Моделирование знаний предметной области поиска причин неисправностей в системах зернокомбайна Torum
Журнал: Вестник аграрной науки Дона @don-agrarian-science
Рубрика: Технологии, машины и оборудование для агропромышленного комплекса
Статья в выпуске: 3 (71), 2025 года.
Бесплатный доступ
Рассматриваются вопросы методического обеспечения процесса поиска причин неисправностей в агрегатах и системах зерноуборочного комбайна на основе методологии инженерии знаний. В качестве иллюстрации применения предлагаемого подхода рассмотрена основная гидросистема современного роторного зерноуборочного комбайна TORUM. Моделью знаний для рассматриваемой предметной области выбраны продукционные правила. Решена многокритериальная задача нахождения оптимальной последовательности элементарных проверок состояния исследуемой подсистемы. Анализ весомости предлагаемых 5 критериев выполнен на основе метода анализа иерархий. Результатом анализа является рациональная последовательность проверок в виде логической модели процесса поиска неисправности, которая визуализирована в виде дерева решений. На основе математического описание алгоритма диагностирования составлена система продукционных правил, которая представляет собой базу знаний информационной системы. Представлен фрагмент базы знаний. Объектом исследования является основная гидросистема современного роторного зерноуборочного комбайна. Предметом исследований является процедура поиска причины неисправности на основе внешнего признака. Результатом работы является методика определения оптимальной последовательности проверок при поиске причины неисправности и создание базы знаний в виде системы продукционных правил. Область применения результатов распространяется на все предприятия АПК, эксплуатирующие зерноуборочные комбайны. Создание базы знаний интеллектуальной информационной системы на основе разработанного методического подхода для поиска причин неисправностей позволяет формализовать экспертные знания, снизить информационную нагрузку на оператора, а также компенсировать недостаточный уровень профессиональной компетентности персонала, обслуживающего технику (особенно актуально при вводе новых видов машин в эксплуатацию), и, как следствие, снизить временные затраты на диагностику, поиск причин и устранение неисправностей агрегатов и систем зернокомбайна и повысить его сменную производительность.
Короткий адрес: https://sciup.org/140315927
IDS: 140315927 | УДК: 631.4:007 | DOI: 10.55618/20756704_2025_18_3_32-44
Knowledge modeling of the subject area of cause search for faults in the hydraulic systems of the Torum grain harvester
The issues of methodological support for searching the causes of malfunctions in the aggregates and systems of a grainharvesting combine are considered within the framework of knowledge engineering methodology. To illustrate the application of the proposed approach, the main hydraulic system of a modern rotor grainharvesting combine TORUM is examined. Production rules have been chosen to study the knowledge model for the studied subject area. A multicriteria optimization task was solved to find the optimal sequence of elementary checks of the state of the studied subsystem. The analysis of significance of the proposed five criteria was performed using the analytic hierarchy process. The result of the analysis is a rational sequence of checks, presented in the form of a logical model of the faultfinding process, visualized as a decision tree. Based on the mathematical description of the diagnostic algorithm, a system of production rules was developed, which represents the knowledge base of the information system. A fragment of the knowledge base is presented. The object of study is the main hydraulic system of a modern rotor grainharvester. The object of study is the main hydraulic system of a modern rotor grainharvesting combine. The subject of study is the procedure for locating the cause of a malfunction based on an external symptom. The result of the work is a method for determining the optimal sequence of checks when searching for the cause of a malfunction and the creation of a knowledge base in the form of a system of production rules. The scope of application of the results extends to all agroindustrial enterprises operating grain harvesters. The creation of a knowledge base for an intelligent information system based on the developed methodological approach for diagnosing malfunctions makes it possible to formalize expert knowledge, reduce the information load on the operator, and compensate for the insufficient level of professional competence of personnel servicing equipment (especially relevant when new types of machines are put into operation) and, consequently, to reduce the time required for diagnostics, locating causes, and eliminating malfunctions of the grain harvester’s aggregates and systems, thereby increasing its shiftwork performance.
