Цифровизация процесса поддержки принятия агротехнологических решений. Обоснование инфраструктуры системы автоматизации диагностирования тракторных двигателей

Введение. Постановка проблемы. Определяющими факторами эффективности сельхозпредприятия являются компетентное планирование комплекса агротехнологий, основанное на привлечении и анализе многосторонней и достоверной информации в данной предметной области; надлежащее выполнение запланированных технологических операций на каждом этапе производства и оперативное управление на основе оценки складывающейся производственной ситуации. Процесс принятия агротехно логических решений происходит путем выбора технологических операций предпочтительно на альтернативной основе, эффективное выполнение которых в значительной мере определяется степенью полномасштабного достоверного формирования информационного пространства данной предметной области и обеспечения его функционирования [15,22. 23].

Очевидно, что информационное пространство практической деятельности конкретного хозяйства должно целенаправленно формироваться на основе имеющихся информационных ресурсов всех уровней и обеспечивать взаимосвязанное решение основных технологических и управленческих задач. Среди них: выбор структуры и объёмов производства растениеводческой продукции: определение схемы севооборотов и подбора соответствующих культур и сортов с оптимальным размещением их по полям хозяйства; проектирование пакета технологий, адаптированных к природным и хозяйственным условиям сельхозпредприятия. Кроме того, важна подготовка мероприятий для оценки их дифференциации по уровням интенсификации производства в зависимости от ресурсного потенциала. Немаловажными являются также данные и знания по формированию и обеспечению функционирования машинно-тракторного парка (МТП) [5].

На основе методического подхода, основанного на реализации практической схемы действий сельхозтоваропроизводителя при планировании агротехнологических операций и формировании конкретных технологических карт, а также с использованием разработок по автоматизированному выбору агротехнологий и тракторного парка сельхозпредприятия авторами была предложена перспективная, на наш взгляд, модель формирования информационного пространства сельхозтоваропроизводителя для поддержки принятия агротехнологических решений. Модель включает значимые информационные составляющие рассматриваемого процесса и их взаимодействие; она состоит из блоков сбора и преобразования исходной информации, формирования баз данных и баз знаний, оперативного мониторинга текущей информации, анализа данных и формирования альтернативных решений, функционально связанных с ядром единой информационно-технологической платформы предприятия. Создание баз знаний осуществляется с применением моделей представления знаний. Для принятия решений привлекается соответствующий набор математических и семантических моделей и алгоритмов [2, 19].

Одной из основных составляющих информационного пространства при формировании и выполнении агротехнологий являются данные и знания по формированию и обеспечению функционирования машинно-тракторного парка (МШ). Необходимо определить оптимальный состав машинно-тракторного парка, установить наиболее целесообразное соотношение между отдельными типами и марками тракторов и сельскохозяйственных машин и их количеством в условиях конкретного хозяйства. При этом проблема обеспечения работоспособности техники всегда актуальна и является одним из важнейших приоритетов сельскохозяйственного производства, необходимых для обеспечения конкурентоспособности сельскохозяйственного производства. В немалой степени это зависит от наличия в хозяйствах эффективных систем диагностирования тракторов и их основного энергетического средства двигателя внутреннего сгорания (ДВС). Для поддержки устойчивого работоспособного состояния двигателей в нормальном экономичном режиме очевидна необходимость разработки и практической реализации методов и средств оперативной оценки эксплуатационных параметров ДВС, что позволит принимать своевременные управляющие воздействия.

Анализ направлении, 76

решения проблемы. Исследования, проводимые ранее авторами в этом позволили разработать диагностические информационные измерительные

Агротехника и энергообеспечение. — 2024. — № 4 (45)

системы анализа быстропротекающих рабочих процессов ДВС в сочетании с типовыми экспертными системами — измерительные экспертные системы (ИЭС), создать автоматизированные технологические комплексы экспертизы ДВС, показавшие свою результативность [1,9, 18, 20].

В настоящее время цифровой трансформации сельскохозяйственного производства одним из основных направлений совершенствования эксплуатации машинно-тракторного парка агропромышленного комплекса (МТП) и поддержания техники в работоспособном состоянии получает онлайн-мониторинг технического состояния техники и цифровизация процессов диагностирования. Цифровая диагностика реализовывается тремя путями: встроенное диагностирование — практически все современные автоматизированные системы имеют системы самодиагностики, компьютерное диагностирование и онлайн-диагностирование, причем в самое ближайшее время ведущее место займет дистанционная онлайн-диагностика с применением обычных серверов облачных технологий вместо компьютерной диагностики в центрах диагностики [11,14].

