<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="https://iereview.ru/lib/pkp/xml/oai2.xsl" ?>
<OAI-PMH xmlns="http://www.openarchives.org/OAI/2.0/"
	xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
	xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/
		http://www.openarchives.org/OAI/2.0/OAI-PMH.xsd">
	<responseDate>2026-08-23T22:50:05Z</responseDate>
	<request identifier="oai:ojs2.iereview.ru:article/352" metadataPrefix="jats" verb="GetRecord">https://iereview.ru/index.php/IE/oai</request>
	<GetRecord>
		<record>
			<header>
				<identifier>oai:ojs2.iereview.ru:article/352</identifier>
				<datestamp>2026-08-11T17:16:38Z</datestamp>
				<setSpec>IE:ARI</setSpec>
			</header>
			<metadata>
<article xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="" dtd-version="1.4" xsi:noNamespaceSchemaLocation="https://jats.nlm.nih.gov/archiving/1.4/xsd/JATS-archivearticle1.xsd" xml:lang="ru">
			<front>
			<journal-meta>
				<journal-id journal-id-type="publisher">IE</journal-id><journal-id journal-id-type="ojs">IE</journal-id>
				<journal-title-group>
			<journal-title xml:lang="ru">СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ</journal-title><trans-title-group xml:lang="en"><trans-title>STROITEL'NYE I DOROZHNYE MASHINY</trans-title></trans-title-group>
</journal-title-group>			<issn pub-type="ppub">0039-2391</issn>			<publisher><publisher-name>ИП Подколзин М.М.</publisher-name></publisher>
			<self-uri xlink:href="https://iereview.ru/index.php/IE"/>
		</journal-meta>
		<article-meta>
			<article-id pub-id-type="publisher-id">352</article-id>
			<article-id pub-id-type="other" specific-use="edn">VKEUXD</article-id>
			<article-id pub-id-type="doi">10.25726/f2988-2294-5061-m</article-id>
			<article-categories><subj-group subj-group-type="heading" xml:lang="en"><subject>APPLIED RESEARCH</subject></subj-group><subj-group subj-group-type="heading" xml:lang="ru"><subject>ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ</subject></subj-group></article-categories>
			<title-group><article-title xml:lang="ru">Автоматизация управления рабочими процессами строительных и дорожных машин на основе интеллектуальных алгоритмов обработки данных</article-title><trans-title-group xml:lang="en"><trans-title>Automation of workflow control of construction and road machines based on intelligent data processing algorithms</trans-title></trans-title-group></title-group>
			<contrib-group content-type="author">
				<contrib contrib-type="author">
					<name-alternatives>
						<name name-style="western" specific-use="primary" xml:lang="ru">
							<surname>Ремезов</surname>
							<given-names>Вадим Дмитриевич</given-names>
						</name>
						<name name-style="western" xml:lang="en">
							<surname>Remezov</surname>
							<given-names>Vadim D.</given-names>
						</name>
					</name-alternatives>
					<xref ref-type="aff" rid="aff-1"/>
					<email>remezov.v@gubkin.ru</email>
				</contrib>
			</contrib-group>
			<aff-alternatives id="aff-1">
				<aff xml:lang="ru"><institution content-type="orgname">Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина, 119991, Россия, г. Москва, Ленинский проспект, д. 65, корп. 1</institution></aff>
				<aff xml:lang="en"><institution content-type="orgname">Gubkin Russian State University of Oil and Gas (National Research University), 65 Leninsky Prospekt, bldg. 1, Moscow, 119991, Russia</institution></aff>
			</aff-alternatives>
			<pub-date date-type="collection"><year>2026</year></pub-date><pub-date date-type="pub" publication-format="epub">
				<day>30</day>
				<month>07</month>
				<year>2026</year>
			</pub-date>
			<volume seq="27">70</volume>
			<issue>7</issue>
