Структура информационной системы для решения задачи настройки комбайнов

ТЕХНОЛОГИИ, МАШИНЫ И ОБОРУДОВАНИЕ / TECHNOLOGIES, MACHINERY AND EQUIPMENT

EDN:

Донской государственный технический университет г. Ростов-на-Дону Российская Федерация

Don State Technical UniversityRostov-on-Don Russian Federation

Обеспечение продовольственной безопасности является одной из центральных задач сельского хозяйства. Важное место в еe решении занимает уборка урожая. В первую очередь это касается уборки зерновых и зернобобовых культур. Снижение потерь и повышение качества выполняемых работ достигаeтся за счет непрерывного конструктивного совершенствования зерноуборочных комбайнов1.

В последние годы широкое применение получили высокопроизводительные комбайны, к которым относятся агрегаты с аксиально-роторным молотильно-сепарирующим устройством, отличающиеся высокой пропускной способностью, меньшим процентом дробления зерна и возможностью работы на более засоренных полях [1–3]. Несмотря на непрерывное совершенствование таких устройств и других агрегатов [2; 4; 5], для полноценного использования конструктивных возможностей техники требуется оптимальная настройка регулируемых параметров комбайна, работающего в различных внешних условиях [3; 6; 7]. Это обусловлено неоднозначностью и нечеткостью информации о внешних факторах, показателях качества уборки, технических характеристиках состояния машины, а также сложными взаимосвязями между этими группами факторов и их изменениями во времени. Установленные на основе экспертных знаний и эмпирических исследований зависимости между указанными факторами образуют огромный массив информации, для использования которой с целью выбора значений регулируемых параметров комбайна требуется создание интеллектуальной информационной системы (ИИС).

Целью исследования является разработка структуры, программных блоков, базы экспертных знаний интеллектуальной информационной системы для обеспечения операторов актуальными данными, необходимыми для оптимальной предварительной настройки регулируемых параметров зернокомбайнов.

Реализация поставленной цели включает следующие задачи: разработка иерархической структуры задач настройки комбайна с учетом иерархии объектов

ИНЖЕНЕРНЫЕ ТЕХНОЛОГИИ И СИСТЕМЫ Том 36, № 2. 2026 предметной области; проектирование реляционной базы данных для хранения экспертных знаний в виде продукционных правил; реализация клиент-серверной архитектуры с локальными встраиваемыми базами данных для автономной рабо ты; создание пользовательских интерфейсов для эксперта и оператора комбайна; формирование базы экспертных знаний.

Результаты исследования составляют основу ИИС для помощи оператору в принятии решений по выбору значений регулируемых параметров комбайна. На данный момент разработаны и апробированы самостоятельные блоки ИИС, на которые получены свидетельства о государственной регистрации2.

ОБЗОР ЛИТЕРАТУРЫ

Различные аспекты проблемы оптимальной настройки рабочих органов зер ноуборочного комбайна исследуются на протяжении последних десятилетий. В научной литературе широко представлены подходы к выбору режимов работы и установке таких регулируемых параметров, как частота вращения ротора и вен тилятора очистки при уборке различных культур. Большинство существующих решений базируется на моделях, построенных на основе эмпирических данных и экспертных оценок [6–8].

Зарубежные исследователи проанализировали эмпирические зависимости рас хода топлива и параметров настройки комбайна в условиях различной влажности и урожайности [9], что наглядно иллюстрирует значительное влияние даже неболь ших изменений внешних условий на показатели качества уборки. В частности, были описаны основные этапы технологической настройки рабочих органов на примере комбайна роторного типа [10; 11]. В то же время погрешности в на стройке параметров приводят к потерям зерна, снижению производительности, повышенному расходу топлива [12], что фактически занижает конструктивные возможности комбайна.

Анализируя современные тенденции в исследуемой области, можно отметить, что с развитием концепции интеллектуального земледелия все большее внимание уделяется автоматизации процесса управления сельскохозяйственной техникой [13]. Концептуальные принципы создания интеллектуальных машин предполагают обя зательное внедрение систем поддержки принятия решений. Исследователи из Китая успешно применяют методы нечеткой логики для контроля скорости движения комбайна, очистки и стабилизации нагрузки [14–16]. Интеллектуальные системы технологической настройки на базе нечеткого моделирования продемонстрировали свою эффективность при определении начальных параметров жатвенной части [6].