Важное непреходящее значение для цифровизации диагностирования тракторных двигателей имеют исследования, направленные на разработку и совершенствование методов и средств определения эксплуатационных параметров двигателей, использования различных физических процессов, характеризующих техническое состояние двигателя. Среди них, например, тестовый метод контроля технического состояния цилиндропоршневой группы на основе анализа чувствительности выходного параметра - массового расхода воздуха, способ определения эффективной мощности по величине реакций опор двигателя внутреннего сгорания при работе в режиме свободного разгона, диагностирование фаз газораспределения [7,8,16]. Отличительной чертой такого типа исследований является все расширяющееся применение для сбора, анализа и обработки физических процессов современных интеллектуальных и облачных технологий [12,13,17,21].

Очевидно, что для цифрового диагностирования и управления техническим состоянием тракторных двигателей необходимо привлекать всю совокупность информации сопровождающую этот технологический процесс (информационные потоки данных и знаний, их взаимодействие) о значениях его эксплуатационных параметров, в том числе и прогнозируемых, отклонениях от нормальных значений, вырабатываемых управляющих сигналах и командах. Такой подход предопределяет разработку адекватной инфраструктуры системы автоматизации диагностирования и управления техническим состоянием тракторных двигателей, определения функциональных возможностей технических и программных продуктов, применение которых решающим образом влияет на качественные работы тракторных двигателей и соответственно, эффективность деятельности хозяйства, снижает энергозатраты и повышает его конкурентоспособность.

Цель исследований - на основе рассмотрения информационных потоков процесса оценки эксплуатационных параметров тракторных ДВС сформировать инфраструктуру системы автоматизации диагностирования и управления состоянием тракторных двигателей.

Материалы и методы. Исследования выполнены с помощью информационных и аналитических методов, системного подхода, логического и математического анализа материалов. Отмечая большой объем разнообразной информации, имеющийся в этой предметной области, обосновано применение метода информационного моделирования как наиболее адаптивного инструмента анализа для целостного и формализованного описания процесса автоматизированной оценки эксплуатационных параметров тракторных ДВС.

Результаты исследования. На основе анализа взаимодействия информационных

Агротехники и энергообеспечение. - 2024. —№ 4(4$ "

потоков процесса оценки эксплуатационных параметров тракторных ДВС обоснована инфраструктура системы автоматизации диагностирования и управления состоянием тракторных двигателей, схема которой приведена на рисунке 1.

Рисунок 1 - Схема инфраструктуры системы автоматизации диагностики и управления техническим состоянием тракторных двигателей

Определен состав информационных составляющих данной предметной области и их взаимодействие в процессе диагностирования путем мониторинга и прогнозирования эксплуатационных параметров, выявление отклонений их текущих значений от паспортных данных (нормальных значений) и выдачи рекомендаций по мерам воздействия на ДВС. Учитывая необходимость целенаправленной обработки и анализа больших объемов разнообразной информации, сопровождающей эксплуатацию тракторных двигателей в составе МГА при выполнении полевых работ в растениеводстве, обоснована интеграция передовых цифровых методов математического и семантического анализа, интеллектуальных и облачных технологий. Для получения измерительной информации предусмотрено применение как штатных датчиков, так и дополнительных датчиков физических процессов, характеризующих техническое состояние двигателей. В состав инфраструктуры входит бортовая система диагностики и управления, включающая датчики первичной диагностической информации, блок оперативного мониторинга, локальная база данных (идентификаторы ключей), интерфейс пользователя, а также облачная инфраструктура, включающая удаленный сервер баз данных и знаний, блок оперативного мониторинга и прогнозирования эксплуатационных параметров, экспертная система.