Текст научной статьи Моделирование знаний предметной области поиска причин неисправностей в системах зернокомбайна Torum
Введение. Практика эксплуатации современных зерноуборочных комбайнов показывает, что значительные трудности при управлении техническим состоянием эксплуатанты испытывают с системами гидравлики и электрооборудования. Особенностью этих систем является тесная взаимосвязь электрических, электромеханических, механических и гид- равлических устройств и элементов, отличающихся функциональным назначением и принципом действия [1, 2]. При описании их технического состояния уместно применять те математические формы, которые наилучшим образом соответствуют поиску дефекта в данных устройствах.
В полевых условиях при отсутствии комплексной системы управления техническим состоянием как в масштабах конкретного сельхозпредприятия, так и отрасли в целом задачи диагностики в первую очередь приходится решать оператору, эксплуатирующему конкретную машину в конкретный момент времени. При этом необходимо отметить, что выполнение большинства работ связано с необходимостью логической обработки большого количества неструктурированной и слабоформализованной информации, что повышает уровень информационной нагрузки на оператора.
В настоящее время перспективным направлением решения задачи снижения информационной нагрузки на оператора является использование современных информационных технологий, в частности, инженерии знаний [3].
Использование информационных технологий в настоящее время осуществляется в направлении:
-
- контроля и регулирования режимов работы двигателя и рабочих органов;
-
- измерения и регистрации показателей процесса уборки (количества убранных площадей, влажности и количества бункерного зерна; "наработки" двигателя и других агрегатов и т.д.);
-
- индикации интенсивности потерь;
-
- выполнения автоматической настройки комбайна на уборку определенной культуры, автоматического регулирования загрузкой молотилки и автоматического вождения (для поздних моделей комбайнов) и др. [4].
Целью работы является формализация процесса поиска причины неисправности на основе логической и продукционной моделей знаний.
Материалы и методы исследования . Диагностирование зерноуборочных комбайнов в современных условиях реализовано фрагментарно и выполняется в основном для штатного диагностирования моторно-силовой установки и индикации кодов неисправностей (преимущественно для систем электрооборудования и электроники). При этом полученные значения параметров являются входной информацией и направлены на визуализацию внешнего признака неисправности. Принятие решений по поиску причины неисправности осуществляется оператором (ЛПР – лицом, принимающим решение) и зачастую вручную [5–7].
Агрегаты и системы зерноуборочного комбайна в процессе эксплуатации находятся в различных технических состояниях. Изменение технического состояния характеризуется внешним признаком, который проявляется по мере возникновения отказов. Органолептический способ является основным при распознании и оценивании отказа, возникающего в результате скачкообразного изменения значения одного из параметров. Например, при желании выполнить заданную операцию технологического процесса уборки внешний признак можно сформулировать так: «Жатка не поднимается».
Анализ состояния вопроса показал, что использование методологии искусственного интеллекта при реализации процессов принятия решений при диагностике сложных сельскохозяйственных машин позволяет нивелировать отсутствие необходимых знаний у оператора и полного комплекта диагностического оборудования. Центральной научной проблемой при создании экспертных систем (ЭС) является представление зна- ний рассматриваемой предметной области [8, 9].
Модели экспертных знаний, созданные на основе фреймового представления знаний, логической модели, модели продукционных правил и других, позволяют эффективно решать задачи диагностики [10].
Результаты исследования и их обсуждение. Реализацию предлагаемого подхода рассмотрим на примере основной гидросистемы, реализующей функцию "подъем жатки". При формиро- вании базы знаний экспертной системы (ЭС) одной из основных научных задач является задача построения модели предметной области. Математические модели объектов (описание процесса диагностирования, составления диагностического протокола) диагностирования, в нашем случае гидросистемы зерноуборочного комбайна, строятся на основе принципиальных, структурных, функциональных или структурно-логических схем исправных объектов (рисунок 1) [11, 12].
