DOI: https://doi.org/10.32515/2664-262X.2025.12(43).1.253-264

Цифровий двійник кіберфізичної системи миття сільськогосподарської техніки

О. І. Фількін, А. М. Тригуба

Про авторів

Фількін Орест Ігорович , здобувач вищої освіти на третьому (освітньо-науковому) рівні за спеціальністю «Галузеве машинобудування», Національний природничий університет України, м. Львів, Україна, ORCID: https://orcid.org/0009-0008-3994-9623, e-mail: filkin.orest@gmail.com

Тригуба Анатолій Миколайович , професор, доктор технічних наук, завідувач кафедри інформаційних технологій, Національний природничий університет України, м. Львів, Україна, ORCID: https://orcid.org/0000-0001-8014-5661, e-mail: trianamik@gmail.com

Анотація

Метою статті є розроблення функціональної архітектури цифрового двійника як складової кіберфізичної системи миття сільськогосподарської техніки з урахуванням реального стану об’єкта очищення. Основну увагу приділено забезпеченню адаптивного керування процесом миття на основі актуальних сенсорних даних і прогнозуванню параметрів очищення для підвищення енергоефективності, економії ресурсів і зменшення навантаження на операторів. У межах дослідження побудовано функціональну схему взаємодії основних рівнів системи – фізичного, сенсорного, керування (PLC), диспетчерського (SCADA) та рівня цифрового двійника. Запропонована математична модель базується на оцінці ступеня забруднення поверхонь, розмірів техніки, температури й тиску в системі. На основі цих параметрів формується вектор ознак, що надходить у прогнозну модель, яка забезпечує визначення тривалості очищення й формування керуючих впливів на виконавчі механізми. У комп’ютерній реалізації модель формалізується у вигляді програмного модуля з трьома основними підсистемами – модуль обробки вхідних даних, модуль чисельного інтегрування рівнянь і модуль адаптивної логіки. Для вибору оптимального часу завершення циклу миття сільськогосподарської техніки запропоновано використовувати нейромережевий модуль, який забезпечує прогнозування тривалості миття, завдяки навченій моделі на історичних даних. Результати дослідження підтверджують доцільність використання цифрового двійника в складі кіберфізичної системи для миття сільськогосподарської техніки. Застосування прогнозної моделі дозволяє адаптувати процес миття до реальних умов, зменшуючи витрати води, електроенергії та миючих засобів. Представлений підхід сприятиме переходу від традиційних технологій до інтелектуалізованих рішень, інтегрованих у цифрову виробничу інфраструктуру. Це сприяє впровадженню принципів Індустрії 4.0 у вітчизняне машинобудування.

Ключові слова

цифровий двійник, кіберфізична система, технологія, машинобудування, мийка техніки, SCADA, прогнозування, математичне моделювання, інтелектуальне управління, штучна нейронна мережа

Повний текст:

PDF

Посилання

1. Coulibaly, A., Toure, S., & Müller, T. (2022). Improving cleaning processes in agricultural machinery through optimized water jet parameters. Journal of Agricultural Engineering Research, 95(3), 255–264. https://doi.org/10.1016/j.jaer.2022.05.004

2. Zhang, Y., & Wang, J. (2018). Energy-efficient cleaning strategies for off-road agricultural vehicles. Biosystems Engineering, 174, 30–42. https://doi.org/10.1016/j.biosystemseng.2018.07.002

3. Sahu, J., & Singh, R. (2023). Integration of smart sensors for automated washing of agricultural equipment under variable field conditions. Smart Agricultural Technology, 6, 100202. https://doi.org/10.1016/j.atech.2023.100202

4. Zude, M., Herold, B., & Truppel, I. (2019). Smart cleaning of agricultural equipment: Adaptive control strategies based on sensor feedback. Computers and Electronics in Agriculture, 163, 104851. https://doi.org/10.1016/j.compag.2019.104851

5. Müller, J., & Reiter, M. (2021). Limitations of rule-based cleaning automation in agricultural vehicle maintenance. Precision Agriculture, 22(3), 456–470. https://doi.org/10.1007/s11119-020-09755-4

6. Tao, F., Qi, Q., Liu, A., & Kusiak, A. (2018). Data-driven smart manufacturing. Journal of Manufacturing Systems, 48, 157–169. https://doi.org/10.1016/j.jmsy.2018.01.006

7. Lu, Y., Morris, K. C., & Frechette, S. (2016). Current standards landscape for smart manufacturing systems. National Institute of Standards and Technology. nvlpubs.nist.gov/nistpubs/ir/2016/nist.ir.8107.pdf (Accessed: 15.09.2025).