Следует отметить, что отличительной особенностью инфраструктуры является применение наряду с интеллектуальными технологиями (экспертная система, машинное обучение), и облачных технологий для расчета параметров по массивам данных текущего состояния ДВС, поступающих в «реальном времени» с бортовой системы диагностики и управления. Привлечение облачной инфраструктуры, имеющей практически «неограниченные ресурсы и возможности», позволяет существенно упростить архитектуру системы, исключить мощный парк серверов непосредственно в сельхозпредприятии

Взаимодействие информационных потоков. Блок оперативного мониторинга получает информацию с датчиков ДВС трактора, обрабатывает ее и транслирует на интерфейс пользователя, одновременно сохраняя коды сигналов для доступа к удаленному серверу баз данных. Пользователь взаимодействует с интерфейсом, отправляя запросы к удаленной экспертной системе, которая предоставляет рекомендации. Интерфейс также передает информацию в облачную инфраструктуру, где данные обрабатываются с использованием математических моделей для расчета текущих значений эксплуатационных параметров и машинного обучения для формирования прогнозов (ожидаемых значений параметров) с последующим расчетом их отклонений от нормальных (паспортных) значений, на основании чего экспертная система выдает результаты обработки на интерфейс пользователя в виде предоставления рекомендаций (команд). Исполнительные устройства, при их наличии, получают команды от бортовой системы и выполняют, при необходимости, действия по управлению техническим состоянием (обеспечением нормальных значений эксплуатационных параметров). Предусмотрено и ручное исполнение экспертных рекомендаций по необходимым мерам воздействия (настройки, регулировки ремонт).

Рассмотрим несколько аспектов, связанных с реализацией предложенной инфраструктуры системы автоматизации диагностирования и управления техническим состоянием тракторных двигателей, в части подбора инструментальных программных средств для выполнения функциональных возможностей системы и применения диагностических сигналов, характеризующих техническое состояние тракторных двигателей для оценки эксплуатационных энергетических параметров.

Что касается использования имеющихся на рынке инструментальных программных средств при реализации предложенной инфраструктуры системы автоматизации диагностирования и управления состоянием тракторных двигателей, то в результате предварительного рассмотрения имеющихся решений [6, 10] наибольший интерес для осуществления ряда функций, необходимых при разработке и последующем использовании системы по назначению, представляют следующие решения (программные средства).

Исследование и тестирование бортовой системы диагностики и управления.

TensorFlaw, Keras, PyTorch — библиотеки машинного и глубокого обучения - для разработки алгоритмов диагностики. Scikit-learn - библиотека для Python, которая содержит множество алгоритмов машинного обучения, таких как регрессия, классификация.

Matplotlib, Seaborn - библиотеки для визуализа

INS IS

данных, для отображения

результатов диагностики.

Для интеграции системы с существующими бортовыми устройствами и сенсорами: MQIT, СоАР, ХМРР - протоколы для передачи данных между бортовыми устройствами и облачной инфраструктурой.

REST API — стандартный интерфейс дтя обмета данными между программами - для интеграции системы с существующими устройствами.

Тестирование системы в различных условиях эксплуатации.

VirtualBox, VMware.. Docker —для создания виртуальных сред, которые используются дтя симуляции различных условий эксплуатации.

Интеграция и оптимизация удалённой облачной инфраструктуры .

A WS, Azure, Google Cloud - облачные платформы - для разработки и оптимизации облачной инфраструктуры. Kubernetes, Docker Swarm, Docker Compose - инструменты для управления контейнерами - для оптимизации процессов передачи данных между бортовыми устройствами и облачной инфраструктурой

Разработка и обучение математических моделей.

R, Python, MATLAB- языки программирования — для разработки н обучения математических моделей. TensorFtow Probability, РуМСЗ, Stan - библиотеки для Python и R, которые содержат алгоритмы регрессии и другие методы машинного обучения.

Создание интуитивно понятного интерфейса пользователя.

Bootstrap, Foundation, Би Ima - библиотеки стилей для HTML и CSS -дтя разработки адаптивного дизайна. React, Vuejs, Angular библиотеки JavaScript - разработка интерактивных элементов интерфейса, таких как графики и диаграммы.

Разработка автоматизированных систем технического обслуживания .

Robot Framework, Selenium, Python - разработка автоматических диагностических систем.

Natural Language Processing (NLP) - разработка систем предиктивного обслуживания, анализ данных с датчиков и предсказывание отказов оборудования.

Интеграция с системами управления предприятием.

REST API, SOAP, Graph QL - разработка интерфейсов между системой автоматизации диагностики и ERP-системами.

Развитие методов обработки больших данных.

Apache Spark, Hadoop, Apache Kafka -анализ данных о состоянии техники.

Безусловно, приведенный анализ программных средств показывает лишь наличие широких практических возможностей даже при разработке специфических функциональных возможностей системы, имеет ориентировочный, но целенаправленный характер и требует более глубокого изучения и отбора при непосредственной реализации системы.