1 – гидробак; 2 – насос основной гидросистемы в тандеме насосов;
3 – привод насосов; 4 – совокупность элементов подсистемы электрооборудования «Подъем жатки»; 5 – блок продольного копирования с переливным клапаном; 6 – гидроцилиндры подъема жатвенной части; Х1 – внешнее воздействие «Двигатель работает»; Х2 – внешнее воздействие «Клавиша подъема жатвенной части нажата»; Y – выходной сигнал «Жатка поднимается» Рисунок 1 – Структурно-логическая схема функции основной гидросистемы «Подъем жатки»
-
1 – hydraulic tank; 2 – main hydraulic system pump together with pump set; 3 – pump drive;
-
4 – set of elements of the electrical equipment subsystem "Header lifting"; 5 – longitudinal copying unit with overflow valve; 6 – hydraulic cylinders for lifting the header; X1 – external influence "Engine is running"; X2 – external influence "Header lifting button is pressed"; Y – output signal "Header is lifting" Figure 1 – Structural logic diagram of the main hydraulic system function "Header lifting"
Уравнение логики, описывающее исправное состояние объекта диагностирования, имеет вид
K = X1AX2AZ1AZ2AZ3AZ4AZ5AZ6 , (1)
где X1, X2 – параметры, характеризую- Z1, Z2, Z3, Z4, Z5, Z6 – выходные щие внешние воздействия оператора на параметры подсистемы в направлении систему; нагнетания.
Вербальное описание параметров приведено в таблице 1.
Таблица 1 – Вербальное описание состояний диагностических параметров рассматриваемой подсистемы
Table 1 – Verbal description of the diagnostic parameter of the states of the subsystem under consideration
|
Структурный элемент диагностируемого объекта Structural element of the diagnosed object |
Вербальное описание параметров Verbal description of parametres |
|
|
Z1 … Z6 |
Z1 … Z6 |
|
|
1. Гидробак 1. Hidraulic tank |
Уровень рабочей жидкости (масла) в гидробаке в норме The hydraulic oil level in the hydraulic tank is within the normal range |
Рабочая жидкость (масло) в гидробаке отсутствует The hydraulic tank has no oil |
|
2. Насос основной гидросистемы в тандеме насосов (Н3) 2. Main hydraulic system pump together with pump set |
Наличие потока нагнетания на выходе насоса основной гидросистемы (в тандеме насосов, Н3) и в полости нагнетания Presence of discharge flow at the outlet of the main hydraulic system pump (together with a pump set, H3) and in the decreasing chamber |
Поток нагнетания на выходе насоса основной гидросистемы (в тандеме насосов, Н3) и в полости нагнетания отсутствует Discharge flow is absent at the outlet of the main hydraulic system pump (together with a pump set, H3) and within the decreasing space |
|
3. Привод насосов 3. Pump drive |
Наличие вращательного движения на вале насоса основной гидросистемы (в тандеме насосов, Н3) Presence of rotational movement on the shaft of the main hydraulic system pump (together with a set, H3) |
Вращательное движение на вале насоса основной гидросистемы (в тандеме насосов, Н3) отсутствует Rotational movement is absent on the shaft of the main hydraulic pump (together with a pump set, H3) |
|
4. Совокупность элементов подсистемы электрооборудования «Подъем жатки» 4. The set of components within the "Header lifting" electrical equipment subsystem |
Наличие напряжения +24В на электромагните блока продольного копирования с переливным клапаном в направлении «Подъем жатки» +24V voltage is present at the electromagnet on longitudinal copying unit with overflow valve when activating the "Header lifting" function |
Напряжение +24В на электромагните блока продольного копирования с переливным клапаном в направлении «Подъем жатки» отсутствует +24V voltage is absent at the elec-tromegnet on the longitudinal copying unit with overflow valve when activating the "Header lifting" function |
