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

Финансирование

Авторы не заявили о внешнем финансировании исследования.

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

273 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Похожие статьи

1 2 3 4 5 6 7 8 9 10 > >> 

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