ISSN 2658-6525 (Online)
ISSN 2658-4123 (Print)
Основан в 1990 году
Реестровая запись
ПИ № ФС 77-74640
от 24 декабря 2018 г.

Вы здесь: Главная Архив статей (2014-2016) 2026 №3 Список статей 09 Лимаренко Н. В., Савенков Д. Н., Суханов М. К. Классификация режимов работы гидроцилиндра зерноуборочного комбайна по данным экспериментальных исследований

PDF Скачать статью в pdf.

DOI: 10.15507/2658-4123.26363.618-643

EDN: https://elibrary.ru/ydnrzi

УДК 631.354.2:001.8

 

Классификация режимов работы гидроцилиндра зерноуборочного комбайна по данным экспериментальных исследований

 

Лимаренко Николай Владимирович
доктор технических наук, доцент, профессор кафедры приборостроения и биомедицинской инженерии, главный научный сотрудник научно-исследовательской лаборатории RSM-Star института перспективного машиностроения Донского государственного технического университета (344000, Российская Федерация, г. Ростов-на-Дону, пл. Гагарина, д. 1), ORCID: https://orcid.org/0000-0003-3075-2572, Researcher ID: O-5342-2017, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Савенков Дмитрий Николаевич
кандидат технических наук, доцент, доцент кафедры техники и технологий пищевых производств, заведующий научно-исследовательской лабораторией RSM-Star института перспективного машиностроения Донского государственного технического университета (344000, Российская Федерация, г. Ростов-на-Дону, пл. Гагарина, д. 1), ORCID: https://orcid.org/0000-0003-4546-424X, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Суханов Максим Константинович
аспирант кафедры приборостроения и биомедицинской инженерии, научный сотрудник научно-исследовательской лаборатории RSM-Star института перспективного машиностроения Донского государственного технического университета (344000, Российская Федерация, г. Ростов-на-Дону, пл. Гагарина, д. 1), ORCID: https://orcid.org/0009-0006-3363-6349, Researcher ID: LVS-4135-2024, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Аннотация
Введение. Энергоэффективность и эксплуатационная надежность зерноуборочных комбайнов в значительной степени определяется техническим состоянием гидравлического привода, отказы которого приводят к увеличению простоев и экономическим издержкам. При этом отсутствуют унифицированные экспериментально обоснованные подходы к формированию данных, пригодных для интеллектуальной поддержки принятия энергосберегающих решений при эксплуатации гидроагрегатов.
Цель исследования. Формирование репрезентативной выборки экспериментальных данных и разработка интерпретируемых моделей для дифференциации режимов работы гидроцилиндра жатки зерноуборочного комбайна RSM 161 в интересах интеллектуальной поддержки энергосберегающих решений.
Материалы и методы. Объектом исследования является гидроцилиндр жатки зерноуборочного комбайна RSM 161. Экспериментальные исследования выполнены на специально разработанном гидравлическом стенде с использованием методов планирования эксперимента. Варьируемыми факторами выбраны рабочее и нагрузочное давление, а также длительность хода штока. В качестве выходных параметров рассматривались температура гидравлического масла, падение давления в гидроцилиндре и ускорение штока в момент начала движения. Статистическая обработка данных и построение регрессионных моделей осуществлялись с применением методов регрессионного анализа.
Результаты исследования. Получены регрессионные модели второго порядка, описывающие зависимости выходных параметров от комбинаций эксплуатационных факторов. Установлена высокая предиктивная способность моделей температуры масла и ускорения штока (R² = 0,99 и R² = 0,98 соответственно), подтверждена статистическая значимость влияния рабочих режимов на энергетическую нагрузку гидроцилиндра. Совокупность измеряемых параметров позволяет устойчиво дифференцировать нормальный, переходный и перегруженный режимы работы гидропривода.
Заключение. Разработанная методика и полученные модели обеспечивают формирование структурированной и репрезентативной экспериментальной базы данных, пригодной для аугментации обучающих выборок и предварительного обучения нейросетевых алгоритмов. Результаты создают основу для разработки интеллектуальных систем поддержки принятия энергосберегающих решений и направлены на снижение энергетических потерь при повышении эксплуатационной надежности зерноуборочных комбайнов.

