Обґрунтування конструктивно-технологічних параметрів обладнання аграрного виробництва на основі даних кіберфізичних систем та методів обчислювального інтелекту
DOI:
https://doi.org/10.32515/2664-262X.2026.14(45).99-115Ключові слова:
кіберфізична система, обладнання, аграрне виробництво, конструктивно-технологічні параметри, обчислювальний інтелект, інтелектуальне моделювання, цифровізація виробництваАнотація
Метою статті є розробка моделі обґрунтування конструктивно-технологічних параметрів обладнання аграрного виробництва на основі даних кіберфізичних систем та методів обчислювального інтелекту. Основну увагу приділено формуванню адаптивних технічних рішень для функціонування обладнання в умовах цифровізації аграрного виробництва, коли визначення раціональних параметрів технологічних систем враховує мінливість виробничих умов, енергетичних навантажень, режимів використання та поточного технічного стану обладнання. У межах дослідження побудовано функціональну схему використання даних кіберфізичних систем, яка охоплює фізичний рівень функціонування обладнання, сенсорний рівень збору параметрів, рівень контролерів, модулі передачі даних, аналітичний блок і підсистему прийняття рішень. Запропонована модель обґрунтування конструктивно-технологічних параметрів обладнання аграрного виробництва базується на формуванні інформаційної бази параметрів роботи обладнання, що включає технологічні, енергетичні, конструктивні та експлуатаційні характеристики. На основі цих даних формується вектор ознак, який надходить до інтелектуального модуля оцінювання, де використано поєднання багатошарової нейронної мережі, алгоритму XGBoost та нечіткої логіки для визначення раціональних параметрів обладнання. У комп’ютерній реалізації модель формалізується у вигляді послідовності етапів – нормалізація даних, формування інтегрального критерію ефективності, прогнозування робочих параметрів і адаптивне коригування режимів функціонування. Практичну перевірку моделі виконано в умовах ТзОВ «Інтелектуальні вендингові системи» із використанням дослідного зразка автоматизованої установки під час миття трактора John Deere 8320R. Отримані результати підтвердили зниження витрат води, електроенергії та тривалості технологічного циклу за одночасного підвищення стабільності роботи обладнання. Запропонована модель створює основу для переходу від статичного обґрунтування конструктивно-технологічних параметрів обладнання аграрного виробництва до інтелектуального, що відповідає принципам Індустрії 4.0 та сучасного машинобудування.
Посилання
References
1. Uztürk, D., Kuter, S., & Akdemir, B. (2024). Industry 4.0 technologies in smart agriculture: A review of research trends, opportunities, and challenges. Technological Forecasting and Social Change, 208, 123855. https://doi.org/10.1016/j.techfore.2024.123855 [in English]. DOI: https://doi.org/10.1016/j.techfore.2024.123640
2. Yuan, J., & Huang, Z. (2024). Intelligent agricultural machinery and robots: Embracing technological advancements for a sustainable and highly efficient agricultural future. Agriculture, 14(12), 2150. https://doi.org/10.3390/agriculture14122150 [in English]. DOI: https://doi.org/10.3390/agriculture14122150
3. Shvets, M. D., Aulin, V. V., & Holub, D. V. (2025). Intehratsiia tekhnolohii vantazhnykh robit i vyrobnychykh protsesiv na osnovi tsyfrovoho monitorynhu. Tsentralnoukrayinskyy naukovyy visnyk. Tekhnichni nauky, 11(42), Part I, 320–329. https://mapiea.kntu.kr.ua/pdf/11%2842%29_I/38.pdf [in Ukrainian].
4. Shamshiri, R. R., Kalantari, F., Ting, K. C., Thorp, K. R., Hameed, I. A., Weltzien, C., Ahmad, D., & Shad, Z. (2018). Advances in greenhouse automation and controlled environment agriculture: A transition toward dynamic operational control in agricultural systems. Computers and Electronics in Agriculture, 153, 69–90. https://doi.org/10.1016/j.compag.2018.08.029 [in English]. DOI: https://doi.org/10.1016/j.compag.2018.08.029
5. Aulin, V. V., Holub, D. V., & Zamota, T. M. (2024). Innovatsiini rishennia v skladskii lohistytsi na osnovi avtomatyzatsii ta tsyfrovizatsii tekhnichnykh system. Tsentralnoukrayinskyy naukovyy visnyk. Tekhnichni nauky, 10(41), Part I, 280–289. https://mapiea.kntu.kr.ua/pdf/10%2841%29_I/29.pdf [in Ukrainian].