				<issue-id>29</issue-id><issue-title xml:lang="ru">Строительные и дорожные машины</issue-title><issue-title xml:lang="en">Stroitel'nye i dorozhnye mashiny</issue-title><fpage>326</fpage>
				<lpage>336</lpage>
			<history>
				<date date-type="received" iso-8601-date="2026-05-02">
					<day>02</day>
					<month>05</month>
					<year>2026</year>
				</date>
			</history>
			<permissions>
				<copyright-statement xml:lang="ru">© 2026 СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. Все права защищены.</copyright-statement>
				<copyright-statement xml:lang="en">© 2026 STROITEL'NYE I DOROZHNYE MASHINY. All rights reserved.</copyright-statement>
				<copyright-year>2026</copyright-year>
				<copyright-holder xml:lang="ru">СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ</copyright-holder>
				<copyright-holder xml:lang="en">STROITEL'NYE I DOROZHNYE MASHINY</copyright-holder>
				<license license-type="open-access" specific-use="metadata" xlink:href="https://creativecommons.org/publicdomain/zero/1.0/" xml:lang="ru">
					<license-p>Метаданные настоящей записи распространяются на условиях Creative Commons CC0 1.0 (передача в общественное достояние).</license-p>
				</license>
				<license license-type="open-access" specific-use="metadata" xlink:href="https://creativecommons.org/publicdomain/zero/1.0/" xml:lang="en">
					<license-p>The metadata of this record are distributed under the Creative Commons CC0 1.0 Universal Public Domain Dedication.</license-p>
				</license>
			</permissions>
			
			<self-uri xlink:href="https://iereview.ru/index.php/IE/article/view/352"/>
			
			
			
			<abstract xml:lang="ru"><p>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.</p></abstract><trans-abstract xml:lang="en"><p>Onboard measuring systems of construction and road machines generate about 0.35 GB of data per machine over a ten-hour shift, yet for most work processes the control decision is still made by the operator with a lag comparable to the correlation time of the external disturbance. Greater algorithmic complexity raises the computational delay and cancels the gain in prediction accuracy, and this mismatch remains unresolved. The aim of the work is to quantify the conditions under which an intelligent algorithm processing onboard data keeps a technological parameter within the regulatory tolerance. An author's computational model of the closed loop «measurement – processing – decision – actuation» was built for soil compaction by a vibratory roller, layer grading by a motor grader and excavation of a cut by a hydraulic excavator; the residual deviation was estimated through the minimum attainable variance under dead time and verified by simulation over 4 million samples. Replacing threshold logic with gradient boosting cuts the share of degree-of-compaction readings outside the 0,04 tolerance from 16,8 to 2,6%, while a recurrent network with a computational delay of 0,214 s yields 2,6%, so the accuracy gain is absorbed by the lag. The critical computational delay for the compaction loop equals 0,206 s. The limit of work process automation is set by the ratio of the total loop delay to the disturbance correlation time.</p></trans-abstract><kwd-group xml:lang="en"><title>Keywords</title><kwd>construction and road machines</kwd><kwd>work process automation</kwd><kwd>intelligent data processing algorithms</kwd><kwd>onboard telemetry</kwd><kwd>control loop delay</kwd><kwd>intelligent compaction</kwd><kwd>degree of compaction</kwd><kwd>author's computational model</kwd></kwd-group><kwd-group xml:lang="ru"><title>Ключевые слова</title><kwd>строительные и дорожные машины</kwd><kwd>автоматизация рабочего процесса</kwd><kwd>интеллектуальные алгоритмы обработки данных</kwd><kwd>бортовая телеметрия</kwd><kwd>запаздывание контура управления</kwd><kwd>интеллектуальное уплотнение</kwd><kwd>коэффициент уплотнения</kwd><kwd>авторская расчётная модель</kwd></kwd-group><funding-group>