Несмотря на достигнутые успехи в области математического и нечеткого моделирования, комплексный подход к созданию единой информационной си

стемы, способной аккумулировать экспертные знания и оперативно выдавать рекомендации по предварительной настройке параметров комбайнов в полевых условиях, остается недостаточно изученным. До сих пор неизвестно, как оптимально структурировать базы данных и организовать программно-аппаратную архитектуру для автономного функционирования подобных систем на мобильных и встраиваемых устройствах с сохранением сложной иерархии связей между входными (неконтролируемыми факторами среды) и выходными (регулируемыми настройками) параметрами. Существующие программные решения либо требуют постоянного подключения к облачным серверам, либо не предоставляют удобного механизма совместной работы экспертов над формированием и объединением баз продукционных правил.

Следовательно, существует острая необходимость в разработке гибкой архитектуры с использованием легковесных баз данных, которая позволит формализовать, систематизировать и автономно использовать экспертные знания. Направленность данного исследования заключается в обосновании и проектировании структуры информационной программной системы для решения задачи оперативной предварительной настройки роторных зерноуборочных комбайнов, способной функционировать на клиентских устройствах без постоянного доступа к сети и поддерживать систему распределенных экспертных правок.

МАТЕРИАЛЫ И МЕТОДЫ

Объект исследования

Объектом исследования является автономная информационная программная система поддержки принятия решений, предназначенная для оперативной предварительной настройки регулируемых параметров рабочих органов зерноуборочного комбайна (в частности, роторного типа, на примере комбайна TORUM) непосредственно в процессе работы. В качестве обобщенной схемы описания данной задачи, актуальной для большинства мобильных сельскохозяйственных уборочных машин, выступает иерархическая структура объектов предметных областей (рис. 1). Данная структура представляет собой древовидный граф, где слой – это узел дерева, который может иметь в потомках другие узлы или листья, а элементы – это листья древовидного графа. Аналогично файловой системе, слои рассматриваются как каталоги, а элементы – как файлы. В данном случае предусмотрено использование нескольких слоев (1 уровень иерархии). Это могут быть уборочные машины, предназначенные для уборки различных культур (зерновые, зернобобовые, картофель и др.). Второй слой рассмотривает различные типы зерноуборочных машин (TORUM, ACROS, RSM161 и др.).

Методы, оборудование и процедура исследования

На основе ранее разработанного подхода [17; 18], базирующегося на методах нечеткого моделирования экспертных знаний и лингвистическом подходе, для создания информационной системы применялись методы системного анализа, экспертного оценивания и проектирования реляционных баз данных.

TORUM

Надсистема / Supersystem

Зерноуборочные комбайны /

Grain harvesters

Картофелеуборочные комбайны /

Potato harvesters

1 -й уровень иерархии (1-й слой) / 1st level of hierarchy

(1st layer)

ACROS

RCM161

VECTOR

2-й уровень иерархии (2-й слой) / 2nd level of hierarchy

(2nd layer)

Предварительная настройка / Preliminary adjusting

Корректировка технологических регулировок /

Updating of technological adjustings

Поиск неисправностей / Troubleshooting

3-й уровень иерархии (элементы) / 3rd level of hierarchy (elements)

Пшеница / Wheat

Ячмень / Barley

Подсолнечник / Sunflower

4-й уровень иерархии (элементы) /

4th level of hierarchy (elements)

Факторы уборки / Harvesting factors

Регулируемые параметры / Adjustable parameters

Урожайность / Crop yield

Скорость /

Harvester speed

Влажность хлебостоя /

Humidity

ЧВР /

Rotor speed

Засоренность / ► Stand of grain contamination

ЧВВ /

Cleaning fan speed

If a22 and a22.. .and ... Then...

Сигнал оператору, либо автоматической системе на установление значений регулируемых параметров / Signal to the operator or automatic system to set the values of adjustable parameters

Р и с. 1. Иерархия слоев и элементов системы

F i g. 1. Hierarchy of layers and elements of the system

Источник: рисунки 1–3 составлены авторами статьи в программе Microsoft PowerPoint.

Source: figures 1–3 were compiled by the authors of the article in the program Microsoft PowerPoint.