|
5. Блок продольного копирования с переливным клапаном 5. Longitudinal copying unit with overflow valve |
Наличие потока нагнетания на выходе блока продольного копирования с переливным клапаном и в полости нагнетания Discharge flow is present at the outlet of the longitudinal copying unit with overflow valve and in the decreasing space |
Поток нагнетания на выходе блока продольного копирования с переливным клапаном и в полости нагнетания отсутствует Discharge flow is absent at the outlet of the longitudinal copying unit with overflow valve and in the decreasing space |
|
6. Гидроцилиндры подъема жатвенной части 6. Header lifting cylinders |
Наличие перемещения штока гидроцилиндра в направлении подъема жатвенной части (выдвижение штока) Presence of hydraulic cylinder rod movement in the header lifting direction (rod extension) |
Перемещение штока гидроцилиндра в направлении подъема жатвенной части (выдвижение штока) отсутствует Absence of hydraulic cylinder rod movement in the header lifting direction (rod extension) |
Фрагмент системы уравнения логи- ные состояния объекта диагностирова- ки, описывающей различные неисправ- ния, имеет вид (2):
r Y1 = X1 A X2 A Z1 A Z2 A Z3 A Z4 A Z5 AZ6
Y1 = X1 A X2 A Z1 A Z2 A Z3 A Z4 A Z5 A
^Y1 = X1 A X2 A Z1 A Z2 A Z3 A Z4 A Z5 AZ6
Построение диагностической процедуры на основе последовательного функционального анализа не оптимально по временным и стоимостным затратам. Минимизация затрат является важным этапом развития ЭС и выполняется посредством корректировки последовательности реализации элементарных проверок на основе метода анализа иерархий (МАИ) [13–14].
В соответствии с планом МАИ декомпозиция задачи представлена в иерархической форме (рисунок 2) [15].
На 1-м уровне формулируется цель: «определить причину неисправности».
2-й уровень характеризуется комплексом критериев, необходимых для анализа альтернатив (3-й уровень): К1 – доступность элемента (трудоемкость де- монтажа); К2 – технологическое и метрологическое обеспечение; К3 – степень физической разделимости элемента;
К4 – частость появления отказа элемента; К5 – необходимость разгерметизации гидросистемы.
3-й уровень иерархии раскрывает набор альтернатив (возможных причин появления внешнего признака неисправности): П1 – не работает двигатель комбайна; П2 – не нажата клавиша «Подъем жатвенной части»; П3 – отсутствует масло в гидробаке; П4 – неисправен привод насосов; П5 – неисправность электрооборудования; П6 – неисправен насос основной гидросистемы в тандеме насосов; П7 – неисправен блок продольного копирования с переливным клапаном; П8 – неисправен гидроцилиндр.
Рисунок 2 – Схема иерархии Figure 2 – Hierarchy diagram
Первой задачей при реализации метода анализа иерархий является оценка относительной важности критериев, которая может меняться в зависи- мости от полноты знаний о процессе диагностирования и его инструментального обеспечения (таблица 2).
Таблица 2 – Вектор приоритетов для второго уровня иерархии Table 2 – Priority vector for the second level of the hierarchy
|
Критерии Criteria |
К1 |
К2 |
К3 |
К4 |
К5 |
Вектор Vector |
|
К1 |
1 |
1,50 |
2,00 |
1,25 |
0,83 |
0,241 |
|
К2 |
0,67 |
1 |
1,50 |
0,33 |
0,83 |
0,149 |
|
К3 |
0,50 |
0,67 |
1 |
1,25 |
0,33 |
0,129 |
|
К4 |
0,80 |
3,00 |
0,80 |
1 |
0,67 |
0,202 |
|
К5 |
1,20 |
1,20 |
3,00 |
1,50 |
1 |
0,279 |
Последующие этапы реализации метода анализа иерархий предусматривают оценку предпочтительности альтернатив по отношению к критериям 2-го уровня. Эта процедура, основанная на парных сравнениях альтернатив для каждого критерия, позволяет рассчитать локальные приоритеты альтернатив.