				<funding-statement xml:lang="ru">Исследование выполнено без внешнего финансирования.</funding-statement>
				<funding-statement xml:lang="en">The study was conducted without external funding.</funding-statement>
			</funding-group>
			<counts><page-count count="11"/></counts>
			<custom-meta-group>
				<custom-meta>
					<meta-name>metadata-license</meta-name>
					<meta-value><ext-link ext-link-type="uri" xlink:href="https://creativecommons.org/publicdomain/zero/1.0/">CC0 1.0</ext-link></meta-value>
				</custom-meta>
			<custom-meta><meta-name>issue-cover</meta-name><meta-value><inline-graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="https://iereview.ru/public/journals/1/cover_issue_29_ru_RU.png"/></meta-value></custom-meta></custom-meta-group>
		</article-meta>
	</front>
	<back>
		<ref-list xml:lang="ru">
			<title>Список литературы</title>
			<ref id="R1"><mixed-citation>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.</mixed-citation></ref>
			<ref id="R2"><mixed-citation>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.</mixed-citation></ref>
			<ref id="R3"><mixed-citation>Великанов В.С. Прогнозирование нагруженности рабочего оборудования карьерного экскаватора по нечетко-логистической модели // Записки Горного института. 2020. Т. 241. С. 29-36.</mixed-citation></ref>
			<ref id="R4"><mixed-citation>Жилинский Н.А., Дорогова И.Е. Позиционирование подвижных элементов строительной техники посредством компьютерного зрения // Вестник СГУГиТ. 2026. Т. 31. № 2. С. 14-21.</mixed-citation></ref>
			<ref id="R5"><mixed-citation>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.</mixed-citation></ref>
			<ref id="R6"><mixed-citation>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.</mixed-citation></ref>
			<ref id="R7"><mixed-citation>Манжилевская С.Е. Контроль производительности труда на строительной площадке с помощью алгоритмов машинного обучения // Вестник МГСУ. 2026. Т. 21. № 5. С. 821-832.</mixed-citation></ref>
			<ref id="R8"><mixed-citation>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.</mixed-citation></ref>
			<ref id="R9"><mixed-citation>Прокопьев А.П. Теоретические основы построения интеллектуальных систем управления уплотнением асфальтобетонных смесей // Современные наукоемкие технологии. 2022. № 10. С. 48-58.</mixed-citation></ref>
			<ref id="R10"><mixed-citation>Салихов Р.Ф., Кузнецова В.Н., Кузнецов И.С. Исследование интенсивности эксплуатации одноковшовых гидравлических экскаваторов // Вестник СибАДИ. 2025. Т. 22. № 3. С. 386-395.</mixed-citation></ref>
			<ref id="R11"><mixed-citation>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.</mixed-citation></ref>
			<ref id="R12"><mixed-citation>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.</mixed-citation></ref>
			<ref id="R13"><mixed-citation>Тиратурян А.Н. Моделирование управляющих воздействий на эксплуатационной стадии жизненного цикла автомобильных дорог // Вестник МГСУ. 2024. Т. 19. № 1. С. 115-127.</mixed-citation></ref>
			<ref id="R14"><mixed-citation>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.</mixed-citation></ref>
			<ref id="R15"><mixed-citation>Шишкин Е.А., Смоляков А.А. Исследование спектра ускорения вибрационного вальца в процессе уплотнения грунта // Вестник СибАДИ. 2025. Т. 22. № 2. С. 182-192.</mixed-citation></ref>
		</ref-list>
		<ref-list xml:lang="en">
			<title>References</title>
			<ref id="RE1"><mixed-citation>Anisimov A.A., Sorokovnin M.E., Tararykin S.V. Neural network identification and tuning of mechatronic systems with state controllers. Mechanics, Automation, Management. 2025, vol. 26, no. 2, pp. 65-76.</mixed-citation></ref>