<Ключевые слова: гидроцилиндр жатки, гидравлический привод, система поддержки принятия решений, режимы работы гидросистемы комбайна, эксплуатационная надежность, отказ гидроцилиндра жатки, энергоэффективность, интеллектуальная система

Финансирование: исследование выполнено в рамках реализации Грантового проекта Министерства науки и высшего образования Российской Федерации № 075-03-2025-302/1 от 25.03.2025.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Для цитирования: Лимаренко Н.В., Савенков Д.Н., Суханов М.К. Классификация режимов работы гидроцилиндра зерноуборочного комбайна по данным экспериментальных исследований. Инженерные технологии и системы. 2026;36(3):618–643. https://doi.org/10.15507/2658-4123.26363.618-643

Вклад авторов:
Н. В. Лимаренко – контроль, лидерство и наставничество в процессе планирования и проведения исследования; формулирование идеи исследования, целей и задач; создание и подготовка рукописи: визуализация результатов исследования и полученных данных.
Д. Н. Савенков – осуществление научно-исследовательского процесса, включая выполнение экспериментов и сбор данных; создание и подготовка рукописи: визуализация результатов исследования и полученных данных.
М. К. Суханов – осуществление научно-исследовательского процесса, включая выполнение экспериментов и сбор данных; создание и подготовка рукописи: визуализация результатов исследования и полученных данных.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила в редакцию 20.01.2026;
поступила после рецензирования 16.02.2026;
принята к публикации 27.02.2026

 