Таблица 3 – Парные сравнения для критерия К1 Table 3 – Pairwise comparisons for criterion C1
|
Критерий К1 Criterion C1 |
П1 |
П2 |
П3 |
П4 |
П5 |
П6 |
П7 |
П8 |
Вектор Vector |
|
К1 |
П1 |
П2 |
П3 |
П4 |
П5 |
П6 |
П7 |
П8 |
0,176 |
|
П1 |
1 |
1,00 |
1,00 |
1,00 |
1,50 |
3,00 |
3,00 |
3,00 |
0,176 |
|
П2 |
1,00 |
1 |
1,00 |
1,00 |
1,50 |
3,00 |
3,00 |
3,00 |
0,151 |
|
П3 |
1,00 |
1,00 |
1 |
1,00 |
1,50 |
1,50 |
3,00 |
1,50 |
0,163 |
|
П4 |
1,00 |
1,00 |
1,00 |
1 |
1,50 |
1,50 |
3,00 |
3,00 |
0,112 |
|
П5 |
0,67 |
0,67 |
0,67 |
0,67 |
1 |
1,50 |
1,50 |
1,50 |
0,080 |
|
П6 |
0,33 |
0,33 |
0,67 |
0,67 |
0,67 |
1 |
1,00 |
1,00 |
0,068 |
|
П7 |
0,33 |
0,33 |
0,33 |
0,33 |
0,67 |
1,00 |
1 |
1,00 |
0,074 |
Таблица 4 – Парные сравнения для критерия К2 Table 4 – Pairwise comparisons for criterion C2
|
Критерий К2 Criterion C2 |
П1 |
П2 |
П3 |
П4 |
П5 |
П6 |
П7 |
П8 |
Вектор Vector |
|
П1 |
1 |
1,00 |
1,00 |
1,00 |
0,50 |
3,00 |
3,00 |
1,00 |
0,145 |
|
П2 |
1,00 |
1 |
1,00 |
1,00 |
0,50 |
3,00 |
3,00 |
1,00 |
0,145 |
|
П3 |
1,00 |
1,00 |
1 |
1,00 |
0,50 |
3,00 |
3,00 |
1,00 |
0,145 |
|
П4 |
1,00 |
1,00 |
1,00 |
1 |
0,50 |
3,00 |
3,00 |
1,00 |
0,145 |
|
П5 |
2,00 |
2,00 |
2,00 |
2,00 |
1 |
0,50 |
0,50 |
0,33 |
0,127 |
|
П6 |
0,33 |
0,33 |
0,33 |
0,33 |
2,00 |
1 |
1,00 |
3,00 |
0,092 |
|
П7 |
0,33 |
0,33 |
0,33 |
0,33 |
2,00 |
1,00 |
1 |
3,00 |
0,092 |
|
П8 |
1,00 |
1,00 |
1,00 |
1,00 |
3,00 |
0,33 |
0,33 |
1 |
0,109 |
Таблица 5 – Парные сравнения для критерия К3 Table 5 – Pairwise comparisons for criterion C3
|
Критерий К3 Criterion C3 |
П1 |
П2 |
П3 |
П4 |
П5 |
П6 |
П7 |
П8 |
Вектор Vector |
|
П1 |
1 |
1,00 |
1,00 |
1,00 |
1,00 |
3,00 |
3,00 |
1,00 |
0,154 |
|
П2 |
1,00 |
1 |
1,00 |
1,00 |
1,00 |
3,00 |
3,00 |
1,00 |
0,154 |
|
П3 |
1,00 |
1,00 |
1 |
1,00 |
1,00 |
3,00 |
3,00 |
1,00 |
0,154 |
|
П4 |
1,00 |
1,00 |
1,00 |
1 |
1,00 |
3,00 |
3,00 |
1,00 |
0,154 |
|
П5 |
1,00 |
1,00 |
1,00 |
