ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Разработка цифровой системы автоматического контроля производительности и энергоэффективности дорожно-строительной техники

Авторы

  • Ульяна Эдуардовна Пыжикова Российский государственный университет нефти и газа им. И.М. Губкина, 119991, Москва, Ленинский проспект, д. 65, корп. 1

Как цитировать

ГОСТ Пыжикова У. Э. Разработка цифровой системы автоматического контроля производительности и энергоэффективности дорожно-строительной техники // СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. 2026. Т. 70. № 8. С. 392-406. DOI: 10.25726/e3292-9452-7526-q
APA Пыжикова, У. Э. (2026). Разработка цифровой системы автоматического контроля производительности и энергоэффективности дорожно-строительной техники. СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ, 70(8), 392-406. https://doi.org/10.25726/e3292-9452-7526-q

Аннотация

Контроль эксплуатационных показателей дорожно-строительных машин в отечественной практике опирается на часовые нормы расхода топлива, установленные для укрупнённых групп машин с постоянными коэффициентами использования двигателя по времени и по мощности. Конструкция сложилась до появления бортовых сетей передачи данных и не различает смены, отработанные с разной структурой режимов. Серия стандартов обмена данными с рабочей площадки принята в Российской Федерации только в частях, задающих архитектуру системы и словарь данных, а часть, регламентирующая состав телематических данных, национального статуса не имеет, из-за чего выгрузка показателей с машины остаётся во власти закрытых форматов поставщиков бортового оборудования. Цель работы – построение цифровой системы автоматического контроля производительности и энергоэффективности дорожно-строительной техники, замкнутой на удельный расход топлива на единицу выработки как на измеряемую величину. Применены авторское расчётное моделирование, факторное разложение методом цепных подстановок, сценарный расчёт и сопоставление с нормативными часовыми нормами; состояние машины распознаётся по совпадению не менее двух признаков из трёх, снимаемых с бортовой сети, гидравлического контура и спутникового приёмника. Расчёт на модельном парке из пяти машин показал, что отклонение фактического часового расхода от нормативного меняется от -12,23% у автогрейдера до +18,38% у асфальтоукладчика, а по парку за сезон составляет всего -0,43%. Факторное разложение изменения удельного расхода топлива экскаватора дало вклад коэффициента полезного времени -0,03421 кг/м³ при вкладе часового расхода +0,02349 кг/м³ и вкладе технической производительности -0,00425 кг/м³. Сценарный расчёт по землеройному комплексу дал снижение удельной энергоёмкости выработки с 12,613 до 11,126 МДж/м³. Взаимное погашение разнонаправленных отклонений внутри парка означает, что нормативная часовая норма сохраняет пригодность для сводного планирования топливных затрат и утрачивает управляющую силу на уровне отдельной машины, а измеряемой величиной управления становится топливо на единицу продукции.

Ключевые слова

дорожно-строительные машины удельный расход топлива энергоэффективность эксплуатационная производительность телематика коэффициент полезного времени факторное разложение цифровая система контроля

Библиографические ссылки

Байрамуков С.Х., Долаева З.Н. Моделирование строительного производства с учетом ограничения ресурсов и энергосбережения // Инженерно-строительный вестник Прикаспия. 2024. № 1 (47). С. 54-58.

Вишняков Г.Ю., Ботяна Е.Ю., Розов Р.А., Пушкарев А.Е. Уточнение методики нормирования расхода топлива карьерных автосамосвалов в сложных горнотехнических условиях // Горное оборудование и электромеханика. 2022. № 4. С. 12-19.

Дрючин Д.А., Булатов С.В., Загидуллин Р.Р. Методика корректировки нормативной периодичности технического обслуживания автотранспортных средств на основе данных о фактическом расходе топлива // Интеллект. Инновации. Инвестиции. 2022. № 1. С. 93-101.

Иванов А.С., Сергеев Н.И., Лянденбурский В.В. Программное обеспечение диагностирования гидросистем транспортно-технологических машин // Мир транспорта и технологических машин. 2024. № 1-1 (84). С. 94-101.

Киевский И.Л., Жаров Я.В., Крутяков А.Ю., Шабалин М.С. Методические аспекты формирования цифрового двойника процесса строительства // Промышленное и гражданское строительство. 2023. № 11. С. 35-42.

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

Масленников В.А., Канен М.Г.Ф. Проектирование организации производства строительных работ, выполняемых комплексами машин // Вестник Поволжского государственного технологического университета. Серия: Материалы. Конструкции. Технологии. 2023. № 2 (26). С. 68-77.

Пичугов П.А., Шабиев С.Г. Применение искусственного интеллекта и машинного обучения для BIM // Известия вузов. Инвестиции. Строительство. Недвижимость. 2025. № 3. С. 586-599.

Савельев С.В., Михеев В.В., Потеряев И.К., Савельев А.С. Математические модели взаимодействия рабочего органа дорожного катка с уплотняемой грунтовой средой с точки зрения энергоэффективности // Вестник СибАДИ. 2026. № 3. С. 402-414.

Салихов Р.Ф., Пермяков В.Б. Исследование влияния динамики технических параметров на эксплуатационную производительность гидравлических одноковшовых экскаваторов // Вестник СибАДИ. 2024. № 4. С. 540-560.

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

Трояновская И.П., Гребенщикова О.А. Оптимизация технической производительности бульдозерного агрегата по тягово-скоростным параметрам // Вестник СибАДИ. 2024. № 6. С. 844-851.

Шахраманьян А.М. Управление строительными проектами на основе данных, процессного моделирования и машинного обучения // Промышленное и гражданское строительство. 2026. № 2. С. 34-38.

Lee S.S., Park S.-I., Seo J. Utilization analysis methodology for fleet telematics of heavy earthwork equipment // Automation in Construction. 2018. Т. 92. С. 59-67.

Song H., Li G., Li X., Xiong X., Qin Q., Mitrouchev P. Developing a data-driven hydraulic excavator fuel consumption prediction system based on deep learning // Advanced Engineering Informatics. 2023. Т. 57.

Выпуск

Раздел

ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Метрики

64 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Машиночитаемые метаданные

Похожие статьи

1 2 3 4 5 6 7 8 > >> 

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