СПИСОК ЛИТЕРАТУРЫ

  1. Зайберт А.В. Тенденции развития рынка сельскохозяйственной техники в России. Вестник молодежной науки Алтайского государственного аграрного университета. 2024;(2):80–83. URL: https://www.asau.ru/vestnik-molodjozhnoj-nauki/arkhiv-nomerov (дата обращения: 15.10.2025).
  2. Limarenko N.V., Savenkov D.N., Shcherbakov A.A. Using of Digital Tools as a Means of Increasing the Efficiency of Agro-Industrial Complex. In: 2nd International Conference on Computer Applications for Management and Sustainable Development of Production and Industry (CMSD-II-2022): Proceedings SPIE 12564. Dushanbe; 2022. http://doi.org/10.1117/12.2669259
  3. Шуханов С.Н., Кузьмин А.В., Болоев П.А. Надежность работы машинно-тракторного агрегата. Инженерные технологии и системы. 2020;30(1):8–20. https://doi.org/10.15507/2658-4123.030.202001.008-020
  4. Комаров В.А., Курашкин М.И. Исследование работоспособности зерноуборочных комбайнов в гарантийный период. Инженерные технологии и системы. 2021;31(2):188–206. https://doi.org/10.15507/2658-4123.031.202102.188-206
  5. Чавыкин Ю.И. Формирование автоматизированных интерактивных ресурсов сельхозмашин и оборудования, зарубежного опыта их использования и технического обслуживания. Техника и оборудование для села. 2023;(11):18–21. https://elibrary.ru/mgbpzo
  6. Лукиенко Л.В. Анализ отказов эксплуатируемой сельскохозяйственной техники российского производства. Агропродовольственная экономика. 2024;(5):7–11. URL: http://apej.ru/article/01-05-24 (дата обращения: 15.10.2025).
  7. Герасимов В.С., Игнатов В.И., Буряков С.А., Мишина З.Н. Анализ состояния и направления развития сервисно-технологических услуг по поддержанию ресурса сельскохозяйственной техники в АПК. Техника и оборудование для села. 2020;(2):35–39. https://elibrary.ru/ykscqc
  8. Ионов П.А., Сенин П.В., Земсков А.М., Пьянзов С.В., Салмин В.В. Влияние марок гидравлических масел на полноту и точность диагностирования гидроагрегатов российского и зарубежного производства. Инженерные технологии и системы. 2023;33(3):373–387. https://doi.org/10.15507/2658-4123.033.202303.373-387
  9. Чиганова Н.М. Приближенная оценка надежности изделий при Вейбулловском распределении отказов. Научно-технический вестник Поволжья. 2024;(3):137–140. URL: https://ntvprt.ru/ru/archive-vypuskov (дата обращения: 29.10.2025).
  10. Hwang I.-S., Kim J.-H., Im W.-T., Jeung H.-H., Nam Ju.-S., Shin Ch.-S. Analyzing Safety Factors and Predicting Fatigue Life of Weak Points in an Electrically Driven, MultiPurpose Cultivation Tractor. Agriculture. 2024;14(3):416. https://doi.org/10.3390/agriculture14030416
  11. Thomas L.C.S., Abe J.M., Leite M.V., Nääs I.A., Souza M.L.H., Gomes D.A. Smart Technologies in Poultry Production: Trends and Innovations. Procedia Computer Science. 2025;(270):4451–4460. https://doi.org/10.1016/j.procs.2025.09.570
  12. Mahapatra J., Sahni R.K., Sahoo P.K., Shrinivasa D.J. IoT-Based Real-Time Farm Management System for Smart Agriculture. In: Artificial Intelligence Techniques in Smart Agriculture. Singapore: Springer Nature Singapore; 2024. p. 267–287. https://doi.org/10.1007/978-981-97-5878-4_16
  13. Sachithra V., Subhashini L.D.C.S. How Artificial Intelligence Uses to Achieve the Agriculture Sustainability: Systematic Review. Artificial Intelligence in Agriculture. 2023;(8):46–59. https://doi.org/10.1016/j.aiia.2023.04.002
  14. Пронин С.П., Зрюмова А.Г., Пилецкий А.А., Беляев В.И. Интеллектуальная оценка урожайности пшеницы по вариабельному потенциалу семян. Инженерные технологии и системы. 2025;35(3):443–464. https://doi.org/10.15507/2658-4123.035.202503.443-464
  15. Khan T., Qiu J., Qureshi M.A.A., Iqbal M.S., Mehmood R., Hussain M.W. Agricultural Fruit Prediction Using Deep Neural Networks. Procedia Computer Science. 2020;(174):72–78. https://doi.org/10.1016/j.procs.2020.06.058
  16. Liu L.-W., Ma X., Wang Y.-M., Lu C.-T., Lin W.-S. Using Artificial Intelligence Algorithms to Predict Rice (Oryza Sativa L.) Growth Rate for Precision Agriculture. Computers and Electronics in Agriculture. 2021;(187):106286. https://doi.org/10.1016/j.compag.2021.106286
  17. Monteiro A.L., Souza M.F., Lins H.A., Teófilo T.M.S., Barros Júnior A.P., Silva D.V., et al. A New Alternative to Determine Weed Control in Agricultural Systems Based on Artificial Neural Networks (ANNs). Field Crops Research. 2021;(263):108075. https://doi.org/10.1016/j.fcr.2021.108075
  18. Spanaki K., Karafili E., Sivarajah U., Despoudi S., Irani Z. Artificial Intelligence and Food Security: Swarm Intelligence of Agritech Drones for Smart Agrifood Operations.
  19. Production Planning & Control. 2021;33(16):1498–1516. https://doi.org/10.1080/09537287.2021.1882688