1,00 |
1 |
1,00 |
1,00 |
3,00 |
0,136 |
|
П6 |
0,33 |
0,33 |
0,33 |
0,33 |
1,00 |
1 |
1,00 |
3,00 |
0,083 |
|
П7 |
0,33 |
0,33 |
0,33 |
0,33 |
1,00 |
1,00 |
1 |
3,00 |
0,083 |
|
П8 |
1,00 |
1,00 |
1,00 |
1,00 |
0,33 |
0,33 |
0,33 |
1 |
0,083 |
Таблица 6 – Парные сравнения для критерия К4 Table 6 – Pairwise comparisons for criterion C4
|
Критерий К4 Критерий C4 |
П1 |
П2 |
П3 |
П4 |
П5 |
П6 |
П7 |
П8 |
Вектор Vector |
|
П1 |
1 |
1,00 |
1,00 |
1,00 |
1,00 |
5,00 |
5,00 |
3,00 |
0,175 |
|
П2 |
1,00 |
1 |
1,00 |
1,00 |
1,00 |
5,00 |
5,00 |
3,00 |
0,175 |
|
П3 |
1,00 |
1,00 |
1 |
1,00 |
1,00 |
5,00 |
5,00 |
3,00 |
0,175 |
|
П4 |
1,00 |
1,00 |
1,00 |
1 |
1,00 |
5,00 |
5,00 |
3,00 |
0,175 |
|
П5 |
1,00 |
1,00 |
1,00 |
1,00 |
1 |
3,00 |
3,00 |
0,50 |
0,128 |
|
П6 |
0,20 |
0,20 |
0,20 |
0,20 |
0,33 |
1 |
1,00 |
0,50 |
0,043 |
|
П7 |
0,20 |
0,20 |
0,20 |
0,20 |
0,33 |
1,00 |
1 |
0,50 |
0,043 |
|
П8 |
0,33 |
0,33 |
0,33 |
0,33 |
2,00 |
2,00 |
2,00 |
1 |
0,084 |
Таблица 7 – Парные сравнения для критерия К5 Table 7 – Pairwise comparisons for criterion C5
|
Критерии К5 Criterion C5 |
П1 |
П2 |
П3 |
П4 |
П5 |
П6 |
П7 |
П8 |
Вектор Vector |
|
П1 |
1 |
1,00 |
4,00 |
1,00 |
5,00 |
1,00 |
1,00 |
3,00 |
0,188 |
|
П2 |
1,00 |
1 |
1,00 |
1,00 |
5,00 |
1,00 |
1,00 |
3,00 |
0,161 |
|
П3 |
0,25 |
1,00 |
1 |
3,00 |
1,00 |
3,00 |
3,00 |
1,00 |
0,148 |
|
П4 |
1,00 |
1,00 |
0,33 |
1 |
0,33 |
1,00 |
1,00 |
0,33 |
0,083 |
|
П5 |
0,20 |
0,20 |
1,00 |
3,00 |
1 |
3,00 |
3,00 |
1,50 |
0,126 |
|
П6 |
1,00 |
1,00 |
0,33 |
1,00 |
0,33 |
1 |
1,00 |
0,33 |
0,083 |
|
П7 |
1,00 |
1,00 |
0,33 |
1,00 |
0,33 |
1,00 |
1 |
0,33 |
0,083 |
|
П8 |
0,33 |
0,33 |
1,00 |
3,00 |
0,67 |
3,00 |
3,00 |
1 |
0,129 |
Расчет глобальных приоритетов осуществляется с учетом локальных приоритетов и весомости критериев
(таблица 8). Фрагмент примера расчета представлен ниже:
0,241x0,172+0,159x0,145+0,129x0,154+0,202x0,175+0,279x0,188 = 0,171.
