ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Автоматизация управления рабочими процессами строительных и дорожных машин на основе интеллектуальных алгоритмов обработки данных

Авторы

  • Вадим Дмитриевич Ремезов Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина, 119991, Россия, г. Москва, Ленинский проспект, д. 65, корп. 1

Как цитировать

ГОСТ Ремезов В. Д. Автоматизация управления рабочими процессами строительных и дорожных машин на основе интеллектуальных алгоритмов обработки данных // СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. 2026. Т. 70. № 7. С. 326-336. DOI: 10.25726/f2988-2294-5061-m
APA Ремезов, В. Д. (2026). Автоматизация управления рабочими процессами строительных и дорожных машин на основе интеллектуальных алгоритмов обработки данных. СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ, 70(7), 326-336. https://doi.org/10.25726/f2988-2294-5061-m

Аннотация

Бортовые измерительные системы строительных и дорожных машин формируют поток данных объёмом порядка 0,35 ГБ на машину за десятичасовую смену, однако управляющее решение по большинству рабочих процессов принимается оператором с запаздыванием, сопоставимым со временем корреляции внешнего возмущения. Наращивание сложности алгоритма обработки увеличивает вычислительную задержку и обесценивает выигрыш в точности прогноза, и это расхождение остаётся неразрешённым. Цель работы – количественно определить условия, при которых интеллектуальный алгоритм обработки бортовых данных обеспечивает удержание технологического параметра в нормативном допуске. Построена авторская расчётная модель замкнутого контура «измерение – обработка – решение – воздействие» для уплотнения грунта вибрационным катком, профилирования слоя автогрейдером и разработки выемки экскаватором; остаточное отклонение оценено через минимально достижимую дисперсию при запаздывании и проверено имитацией на 4 млн отсчётов. Переход от пороговой логики к градиентному бустингу снижает долю выхода коэффициента уплотнения за допуск 0,04 с 16,8 до 2,6%, при этом рекуррентная сеть с вычислительной задержкой 0,214 с даёт 2,6%, и выигрыш в точности поглощается запаздыванием. Критическая вычислительная задержка для контура уплотнения составила 0,206 с. Предел автоматизации рабочего процесса задаётся отношением суммарной задержки контура ко времени корреляции возмущения, и повышение класса алгоритма без сокращения исполнительного запаздывания смещает этот предел незначительно.

Ключевые слова

строительные и дорожные машины автоматизация рабочего процесса интеллектуальные алгоритмы обработки данных бортовая телеметрия запаздывание контура управления интеллектуальное уплотнение коэффициент уплотнения авторская расчётная модель

Библиографические ссылки

Анисимов А.А., Сороковнин М.Е., Тарарыкин С.В. Нейросетевая идентификация и настройка мехатронных систем с регуляторами состояния // Мехатроника, автоматизация, управление. 2025. Т. 26. № 2. С. 65-76.

Боброва Т.В., Уткин В.А. Настройка параметров технологических карт к реальным условиям дорожно-строительного производства инструментами информационного моделирования // Вестник СибАДИ. 2025. Т. 22. № 5. С. 832-843.

Великанов В.С. Прогнозирование нагруженности рабочего оборудования карьерного экскаватора по нечетко-логистической модели // Записки Горного института. 2020. Т. 241. С. 29-36.

Жилинский Н.А., Дорогова И.Е. Позиционирование подвижных элементов строительной техники посредством компьютерного зрения // Вестник СГУГиТ. 2026. Т. 31. № 2. С. 14-21.

Зырянов И.В., Непомнящих К.А., Труфанов А.И., Храмовских В.А., Шевченко А.Н. Концепция прогноза отказов горнотранспортного оборудования на основе сетевого анализа данных // Горный информационно-аналитический бюллетень. 2024. № 9. С. 160-180.

Либерман Я.Л., Лукашук О.А., Маалаоуи Х. Алгоритмизация работы роторного карьерного экскаватора, оснащенного системой программного управления // Горное оборудование и электромеханика. 2025. № 6. С. 42-50.

Манжилевская С.Е. Контроль производительности труда на строительной площадке с помощью алгоритмов машинного обучения // Вестник МГСУ. 2026. Т. 21. № 5. С. 821-832.

Певзнер Л.Д., Киселев Н.А. Система автоматического управления процессом черпания шагающего экскаватора-драглайна // Горные науки и технологии. 2022. Т. 7. № 1. С. 57-65.

Прокопьев А.П. Теоретические основы построения интеллектуальных систем управления уплотнением асфальтобетонных смесей // Современные наукоемкие технологии. 2022. № 10. С. 48-58.

Салихов Р.Ф., Кузнецова В.Н., Кузнецов И.С. Исследование интенсивности эксплуатации одноковшовых гидравлических экскаваторов // Вестник СибАДИ. 2025. Т. 22. № 3. С. 386-395.

Сергеев К.А., Мироненко О.И., Козлов М.В., Мироненко Н.О. Методика прогнозирования ресурса узлов и деталей железнодорожного подвижного состава при помощи машинного обучения // Транспортное машиностроение. 2023. № 11. С. 42-49.

Сухарев Р.Ю., Сёмкин Д.С., Игнатов С.Д. Система автономного управления дорожно-строительной машиной // Научно-технический вестник Брянского государственного университета. 2024. Т. 10. № 1. С. 55-64.

Тиратурян А.Н. Моделирование управляющих воздействий на эксплуатационной стадии жизненного цикла автомобильных дорог // Вестник МГСУ. 2024. Т. 19. № 1. С. 115-127.

Хуснутдинов А.О., Хабаров В.И., Карманов В.С. Глубокое обучение для анализа многомерных временных рядов: систематизация типов данных, задач, архитектур и подходов // Системы анализа и обработки данных. 2025. № 3(99). С. 113-136.

Шишкин Е.А., Смоляков А.А. Исследование спектра ускорения вибрационного вальца в процессе уплотнения грунта // Вестник СибАДИ. 2025. Т. 22. № 2. С. 182-192.

Выпуск

Раздел

ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Метрики

33 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Машиночитаемые метаданные

Похожие статьи

<< < 2 3 4 5 6 7 8 9 10 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.