			<ref id="RE2"><mixed-citation>Bobrova T.V., Utkin V.A. Setting up process charts parameters to real road construction conditions with the use of information modeling tools. Russian Automobile and Highway Industry Journal. 2025, vol. 22, no. 5, pp. 832-843.</mixed-citation></ref>
			<ref id="RE3"><mixed-citation>Velikanov V.S. Mining excavator working equipment load forecasting according to a fuzzy-logistic model. Journal of Mining Institute. 2020, vol. 241, pp. 29-36.</mixed-citation></ref>
			<ref id="RE4"><mixed-citation>Zhilinskiy N.A., Dorogova I.E. Positioning of moving elements of construction machinery by means of computer vision. Siberian State University of Geosystems and Technologies Bulletin. 2026, vol. 31, no. 2, pp. 14-21.</mixed-citation></ref>
			<ref id="RE5"><mixed-citation>Zyryanov I.V., Nepomnyashchikh K.A., Trufanov A.I., Khramovskikh V.A., Shevchenko A.N. Concept of mining haulage equipment failure prediction based on network analysis. Mining Informational and Analytical Bulletin. 2024, no. 9, pp. 160-180.</mixed-citation></ref>
			<ref id="RE6"><mixed-citation>Liberman Ya.L., Lukashuk O.A., Maalaoui H. Algorithmization of operation of a rotary quarry excavator equipped with a software control system. Mining Equipment and Electromechanics. 2025, no. 6, pp. 42-50.</mixed-citation></ref>
			<ref id="RE7"><mixed-citation>Manzhilevskaya S.E. Monitoring labour productivity on a construction site using machine learning algorithms. Moscow State University of Civil Engineering Bulletin. 2026, vol. 21, no. 5, pp. 821-832.</mixed-citation></ref>
			<ref id="RE8"><mixed-citation>Pevzner L.D., Kiselev N.A. Automatic control system for walking dragline excavator digging. Mining Science and Technology (Russia). 2022, vol. 7, no. 1, pp. 57-65.</mixed-citation></ref>
			<ref id="RE9"><mixed-citation>Prokopev A.P. Theoretical foundations of building intelligent control systems for compaction of asphalt mixtures. Modern High Technologies. 2022, no. 10, pp. 48-58.</mixed-citation></ref>
			<ref id="RE10"><mixed-citation>Salikhov R.F., Kuznetsova V.N., Kuznetsov I.S. Research into operation efficiency of single-bucket hydraulic excavators. Russian Automobile and Highway Industry Journal. 2025, vol. 22, no. 3, pp. 386-395.</mixed-citation></ref>
			<ref id="RE11"><mixed-citation>Sergeev K.A., Mironenko O.I., Kozlov M.V., Mironenko N.O. Method of forecasting the resource of railway rolling stock components and parts using machine learning. Transport Engineering. 2023, no. 11, pp. 42-49.</mixed-citation></ref>
			<ref id="RE12"><mixed-citation>Sukharev R.Yu., Semkin D.S., Ignatov S.D. Autonomous control system of a road construction machine. Bryansk State University Scientific and Technical Bulletin. 2024, vol. 10, no. 1, pp. 55-64.</mixed-citation></ref>
			<ref id="RE13"><mixed-citation>Tiraturyan A.N. Modelling of control actions at the operational stage of the life cycle of highways. Moscow State University of Civil Engineering Bulletin. 2024, vol. 19, no. 1, pp. 115-127.</mixed-citation></ref>
			<ref id="RE14"><mixed-citation>Khusnutdinov A.O., Khabarov V.I., Karmanov V.S. Deep learning for multivariate time series analysis: systematization of data types, tasks, architectures and approaches. Analysis and Data Processing Systems. 2025, no. 3 (99), pp. 113-136.</mixed-citation></ref>
			<ref id="RE15"><mixed-citation>Shishkin E.A., Smolyakov A.A. Investigation of the acceleration spectrum of a vibratory roller in the process of soil compaction. The Russian Automobile and Highway Industry Journal. 2025, vol. 22, no. 2, pp. 182-192.</mixed-citation></ref>
		</ref-list>
	</back>
</article>			</metadata>
		</record>
	</GetRecord>
</OAI-PMH>