Для каждого зерноуборочного комбайна характерны типовые задачи, решаемые в практических (полевых) условиях: предварительная настройка машины, коррек тировка технологических регулировок, поиск неисправностей и др. Следующим уровнем иерархии является наличие элементов для каждого блока предыдущей ступени. В частности, множество культур, для уборки которых используется данная сельскохозяйственная машина. Для каждой культуры характерны собственные элементы, составляющие множества факторов уборки и регулируемых параме тров машины. Среди факторов уборки – урожайность, влажность хлебной массы, а среди регулируемых параметров – частота вращения ротора, частота вращения вентилятора очистки и др. (рис. 1).

На основе экспертной информации формируется база знаний экспертной си стемы, основанная на продукционной модели представления знаний. На основе механизма вывода решений формируются сигналы оператору на установление конкретных значений регулируемых параметров.

Таким образом, целью создания информационной системы для настройки сельскохозяйственных машин является программная реализация рассмотренной иерархической структуры задач технологической регулировки, а также инстру ментария для создания таких баз знаний экспертами и предоставления данных конечным пользователям.

Формализованные зависимости между входными и выходным параметрами системы представляют собой множество правил, отображающих набор высказы ваний А 1 А 2 A n о состоянии входных факторов в высказывание В о выходном параметре. Правила носят эмпирический характер и имеют вид: «Если А ₁ и А ₂ и … и А_n , то В ».

В результате структурной идентификации получается схема решения зада чи [18]. При этом данная схема соответствует прямой задаче, которая состоит в определении оптимальных значений регулируемых параметров в зависимости от значений факторов уборки, т. е. входными переменными являются факторы уборки, а выходными – регулируемые параметры комбайна. Отметим, что для второй, обратной, задачи необходимо структурировать взаимосвязи между регули руемыми параметрами и показателями качества работы комбайна, когда входными переменными являются регулируемые параметры, а выходными – показатели качества работы.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

В процессе наполнения базы знаний информационной системы эксперт должен проанализировать все вероятные сочетания лингвистических оценок, характери зующих входные факторы, и поставить каждой такой комбинации в соответствие наиболее рациональное значение регулируемого параметра комбайна [18].

В целях практической реализации данного подхода была спроектирована распределенная архитектура программного комплекса (рис. 2). Базовым узлом выступает удаленный сервер с поддержкой Restful API для управления цент рализованной базой данных, а также веб-модуль администратора, служащий для выбора и публикации утвержденных версий задач. Работа специалистов организована через профильное десктопное приложение, функционал которого включает как непосредственное формирование экспертных решений, так и автоматическое создание локальных резервных копий серверной базы во встраиваемую систему управления базами данных. Для конечного потребителя предусмотрено мобильное приложение: оно обеспечивает ввод фактических значений факторов среды с последующей выдачей рекомендованных настроек из публичной базы, при этом кэшируя утвержденные версии задач в памяти мобильного устройства для обеспечения автономной работы в полевых условиях.

Р и с. 2. Структурная схема программной системы

F i g. 2. Structural schema of the software system

Оптимизация процесса создания и эксплуатации базы знаний требует реализации механизма автоматического формирования комбинаций входных параметров3. В рамках настоящего исследования эта проблема решена через проектирование реляционной базы данных Entity Relationship (ER-модель представлена на рисунке 3), адаптированной для интеграции в специализированное программное обеспечение. Такая архитектура позволяет экспертам систематически формировать данные согласно установленным принципам.

В пользовательском интерфейсе информация представлена в виде электронной таблицы, где входные параметры расположены в заголовках столбцов, а строки

содержат все возможные комбинации входных значений, сгенерированные ме тодом полного перебора. Такое представление данных напрямую соответствует внутренней структуре базы, что обеспечивает высокую эффективность операций чтения и записи.

для авторизации и системы правок

F i g. 3. Database schema excluding the tables required for authorization and editing system

Формальное описание пользовательского представления выглядит так:

Входные параметры: IP = ip 1 ip 2

Выходные параметры: OP = op 1 op 2

Входные значения: IV =  iv 11 iv 12     iv 1k 1 iv 21 iv 22     iv 2 k2

iv m ,2      iv m km }, ^где iv i j — j- е значение входного параметра ip i .

Выходные значения: OV =  ov 11 ov 12     ov 1,p 1 ov 21 ov 22     ov 2,p 2

ov n 2 ov n _pn где ov i j - значение, связанное с выходным параметром op i , а j обо значает комбинацию входных значений, соответствующую этому выходному значению .

