings of the 2020 RIVF international conference on computing and communication technologies (RIVF) (pp. 1-6). IEEE.
  5. Qiao, Y., Wang, S., Shi, J., Liu, D., & Tao, M. (2024). Reliability model based on fault energy dissipation for mechatronic system. Reliability Engineering & System Safety, 250, article number 110295. doi: 10.1016/j.ress.2024.110295.
  6. Qiu, Z., Shi, G., Zhao, B., Jin, X., & Zhou, L. (2022). Combine harvester remote monitoring system based on multi-source information fusion. Computers and Electronics in Agriculture, 194, article number 106771. doi: 10.1016/j.compag.2022.106771.
  7. Reznik, N., Rogovskii, I., Havrylyuk, V., Riepina, I., Khodakyvskyy, V., Demchenko, T., & Kotliarov, V. (2025). Engineering and security management of technological transformation trends of agrotronics. In B. Alareeni (Ed.) Big data in finance: Transforming the financial landscape (pp. 289-298). New York: Springer. doi: 10.1007/978-3-031-75095-3_23.
  8. Rahman, M. S., & Guo, H. (2023). Sensitivity analysis of the DehumReq model to evaluate the impact of predominant factors on dehumidification requirement of greenhouses in cold regions. Information Processing in Agriculture, 10(2), 216-228. doi: 10.1016/j.inpa.2022.06.006.
  9. Rogovskii, I.L. (2021). Development of complex technical and technological measures for improving the operability of agricultural machines. (Doctoral dissertation, National University of Life and Environmental Sciences of Ukraine, Kyiv, Ukraine).
  10. Shen, J., Yang, S., Zhao, C., Ren, X., Zhao, P., Yang, Y., Han, Q., & Wu, S. (2023). Federated learning for equipment fault diagnosis. IEEE Access, 11, 99821-99835. doi: 10.1109/ACCESS.2023.3270001.
  11. Sinitsin, V., Ibryaeva, O., Sakovskaya, V., & Eremeeva, V. (2021). Bearing fault diagnosis using hybrid CNN-MLP models. Engineering Applications of Artificial Intelligence, 103, article number 104295. doi: 10.1016/j.engappai.2021.104295.
  12. Tien, S.-C., Wei, H., Chen, J., & Liu, Y. (2022). Energy-based time derivative damage accumulation model under uniaxial and multiaxial random loadings. Fatigue & Fracture of Engineering Materials & Structures, 45(1), 159-173. doi: 10.1111/ffe.13591.
  13. Wang, B., Zhong, S., Lee, T.-L., Fancey, K. S., & Mi, J. (2020). Non-destructive testing of composite materials: A review. Advanced in Medical Engeneering, 12(4), 1-8.
  14. Wang, B., Zhong, S., Lee, T.-L., Fancey, K. S., & Mi, J. (2020). Non-destructive testing and evaluation of composite materials/structures: A state-of-the-art review. Advances in Mechanical Engineering, 12(4). doi: 10.1177/1687814020913760.
  15. Wang, H., Lao, L., Zhang, H., Tang, Z., Qian, P., & He, Q. (2025). Structural fault detection and diagnosis for combine harvesters: A critical review. Sensors, 25(13), article number 3851. doi: 10.3390/s25133851.
  16. Xu, R., Xu, D., Zhang, J., Zhang, H., Li, B., He, K., Li, W., Zhang, J., & Feng, Z. (2024). A framework for constructing agricultural cognitive intelligence services and its application practice. Journal of Nanjing University(Natural Sciences), 60(4), 613-624. doi: 10.13232/j.cnki.jnju.2024.04.008.
  17. Zhang, S., Zang, C., Yang, Z., Tang, L., Wang, K., Chen, W., Song, Q., & Wei, X. (2025). Fault prediction and control systems for unmanned harvesters based on IPSO-SVM. Frontiers in Plant Science, 16, article number 1577175. doi: 10.3389/fpls.2025.1577175.
  18. Zhang, S., Zhai, Q., & Li, Y. (2023). Degradation modeling and remaining useful life prediction with Wiener process considering measurable and unobservable external impacts. Reliability Engineering & System Safety, 231, article number 108921.
  19. Zhang, W., Zhao, B., Zhou, L., Wang, J., Niu, K., Wang, F., & Wang, R. (2022). Comprehensive operation and maintenance of combine harvesters based on fault diagnosis systems. Agriculture, 12(6), article number 893. doi: 10.3390/agriculture12060893.
  20. Zhou, X., Xu, X., Zhang, J., Wang, L., Wang, D., & Zhang, P. (2023). Fault diagnosis of silage harvester based on a modified random forest. Information Processing in Agriculture, 10(3), 301-311. doi: 10.1016/j.inpa.2022.01.004.