8. Grieves, M., & Vickers, J. (2017). Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. In F. J. Kahlen, S. Flumerfelt, & A. Alves (Eds.), Transdisciplinary perspectives on complex systems. Cham: Springer. https://doi.org/10.1007/978-3-319-38756-7_4

9. Lee, J., Bagheri, B., & Kao, H. A. (2015). A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23. https://doi.org/10.1016/j.mfglet.2014.12.001

10. Tao, F., Zhang, H., Liu, A., & Nee, A. Y. C. (2019). Digital twin in industry: State-of-the-art. IEEE Transactions on Industrial Informatics, 15(4), 2405–2415. https://doi.org/10.1109/TII.2018.2873186

11. Boschert, S., & Rosen, R. (2016). Digital twin – The simulation aspect. In P. Hehenberger & D. Bradley (Eds.), Mechatronic futures. Cham: Springer. https://doi.org/10.1007/978-3-319-32156-1_5

12. Verboven, P., Defraeye, T., Datta, A., & Nicolai, B. (2020). Digital twins of food process operations: The next step for food process models? Current Opinion in Food Science, 35, 1–8. https://doi.org/10.1016/j.cofs.2020.03.002

13. Kibulungu, J. W., & Laseinde, O. T. (2023). Automatic control system based on Industry 4.0, PLC, and SCADA. In Intelligent sustainable systems (pp. 183–197). Singapore: Springer. https://doi.org/10.1007/978-981-19-7660-5_16

14. Vyshnevskyi, V. P., Viietska, O. V., Harkushenko, O. M., Kniaziev, S. I., Liakh, O. V., Chekina, V. D., & Cherevatskyi, D. Yu. (2018). Smart-promyslovistʹ v epokhu tsyfrovoi ekonomiky: perspektyvy, napriamy i mekhanizmy rozvytku [Smart industry in the era of digital economy: Prospects, directions and mechanisms of development]. Kyiv: NAS of Ukraine, Institute of Industrial Economics. [in Ukrainian].

15. Holovatyi, A. O., Chumak, V. M., Manko, Ye. V., Aulin, V. V., & Kulova, D. O. (2025). Vdoskonalennia matematychnoho modeliuvannia mashynobudivnykh tekhnolohii dlia smart-pidpryiemstv v systemi mashynnoho zoru [Improvement of mathematical modeling of mechanical engineering technologies for smart enterprises in the machine vision system]. Tsentralnoukrainskyi naukovyi visnyk. Tekhnichni nauky, 11(42), Part II, 143–159. https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159 [in Ukrainian].

16. Tryhuba, A., Padyuka, R., Tymochko, V., & Lub, P. (2022). Mathematical model for forecasting product losses in crop production projects. CEUR Workshop Proceedings, 3109, 25–31. https://ceur-ws.org/Vol- 3109/paper4.pdf (Accessed: 15.09.2025).

17. Aulin, V. V., Hryn’kiv, A. V., Holovatyi, A. O., Lysenko, S. V., Holub, D. V., Kuzyk, O. V., & Tykhyi, A. A. (2020). Metodolohichni osnovy proektuvannia ta funktsionuvannia intelektualnykh transportnykh i vyrobnychykh system [Methodological foundations of design and functioning of intelligent transport and production systems]. Kropyvnytskyi: Publisher Lysenko V. F. [in Ukrainian].