C – множество всех возможных комбинаций входных значений, где каждая комбинация содержит ровно по одному значению от каждого входного параметра: ^C = iv 1, a 1 iv 2, a 2       iv m am ¹ a i ^{£ {1}, ², '”, ^ki ^V i ^{E {1}, ², ■■; m ^}}.

Каждая комбинация c E C имеет вид: c = (iv 1 a 1 iv2a2    ivmam), где a. - индекс выбранного значения для параметра ipi.

Для любого c E C существует ov i . E OV такое, что f ( c ) = ov i . , где i соответст вует выбранному выходному параметру, а j однозначно определяется индексами входных значений в комбинации c : V op i E OP Vc E C 3 ov i . E OV : F ( op. c ) = ov i. . Technologies, machinery and equipment                                                     335

Поскольку над задачей может работать сразу несколько экспертов, необходимо обеспечить удобство их взаимодействия в виде системы правок. Например, при решении задачи моделирования предметной области «Зерноуборочные комбайны» для модели зерноуборочного комбайна «TORUM» и при решении задачи «Предварительной настройки» во время уборки пшеницы один эксперт может увеличить количество рабочих органов зерноуборочного комбайна (выходных параметров), для которых в результате исследования обнаружил наиболее эффективные значениях их параметров. Второй эксперт для этой же задачи исследовал некоторые новые параметры среды (входные параметры) и на пересечении всевозможных комбинаций их значений и параметров рабочих органов комбайнов представил соответствующие оптимальные значения уже существовавших в его версии задачи параметров рабочих органов комбайна. В этом случае множества регулируемых параметров отличаются (причем значительно). Для организации подобной работы применили метод контроля версий для набора правил в экспертных системах. Сама концепция системы контроля версий не нова, и наиболее известная ее реализация в сфере разработки программного обеспечения – система Git [19; 20].

Эксперты могут вести параллельно свои версии задачи – ветки, а затем их объединять. Пользователю предоставляется только публичная версия результатов решения задачи, которую определяет администратор системы (уполномоченный экспертом).

При запуске приложения эксперта происходит инициализация встроенной базы данных: для увеличения независимости от подключения к сети Интернет во время непосредственной работы над задачей на устройстве эксперта создается файл встраиваемой базы данных SQLite (при первом входе в программу или в случае потери этого файла), схема которой без учета таблиц, необходимых для работы системы контроля версий, представлена на рисунке 2. Также при инициализации проверяется корректность ее схемы. В случае обнаружения ошибок в схеме базы данных или при невозможности подключиться, приложение создает новый файл с корректной схемой.

После успешной авторизации эксперта приложение обращается к серверу и проверяет (в случае, если было соединение с сетью Интернет), нет ли новых правок в ветках, а также не появились ли в целом новые каталоги задач и задачи. Происходит синхронизация встроенной базы данных на устройстве эксперта с удаленной на сервере. Авторизованному эксперту предоставляется возможность работы с задачами и их директориями. После окончания работы над задачей эксперт может опубликовать свое решение новой добавленной им задачи или правки уже существующей, что сохранит ее также на удаленном сервере и позволит прочим экспертам с ней работать. В таблице приведен пример ввода экспертом взаимосвязей.

Клиентская часть веб-приложения обладает минимальным функционалом и служит для выбора уполномоченным экспертом актуальной версии (правки) задачи. Именно эту публичную версию задачи и будет скачивать приложение пользователя, остальные правки будут недоступны для его приложения.

Т а б л и ц а

T a b l e

Пример ввода экспертом взаимосвязей Example of expert input of relationships

Входы / Inputs				Выходы / Outputs
Урожайность, ц/га / Crop yield, hkg/ha	Влажность, % / Humidity, %	…	Засоренность поля, % / Field contamination, %	Скорость, км/час / Speed, km/h	…	Частота вращения ротора, мин–1 / Rotor speed, min–1
40	14		отсутствует / absent	7,3		800
40	17		средняя / average	6,4		870
… 40	… 12		большая / big	…… 5,2		… 830

Пользовательское приложение при открытии проводит процедуру инициализации базы данных, аналогичную таковой у приложения эксперта. Пользователю не нужно знать о ветках и наличии различных версий одной задачи, поэтому в дальнейшем при получении актуальных версий каталогов задач с самими задачами те сущности, в которых есть расхождение между локальными данными на встроенной базе данных и на удаленном сервере, переписываются на актуальную версию.