Таблица 8 – Вектор глобальных приоритетов Table 8 – Global priority vector
|
Варианты решений Possible solutions |
Вектор приоритетов Vector of priorities |
Глобальные приоритеты Global priorities |
||||
|
К1 |
К2 |
К3 |
К4 |
К5 |
||
|
0,241 |
0,149 |
0,129 |
0,202 |
0,279 |
||
|
Локальные приоритеты Local priorities |
||||||
|
П1 |
0,172 |
0,145 |
0,154 |
0,175 |
0,188 |
0,171 |
|
П2 |
0,172 |
0,145 |
0,154 |
0,175 |
0,161 |
0,163 |
|
П3 |
0,172 |
0,145 |
0,154 |
0,175 |
0,148 |
0,160 |
|
П4 |
0,172 |
0,145 |
0,154 |
0,175 |
0,083 |
0,141 |
|
П5 |
0,109 |
0,127 |
0,136 |
0,128 |
0,126 |
0,124 |
|
П6 |
0,067 |
0,092 |
0,083 |
0,043 |
0,083 |
0,072 |
|
П7 |
0,067 |
0,092 |
0,083 |
0,043 |
0,083 |
0,072 |
|
П8 |
0,067 |
0,109 |
0,083 |
0,084 |
0,129 |
0,096 |
Значения глобальных приоритетов логическую модель диагностики. В реальтернатив позволяет модернизировать зультате уточнения модель имеет вид
Логической модели предметной области (3) соответствует дерево решений диагностической процедуры (рисунок 3). При этом условные операторы, представленные в виде ромбов, содержат нумерацию вопросов, формируемых экспертной системой. Эти вопросы органично связаны с выходами (параметрами) Z1…Z6 элементов структурно-логической схемы и внешними воздействиями X1 и X2, представленными на рисунке 1. Каждой причине ставится в соответствие метод устранения неисправности.
Математическое описание алгоритма поиска причины неисправности и его визуализация в виде дерева решений позволяют сформулировать систему продукционных правил, которые составляют основу базы знаний информационной системы. Ниже представлен фрагмент множества правил-продукций.
У1 = Х1 ЛХ2 AZ1 AZ3 AZ4AZ6AZ2 Л/5 .
ЕСЛИ жатка не поднимается правило 4
И двигатель работает
И клавиша «подъем жатвенной части» нажата,
И уровень рабочей жидкости (масла) в гидробаке в норме ,
И гидросистемы рулевого управления и привода мотовила не работают ,
ТО неисправен привод насосов.
Рисунок 3 – Дерево решений диагностической процедуры по внешнему признаку
«Жатка не поднимается»
Figure 3 – Decision tree of diagnostic procedure based on the external symptom "The header does not lift"
Выводы . Переход к рациональному принципу эксплуатации сельскохозяйственных машин – принятие решений по текущему техническому состоянию – предполагает эволюцию систем диагностирования на основе интеллектуальных систем обработки информации. Проведенные исследования являются методической основой моделирования предметной области при проектировании базы знаний экспертной системы и создании интеллектуального информационноизмерительного комплекса.
Структурированные знания рассмотренной предметной области являются основой для построения базы знаний экспертной системы по поиску причин неисправностей. При построении таких систем необходимо иметь модель знаний процесса принятия решений. Методика иллюстрирована примером анализа подсистемы гидрооборудования зерноуборочного комбайна. Показано, что для определения оптимальной последовательности элементарных проверок целесообразно использовать различные критерии оценки весомости проверок.
Структуризация и формализация знаний в рассмотренной предметной области позволяют использовать их как теоретическую базу для разработки аппаратных средств диагностирования не только зерноуборочных комбайнов, но и других машин.
Практическое применение данного подхода позволит изменить баланс сменного времени в части снижения продолжительности простоев при восстановлении работоспособности гидрооборудования в 2–3 раза и, как следствие, повысить коэффициент использования сменного времени на 5% от базового значения.