  20. Трубицын Н.В., Таркивский В.Е., Подольская Е.Е. Измерительная информационная система для полевых испытаний сельскохозяйственной техники. Техника и оборудование для села. 2023:(8):18–20. https://elibrary.ru/iyhpmg
  21. Саяпин А.С., Петрищев Н.А., Пестряков Е.В. Совершенствование управления техническим состоянием машин за счет использования цифровых средств мониторинга. Технический сервис машин. 2023;61(4):10–17. https://doi.org/10.22314/2618-8287-2023-61-4-10-17
  22. Смирнов И.Г., Хорт Д.О., Кутырев А.И. Интеллектуальные технологии и роботизированные машины для возделывания садовых культур. Сельскохозяйственные машины и технологии. 2021;15(4):35–41. https://doi.org/10.22314/2073-7599-2021-15-4-35-41
  23. Ерохин М.Н., Дорохов А.С., Катаев Ю.В. Интеллектуальная система диагностирования параметров технического состояния сельскохозяйственной техники. Агроинженерия. 2021;(2):45–50. https://doi.org/10.26897/2687-1149-2021-2-45-50
  24. Гайдар С.М., Мирзаев Р.Р., Пикина А.М., Балькова Т.И. Разработка математической модели определения эффективности сельскохозяйственной техники на отдельных уровнях многоуровневой системы оценки качества. Агроинженерия. 2023;25(5):46–51. https://doi.org/10.26897/2687-1149-2023-5-46-51
  25. Мударисов С.Г., Фархутдинов И.М., Багаутдинов Р.Ю. Обоснование параметров комбинированного сошника в цифровом двойнике методом дискретных элементов. Инженерные технологии и системы. 2024;34(2):229–243. https://doi.org/10.15507/2658-4123.034.202402.229-243
  26. Sukhanov M., Syabro M., Ambartsumyan G., Moroz K., Limarenko N. Using the Simulink Simulation Package in the Practice of Creating Components of Digital Doubles of the Operating Conditions of Devices. In: IEEE 26th International Conference of Young Professionals in Electron Devices and Materials (EDM). Altai: IEEE; 2025. p. 1360–1364. https://doi.org/10.1109/EDM65517.2025.11096844
  27. Балкаров Р.А., Ашабоков Х.Х. Сохраняемость и защита от коррозии сельскохозяйственной техники в условиях КБР. Известия Кабардино-Балкарского государственного аграрного университета им. В.М. Кокова. 2024;(1):88–98. https://doi.org/10.55196/2411-3492-2024-1-43-88-98
  28. Бадалян В.Г., Вопилкин А.Х. Применение нейронных сетей в ультразвуковом неразрушающем контроле (обзор). Контроль. Диагностика. 2022;(5):12–25. https://doi.org/10.14489/td.2022.05.pp.012-025
  29. Труфляк Е.В., Скоробогачевко И.С., Коновалов В.И. Параметры и режимы работы гидравлической мини-сеялки мелкосемянных овощных культур. Инженерные технологии и системы. 2024;34(2):244–264. https://doi.org/10.15507/2658-4123.034.202402.244-264
  30. Гуреев И.И., Нуралин Б.Н., Мухтаров М.У., Костюченкова О.Н. Оптимизация параметров адаптивного распылителя сельскохозяйственного опрыскивателя. Инженерные технологии и системы. 2024;34(1):72–87. https://doi.org/10.15507/2658-4123.034.202401.072-087
  31. Кулиев З.В., Якубов К.Г., Алиев Э.М. Оптимизация параметров универсальной установки для измельчения кормов. Инженерные технологии и системы. 2025;35(1):121–138. https://doi.org/10.15507/2658-4123.035.202501.121-138
  32. Божко И.В., Камбулов С.И., Пархоменко Г.Г., Рыков В.Б, Подлесный Д.С. Обоснование оптимальных параметров функционирования рабочего органа парового культиватора по тяговому сопротивлению. Инженерные технологии и системы. 2024;34(2):213–228. https://doi.org/10.15507/2658-4123.034.202402.213-228
  33. Ожерельев В.Н., Никитин В.В. Результаты адаптации конструкции комбайна к работе с очесывающей жаткой. Инженерные технологии и системы. 2022;32(2):190–206. https://doi.org/10.15507/2658-4123.032.202202.190-206
  34. Овчинников В.А., Кильмяшкин Е.А., Князьков А.С., Овчинникова А.В., Жалнин Н.А., Зыкини Е.С. Разработка адаптивного центробежного рабочего органа для внесения минеральных удобрений с применением технологий быстрого прототипирования. Инженерные технологии и системы. 2022;32(2):222–234. https://doi.org/10.15507/2658-4123.032.202202.222-234
  35. Катаев Ю.В., Загоруйко М.Г., Тишанинов И.А., Градов Е.А. Прогнозирование отказов в двигателях сельскохозяйственной техники с применением цифровых технологий. Аграрный научный журнал. 2022;(2):79–82. https://doi.org/10.28983/asj.y2022i2pp79-82
  36. Месхи Б.Ч., Лимаренко Н.В., Жаров В.П., Шаповал Б.Г. Создание математической модели для оценки энергоемкости процесса обеззараживания стоков животноводства. Вестник Донского государственного технического университета. 2017;17(4):129–135. https://doi.org/10.23947/1992-5980-2017-17-4-129-135

 

Лицензия Creative Commons
Контент доступен под лицензией Creative Commons Attribution 4.0 License.

Подробности
Просмотров: 12