Далее пользователь выбирает интересующую его задачу из каталогов задач и попадает на экран работы с ней. Здесь он выбирает значения каждого из входных параметров и на выходе получает соответствующие выходные значения (рис. 4)

Р и с. 4. Вид экрана пользователя

F i g. 4. User screen view

Источник: скриншот экрана программы сделан авторами статьи.

Source: screenshot of the program screen was taken by the authors of the article.

В результате проведенного исследования разработана программная система, реализующая подход к решению задачи выбора эффективных начальных значений регулируемых параметров комбайна в зависимости от внешних условий уборки (для конкретной убираемой культуры). Рассмотрено применение основных положений создания современных программных систем. Произведена структуризация системы и формальное описание зависимостей значений параметров машины от значений внешних факторов. Создана база знаний, на которой основывается вывод рекомендуемых начальных значений регулируемых параметров рабочих органов комбайна. На модельном примере представлены результаты работы программной системы.

ОБСУЖДЕНИЕ

Ключевой особенностью разработанной базы данных является поддержка иерархической организации решаемых задач с последующим вычислением выходных значений. Принцип организации данных аналогичен структуре файловой системы: записи таблицы Layer со значением false в поле is_final выполняют роль директорий, тогда как записи с is_final=true аналогичны файлам.

При проектировании реляционной базы данных был выявлен парадоксальный случай, когда строгое следование принципам нормализации привело к ухудшению эксплуатационных характеристик системы. Центральной проблемой стало поле input_value_ids в таблице Output Value, которое хранит идентификаторы связанных записей из таблицы Input Value в виде текстовой строки с разделителями. Такая реализация сознательно нарушает требование атомарности данных, предъявляемое первой нормальной формой, но обеспечивает значительные практические преимущества.

Альтернативный нормализованный подход потребовал бы создания промежуточной таблицы для реализации связи «многие-ко-многим» между таблицами Input Value и Output Value. Однако такое решение привело бы к экспоненциальному росту объема хранимых данных. Каждой записи в Output Value соответствовало бы множество записей в промежуточной таблице – по одной для каждого связанного входного параметра. На практике это означало бы увеличение общего размера базы данных на несколько порядков по сравнению с текущей ненормализованной структурой.

Операции модификации данных в предложенной архитектуре реализуются значительно проще, чем в нормализованном варианте. Например, добавление нового входного значения для существующего параметра требует лишь копирования соответствующих записей таблицы с заменой идентификаторов входных значений, относящихся к данному параметру, на новые. В нормализованной структуре аналогичная операция потребовала бы сложных манипуляций с дополнительными таблицами и существенного усложнения бизнес-логики приложения.

Предложенный подход актуален для широкого спектра уборочной техники и различных культур. Технические сложности могут возникать при большом количестве факторов, которые необходимо учитывать. При высокой мощности множества входных переменных увеличивается количество правил-продукций, что приводит к объемной работе по вводу правил в программу. В этом случае перспективным является использование нейро-нечетких сетей.

ЗАКЛЮЧЕНИЕ

В соответствии с поставленной целью в работе развит подход к решению задачи оптимальной настройки регулируемых параметров рабочих органов ком байна, основанный на внедрении интеллектуальных информационных систем. Краткий итог и основной новый вклад исследования заключается в разработке программной системы и гибкой, сознательно ненормализованной архитектуры базы данных, которые позволяют формализовать, систематизировать и автоном но использовать экспертные знания. Практическая значимость работы состоит в возможности использования системы для поддержки эксперта и пользователя при выборе начальных значений параметров, что снижает зависимость от субъ ективного опыта оператора.

Значительная вариабельность факторов уборки как по времени, так и по площади полей может привести к тому, что в процессе работы первоначально установленные значения параметров станут неадекватными изменившимся условиям. Фактически это означает некорректно определенные значения факторов уборки (засоренность, полеглость и др.), которые влекут за собой выбор значений регулируемых пара метров, не обеспечивающих поддержание показателей качества уборки в задан ных пределах при необходимой производительности комбайна. Так, например, некорректно установленное значение частоты вращения молотильного барабана может приводить к повышенному дроблению зерна. Обнаруженное отклонение показателей качества от допустимых значений требует корректировки значений регулируемых параметров. Разработка механизма корректировки представляет собой самостоятельную задачу и определяет одно из направлений дальнейших исследований. Другим перспективным направлением является расширение ав томатизации измерений значений факторов уборки и показателей качества для непосредственной связи с ИИС, что повысит эффективность ее применения.