6. Bechar, A., & Vigneault, C. (2016). Agricultural robots for field operations: Concepts and components. Biosystems Engineering, 149, 94–111. https://doi.org/10.1016/j.biosystemseng.2016.06.014 [in English]. DOI: https://doi.org/10.1016/j.biosystemseng.2016.06.014
7. Lee, J., Davari, H., Singh, J., & Pandhare, V. (2018). Industrial artificial intelligence for Industry 4.0-based manufacturing systems. Manufacturing Letters, 18, 20–23. https://doi.org/10.1016/j.mfglet.2018.09.002 [in English]. DOI: https://doi.org/10.1016/j.mfglet.2018.09.002
8. Filkin, O. I., & Tryhuba, A. M. (2025). Tsyfrovyi dviinyk kiberfizychnoi systemy myttia silskohospodarskoi tekhniky. Tsentralnoukrayinskyy naukovyy visnyk. Tekhnichni nauky, 12(43), Part I, 253–264. https://doi.org/10.32515/2664-262X.2025.12(43).1.253-264 [in Ukrainian]. DOI: https://doi.org/10.32515/2664-262X.2025.12(43).1.253-264
9. Monostori, L., Kádár, B., Bauernhansl, T., Kondoh, S., Kumara, S., Reinhart, G., Sauer, O., Schuh, G., Sihn, W., & Ueda, K. (2016). Cyber-physical systems in manufacturing. CIRP Annals, 65(2), 621–641. https://doi.org/10.1016/j.cirp.2016.06.005 [in English]. DOI: https://doi.org/10.1016/j.cirp.2016.06.005
10. Kusiak, A. (2018). Smart manufacturing must embrace big data. Nature, 544, 23–25. https://doi.org/10.1038/544023a [in English]. DOI: https://doi.org/10.1038/544023a
11. Wang, L., Törngren, M., & Onori, M. (2015). Current status and advancement of cyber-physical systems in manufacturing. Journal of Manufacturing Systems, 37, 517–527. https://doi.org/10.1016/j.jmsy.2015.04.008 [in English]. DOI: https://doi.org/10.1016/j.jmsy.2015.04.008
12. Montalvo, A., Camacho, O., & Chavez, D. (2025). Cyber-physical systems for smart farming: A systematic review. Sustainability, 17(14), 6393. https://doi.org/10.3390/su17146393 [in English]. DOI: https://doi.org/10.3390/su17146393
13. Tryhuba, A., Filkin, O., Tryhuba, I., Tatomyr, A., & Malanchuk, O. (2025). Architecture of a cyber-physical system for washing agricultural machinery. Research in Agricultural Engineering, 71(4), 235–246. https://doi.org/10.17221/91/2025-RAE [in English].
14. Alves, R. G., Souza, G., Maia, R. F., Tran, A. L. H., & Kamienski, C. (2019). A digital twin for smart farming. In 2019 IEEE Global Humanitarian Technology Conference (GHTC) (pp. 1–4). https://doi.org/10.1109/GHTC46095.2019.9033058 [in English]. DOI: https://doi.org/10.1109/GHTC46095.2019.9033075
15. Holovaty, A. O., Chumak, V. M., Manko, Ye. V., Aulin, V. V., & Kulova, D. O. (2025). Vdoskonalennia matematychnoho modeliuvannia mashynobudivnykh tekhnolohii dlia smart-pidpryiemstv v systemi mashynnoho zoru. Tsentralnoukrayinskyy naukovyy visnyk. Tekhnichni nauky, 11(42), Part II, 143–159. https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159 [in Ukrainian]. DOI: https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159
16. Tryhuba, A., Padyuka, R., Tymochko, V., & Lub, P. (2022). Mathematical model for forecasting product losses in crop production projects. CEUR Workshop Proceedings, 3109, 25–31. https://ceur-ws.org/Vol-3109/paper4.pdf [in English].
17. Qian, M., Shi, Y., & Chen, J. (2024). Smart irrigation systems from cyber–physical perspective. Future Internet, 16(7), 234. https://doi.org/10.3390/fi16070234 [in English]. DOI: https://doi.org/10.3390/fi16070234
18. Inderwildi, O., Zhang, C., Wang, X., & Kraft, M. (2020). The impact of intelligent cyber-physical systems on the decarbonization of energy. Energy & Environmental Science, 13, 744–771. https://doi.org/10.1039/C9EE03418C [in English]. DOI: https://doi.org/10.1039/C9EE01919G
19. Zamora-Izquierdo, M. A., Santa, J., Martínez, J. A., Martínez, V., & Skarmeta, A. F. (2019). Smart farming IoT platform based on edge and cloud computing. Biosystems Engineering, 177, 4–17. https://doi.org/10.1016/j.biosystemseng.2018.10.014 [in English]. DOI: https://doi.org/10.1016/j.biosystemseng.2018.10.014
20. Jones, D., Snider, C., Nassehi, A., Yon, J., & Hicks, B. (2020). Characterising the digital twin: A systematic literature review. CIRP Journal of Manufacturing Science and Technology, 29, 36–52. https://doi.org/10.1016/j.cirpj.2020.02.002 [in English]. DOI: https://doi.org/10.1016/j.cirpj.2020.02.002
21. Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674. https://doi.org/10.3390/s18082674 [in English]. DOI: https://doi.org/10.3390/s18082674
22. Moysiadis, V., Sarigiannidis, P., Vitsas, V., & Khelifi, A. (2021). Smart farming in Europe. Computers and Electronics in Agriculture, 191, 106515. https://doi.org/10.1016/j.compag.2021.106515 [in English]. DOI: https://doi.org/10.1016/j.cosrev.2020.100345
23. Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M.-J. (2017). Big data in smart farming – A review. Agricultural Systems, 153, 69–80. https://doi.org/10.1016/j.agsy.2017.01.023 [in English]. DOI: https://doi.org/10.1016/j.agsy.2017.01.023
24. Benos, L., Bechar, A., & Bochtis, D. (2020). Safety and ergonomics in human-robot interactive agricultural operations. Biosystems Engineering, 200, 55–72. https://doi.org/10.1016/j.biosystemseng.2020.09.017 [in English]. DOI: https://doi.org/10.1016/j.biosystemseng.2020.09.009
25. Tryhuba, A., & Filkin, O. (2025). Tekhnolohiia myiky silskohospodarskoi tekhniky ta metod otsinky yii efektyvnosti za riznykh rivniakh zabrudnennia. Visnyk Lvivskoho natsionalnoho ekolohichnoho universytetu. Seriia Ahroinzhenerni doslidzhennia, 29, 34–47. https://doi.org/10.32718/agroengineering2025.29.34-47 [in Ukrainian]. DOI: https://doi.org/10.32718/agroengineering2025.29.34-47
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 А. М. Тригуба, О. І. Фількін, М. П. Коциловський, Н. Я. Коваль
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
