Цифровизация машинной технологии уборки лука искусственными нейронными сетями
https://doi.org/10.30766/2072-9081.2019.20.1.84-91
Аннотация
Решение задачи прогнозирования качественных показателей работы машины для уборки лука осуществляли с использованием методологии системного анализа и синтеза, физического моделирования, основанных на теории искусственных нейронных сетей. Анализ математической модели процесса работы машины для уборки лука позволяет констатировать, что повышение качественных показателей уборки лука возможно обеспечить оптимальным соотношением внутренних нерегулируемых параметров отдельных рабочих органов. Изменение же технологических параметров средств механизации уборки лука в установленных конструкцией пределах не обеспечивает соблюдения агротехнических требований. Модель оценки качественных показателей работы функционирующих элементов машины для уборки лука на основе теории искусственных нейронных сетей позволяет прогнозировать качественные показатели работы на основании большого числа внешних воздействий X, оказывающих определяющее влияние на процесс уборки. Теория искусственных нейронных сетей позволяет обеспечить описание технологического процесса работы машины для уборки лука, ее отдельных функционирующих элементов, а также прогнозировать и оценивать качественные показатели работы как отдельных функционирующих элементов, так и машины в целом.
Об авторах
А. В. СибирёвРоссия
Сибирёв Алексей Викторович - кандидат технических наук, старший научный сотрудник отдела технологий и машин в овощеводстве.
д. 5, 1-й Институтский проезд, Москва, 109428.
А. С. Дорохов
Россия
Дорохов Алексей Семенович - доктор технических наук, член-корреспондент РАН, заместитель директора по научно-организационной работе.
д. 5, 1-й Институтский проезд, Москва, 109428.
А. Г. Аксенов
Россия
Аксенов Александр Геннадьевич - кандидат технических наук, ведущий научный сотрудник отдела технологий и машин в овощеводстве.
д. 5, 1-й Институтский проезд, Москва, 109428.
Список литературы
1. Аксенов А.Г., Сибирёв А.В., Козлова А.И. Методология разработки технологических и технических решений на возделывании овощных культур на примере посадки лука-севка // Интеллектуальные машинные технологии и техника для реализации государственной программы развития сельского хозяйства: мат-лы Междунар. научн.-техн. конф. М.: ФГБНУ «Всероссийский научно-исследовательский институт механизации сельского хозяйства», 2015. С. 284-288. Режим доступа: https://elibrary.ru/item.asp?id=24016033.
2. Борисова Л.В., Димитров В.П. Лингвистический подход к решению задачи технологической регулировки комбайнов // Вестник Мордовского университета. 2017. № 2. С. 178-189. DOI: 10.15507/0236-2910.027.201702.178-189.
3. Гарина С.В., Люпаев Б.М., Никишин М.Б. Оптимизация многокритериальных решений // Вестник Мордовского университета. 2015. Т. 25. № 4. С. 12-17. DOI: 10.15507/0236-2910.025.201504.012.
4. Камалетдинов Р.Р. Объектно-ориентированное имитационное моделирование в среде теории информации (информационное моделирование) // Известия Международной академии аграрного образования. 2012. Т. 1. № 14. С. 186-194. Режим доступа: https://elibrary.ru/item.asp?id=17693760.
5. Жалнин Э.В., Постулаты В.П. Горячкина и их дальнейшее развитие // Вестник Федерального государственного образовательного учреждения высшего профессионального образования Московский государственный агроинженерный университет им. В.П. Горячкина. 2008. № 2. С. 15-21. Режим доступа: https://cyberlenin-ka.ru/article/n/postulaty-v-p-goryachkina-i-ih-dalneyshee-razvitie.
6. Комашинский И.В. Нейронные сети их применение в системах управления и связи. М.: Горячая линия – Телеком, 2003. 94 с.
7. Цельсов Н.Ю. Нейронные сети как метод оценки кредитоспособности заемщика // «Научно-технический вестник» МГТУ им. Баумана. 2015. № 77. С. 16-25.
8. Щенников В.Н., Щенникова Е.В., Санников С.А. Сравнение моделей с нейронной сетью и OLS - регрессией при построении стратегии управления риском от дохода по индексу // Вестник Мордовского университета. 2017. Т. 27. № 1. С. 12-20. DOI: 10.15507/0236-2910.027.201701.012-020.
9. Протасов А.А. Функциональной подход к созданию лукоуборочной машины // Вестник Федерального государственного образовательного учреждения высшего профессионального образования Московский государственный агроинженерный университет им. В.П. Горячкина. 2011. № 2 (47). С. 37-43. Режим доступа: https://cyberleninka.ru/article/n/funktsionalnoy-podhod-k-sozdaniyu-lukouborochnoy-mashiny.
10. Сибирёв А.В., Аксенов А.Г. Методологическое обоснование модельного построения сельскохозяйственных машин искусственными нейронными сетями // Актуальные проблемы агроинженерии в XXI веке: Междунар. научн.-практ. конф. Майский: ФГБОУ ВО «Белгородский ГАУ им. В.Я. Горина», 2018. С. 185-191. Режим доступа: https://elibrary.ru/item.asp?id=32380302.
11. Ларюшин Н.П., Ларюшин А.М. Энергосберегающая технология уборки лука // Доклады Российской академии сельскохозяйственных наук. 2009. № 1. С. 55-56.
12. Краснощеков Н.В. Агроинженерная стратегия: от механизации сельского хозяйства к его интеллектуализации // Тракторы и сельхозмашины. 2010. № 8. С. 5-7. Режим доступа: http://elibrary.ru/item.asp?id=17692608.
13. Нурутдинова И.Н., Шумская Н.Н., Димитрова Л.А. Об использовании весовых коэффициентов при формировании экспертной информации // Состояние и перспективы развития сельскохозяйственного машиностроения: сб. статей 10-й Междунар. юбилейной науч.-практ. конф. в рамках 20-й Междунар. агропромышленной выставки «Интераргомаш-2017». Ростов-на-Дону: Донской государственный технический университет, 2017. С. 332-334. Режим доступа: https://elibrary.ru/item.asp?id=2878143.
Рецензия
Для цитирования:
Сибирёв А.В., Дорохов А.С., Аксенов А.Г. Цифровизация машинной технологии уборки лука искусственными нейронными сетями. Аграрная наука Евро-Северо-Востока. 2019;20(1):84-91. https://doi.org/10.30766/2072-9081.2019.20.1.84-91
For citation:
Sibiriev A.V., Dorokhov A.S., Aksenov A.G. Digital transformation of machine technology for onion harvesting using the theory of artificial neural networks. Agricultural Science Euro-North-East. 2019;20(1):84-91. (In Russ.) https://doi.org/10.30766/2072-9081.2019.20.1.84-91