Одним из используемых диагностических сигналов, характеризующих физические процессы тракторного двигателя (в рамках формирования и насыщения формируемой инфраструктуры системы), может стать такой информационно-ёмкий сигнал как ускорение коленчатого вала применение которого возможно для оценки эксплуатационных энергетических параметров тракторных двигателей. Методической основой может стать компьютерная модель динамики тракторного двигателя (ДВС), разработанная с учетом многолетнего опыта разработчиков [3] и имеющая практическое применение. Она учитывает нелинейность и нестационарность отдельных звеньев, влияние изменения множества важнейших параметров отдельных агрегатов и систем и проявление существенных нелинейностей и других отклонений на выходные процессы двигателя в функции времени, углового перемещения, скоростного и нагрузочного режимов. При этом рассчитываются временные, частотные и статистические характеристики процессов, их частные и интегральные показатели.

Угловое ускорение коленчатого вала в стационарном режиме за счет неравномерности вращения коленчатого вала и в режиме свободного разгона (при моменте нагрузки AU = 0) определяется зависимостью:

Е = - Я,-^ - Afm -Л/ндг = —(< + X - Afm -Л/^ -М^ к М ^ J 7Д '

где Уд = 7д(ф) - приведённый момент инерции ДВС и нагрузочных масс (при моменте нагрузки Мш-= 0 — это собственный приведенный к коленчатому валу момент инерции ДВС):

1 2*

л = — [ мЛр); ф - угол поворота 231 о

.                  . 'п положение органа топливоподачи): Af* = Х-^Щ*) нА// =Х^Я(к) — компрессионная и 1=1                  t=l газовая составляющие индикаторного момента; А/Д н Хт — компрессионная и газовая составляющие одного цилиндра; /п - число цилиндров: А/ = Л/ ( 3 $=.И;(^ ) + М' = а у^ -инерционная составляющая крутящего момента, содержащая регулярную составляющую, вызванную неуравновешенными инерционными силами (например, у двигателя компоновки 4-Р это вторая гармоника частоты вращения) и остаточную составляющую случайного характера, присущую всем двигателям: Мп =Мп(щ, <р) — момент внутренних потерь (преимущественно трения).

Если обеспечить разделение полного ускорения коленчатого вала ДВС на отдельные составляющие для каждого из цилиндров как в стационарном режиме полной нагрузки, так и в разгоне, то по ним можно оценить неравномерность работы цилиндров и внутрицикловую неравномерность работы ДВС.

На основе применения представленной динамической модели тракторных двигателей и моделирования процесса измерения диагностического сигнала в тестовом режиме создан алгоритм расчета мощности двигателя, обоснована структурная схема и разработано автономное устройство автоматизации энергетической оценки тракторного парка сельхозпредприятия МОТОР- ТЕСТЕР-2 СибФТИ (основные разработчики Ольшевский С.Н., Клименко Д.Н.), примененный в цифровой технологии оценки мощности тракторного парка сельхозпредприятия [4]. Для реализации его в предложенной инфраструктуре системы необходимо предусмотреть разумное разделение выполняемых функций между бортовой системой и облачной инфраструктурой.

Выводы и обсуждение. Показана целесообразность использования информационного моделирования с применением современных цифровых технологий для разработки инфраструктуры системы автоматизации диагностирования и управления состоянием двигателей, определены основные информационные потоки и их взаимодействие.

Обосновано применение в разработке облачной инфраструктуры для расчета параметров по массивам данных текущего состояния тракторных двигателей, поступающих в «реальном времени» с бортовой системы диагностики и управления что позволяет существенно упростить архитектуру технических и программных средств, исключить мощный парк серверов непосредственно в сельхозпредприятии.

Дальнейшие шаги по разработке системы включают углублённое исследование и тестирование бортовой системы диагностики и управления, интеграцию и оптимизацию удалённой облачной инфраструктуры, разработку и обучение математических моделей для более точной и оперативной оценки эксплуатационных параметров тракторных двигателей, а также созданию интуитивно понятного интерфейса пользователя.

Проводимые исследования имеют, на наш взгляд, перспективу развития в направлении создания и совершенствования программно-аппаратных средств для технического сервиса машинно-тракторного парка, что необходимо для повышения эффективности и конкурентоспособности растениеводческого сельхозпредприятия.