Аннотация

Цель: исследование направлений повышения эффективности работы дождевальных машин кругового действия на основе моделей нейросетевого управления. 

Материалы и методы. Исследования и сбор полевых данных проводились в Энгельсском районе Саратовской области. Объект исследований – дождевальные машины кругового действия. Большинство дождевальных машин кругового действия используют контроллеры типа ВКЛ/ВЫКЛ. Эти контроллеры не могут дать оптимальных результатов для разных временных задержек, разных системных параметров и внешних воздействий. В качестве методов применены современные методы интеллектуального анализа данных, а именно методы нейроуправления динамическими объектами. 

Результаты. В результате исследований выявлено, что традиционные подходы, основанные только на физическом моделировании технических процессов и связей, зачастую затрудняют поиск эффективных решений. Интеллектуальное управление оросительной техникой необходимо для максимальной эффективности и производительности. Предложен подход, основанный на модели интеллектуального анализа данных, а именно управление дождевальной машиной с использованием нейроконтроллера. 

Выводы. Предложен алгоритм нейроуправления скоростью (нейроконтроллер), минимизирующий отклонение фактических значений поливных норм от заданных, возникающее под влиянием эксплуатационных, стохастических факторов, до 1–3 %, и способы его внедрения в системы управления для повышения эффективности управления существующей техникой и при разработке современных дождевальных машин. Предложенный контроллер на основе искусственной нейронной сети создается с использованием MATLAB. Основным параметром моделирования выступает скорость. Совершенствование дождевальной техники на основе интеллектуальных методов управления – новая тенденция повышения эффективности российской дождевальной техники.

DOI: 10.31774/2222-1816-2020-4-23-38

Для цитирования

Совершенствование дождевальной техники на основе методов нейроуправления / Д. А. Соловьев, Г. Н. Камышова, С. А. Макаров, Н. Н. Терехова, С. М. Бакиров // Научный журнал Российского НИИ проблем мелиорации [Электронный ресурс]. – 2020. – № 4(40). – С. 23–38. – Режим доступа: http:www.rosniipm-sm.ru/article?n=1157. – DOI: 10.31774/2222-1816-2020-4-23-38.

Список литературы

1 Ольгаренко, Г. В. Реализация программы импортозамещения в области производства техники полива в Российской Федерации / Г. В. Ольгаренко // Мелиорация и водное хозяйство. – 2018. – № 1. – С. 44–47.

2 Рекомендации по эффективному использованию орошаемых земель с учетом введения в оборот длительно неиспользуемых поливных участков / В. А. Шадских, Н. Ф. Рыжко, В. Е. Кижаева, Н. В. Рыжко, С. Н. Рыжко, Е. С. Смирнов. – Энгельс, 2020. – 37 с.

3 Соловьев, Д. А. Влияние режима движения дождевальных машин на норму полива / Д. А. Соловьев, Л. А. Журавлева // Вестник АПК Верхневолжья. – 2018. – № 1(41). – C. 38–43.

4 Чернодуб, А. Обзор методов нейроуправления / А. Чернодуб, Д. Дзюба // Проблемы программирования. – 2011. – № 2. – С. 79–94.

5 Белов, М. П. Исследование системы управления электроприводом подачи токарного станка с применением метода обобщенного нейроуправления с прогнозированием / М. П. Белов, И. С. Носиров, Ч. Х. Фыонг // Известия СПбГЭТУ «ЛЭТИ». – 2018. – № 4. – С. 45–53.

6 On replacing PID controller with deep learning controller for DC motor system / K. Cheon, J. Kim, M. Hamadache, D. Lee // J. of Automation Control Engineering. – 2015. – Vol. 3, no. 6. – Р. 452–456. – DOI: 10.12720/joace.3.6.452-456.

7 McCarthy, A. Simulation of irrigation control strategies for cotton using model predictive control within the VARIwise simulation framework / A. McCarthy, N. Hancock, S. Raine // Computers Electronics in Agriculture. – 2014. – Vol. 101. – P. 135–147. – DOI: 10.1016/j.compag.2013.12.004.

8 Tsang, S. W. Applying artificial intelligence modeling to optimize green roof irrigation / S. W. Tsang, C. Y. Jim // Energy Buildings. – 2016. – Vol. 127. – P. 360–369. – DOI: 10.1016/j.enbuild.2016.06.005.

9 King, B. A. Evaluation of neural network modeling to predict non-water-stressed leaf temperature in wine grape for calculation of crop water stress index / B. A. King, K. C. Shellie // Agricultural Water Management. – 2016. – Vol. 167. – P. 38–52. – DOI: 10.1016/J.AGWAT.2015.12.009.

10 Design of a WSN for smart irrigation in citrus plots with fault-tolerance and energy-saving algorithms / L. Parra, J. Rocher, L. Garcia, J. Lloret, J. Tomás, O. Romero, M. Rodilla, S. Falco, M. T. Sebastiá, J. Mengual, J. A. González, B. Roig // Network Protocols Algorithms. – 2018. – Vol. 10. – P. 95–115. – DOI: 10.5296/npa.v10i2.13205.

11 Омату, С. Нейроуправления и его приложения / С. Омату, М. Халид, Р. Юсоф. – Кн. 2. – М.: ИПРЖР, 2000. – 272 с. – (Серия: Нейрокомпьютеры и их применение).

12 Schmidhuber, J. Deep learning in neural networks: An overview / J. Schmidhuber // Neural Networks. – 2015. – Vol. 61. – Р. 85–117. – DOI: 10.1016/j.neunet.2014.09.003.

13 Дьяконов, В. П. MATLAB. Полный самоучитель / В. П. Дьяконов. – М.: ДМК Пресс, 2012. – 768 с. 

14 Variable-rate irrigation management using an expert system in the eastern coastal plain / K. C. Stone, P. J. Bauer, W. J. Busscher, J. A. Millen, D. E. Evans, E. E. Strickland // Irrigation Science. – 2015. – Vol. 33. – P. 167–175. – DOI: 10.1007/s00271-014-0457-x.

15 Soloviev, D. Robotic irrigative complex with intellectual control system “Cascade” / D. Soloviev, L. Zhuravleva, S. Bakirov // Modern Trends in Agricultural Production in the World Economy: XVIII International Scientific and Practical Conference. – 2019. – P. 145–156.