18. Tryhuba, I., Tryhuba, A., Hutsol, T., Cieszewska, A., Andrushkiv, O., & Glowacki, S., et al. (2024). Prediction of biogas production volumes from household organic waste based on machine learning. Energies, 17(7), 1786. https://doi.org/10.3390/en17071786

19. Lub, P., Tryhuba, A., Padyuka, R., Berezovetsky, S., & Chubyk, R. (2023). Simulation modeling usage in the information system for the technological systems project management. CEUR Workshop Proceedings, 3453, 139–148. https://ceur-ws.org/Vol-3453/paper13.pdf (Accessed: 15.09.2025).

20. Tryhuba, A., Tryhuba, I., Malanchuk, O., & Marmulyak, A. (2024). A deep neural network model for predicting the competitive score of social projects for community development. CEUR Workshop Proceedings, 3711, 55–74. https://ceur-ws.org/Vol-3711/paper5.pdf (Accessed: 15.09.2025).

Пристатейна бібліографія ГОСТ

1. Coulibaly A., Toure S., Müller T. Improving cleaning processes in agricultural machinery through optimized water jet parameters. Journal of Agricultural Engineering Research. 2022. № 95(3). С. 255–264. DOI: https://doi.org/10.1016/j.jaer.2022.05.004.

2. Zhang Y., Wang J. Energy-efficient cleaning strategies for off-road agricultural vehicles. Biosystems Engineering. 2018. № 174. С. 30–42. DOI: https://doi.org/10.1016/j.biosystemseng.2018.07.002.

3. Sahu J., Singh R. Integration of smart sensors for automated washing of agricultural equipment under variable field conditions. Smart Agricultural Technology. 2023. № 6. Art. 100202. DOI: https://doi.org/10.1016/j.atech.2023.100202.

4. Zude M., Herold B., Truppel I. Smart cleaning of agricultural equipment: Adaptive control strategies based on sensor feedback. Computers and Electronics in Agriculture. 2019. № 163. Art. 104851. DOI: https://doi.org/10.1016/j.compag.2019.104851.

5. Müller J., Reiter M. Limitations of rule-based cleaning automation in agricultural vehicle maintenance. Precision Agriculture. 2021. № 22(3). С. 456–470. DOI: https://doi.org/10.1007/s11119-020-09755-4.

6. Tao F., Qi Q., Liu A., Kusiak A. Data-driven smart manufacturing. Journal of Manufacturing Systems. 2018. № 48. С. 157–169. DOI: https://doi.org/10.1016/j.jmsy.2018.01.006.

7. Lu Y., Morris K. C., Frechette S. Current standards landscape for smart manufacturing systems. National Institute of Standards and Technology. 2016. URL: https://nvlpubs.nist.gov/nistpubs/ir/2016/nist.ir.8107.pdf (дата звернення: 15.09.2025).

8. Grieves M., Vickers J. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems. In: Kahlen F. J., Flumerfelt S., Alves A. (eds). Transdisciplinary Perspectives on Complex Systems. Cham : Springer, 2017. DOI: https://doi.org/10.1007/978-3-319-38756-7_4.

9. Lee J., Bagheri B., Kao H. A. A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters. 2015. № 3. С. 18–23. DOI: https://doi.org/10.1016/j.mfglet.2014.12.001.

10. Tao F., Zhang H., Liu A., Nee A. Y. C. Digital twin in industry: State-of-the-art. IEEE Transactions on Industrial Informatics. 2019. № 15(4). С. 2405–2415. DOI: https://doi.org/10.1109/TII.2018.2873186.

11. Boschert S., Rosen R. Digital Twin – The Simulation Aspect. In: Hehenberger P., Bradley D. (eds). Mechatronic Futures. Cham : Springer, 2016. DOI: https://doi.org/10.1007/978-3-319-32156-1_5.

12. Verboven P., Defraeye T., Datta A., Nicolai B. Digital twins of food process operations: The next step for food process models? Current Opinion in Food Science. 2020. № 35. С. 1–8. DOI: https://doi.org/10.1016/j.cofs.2020.03.002.

13. Kibulungu J. W., Laseinde O. T. Automatic control system based on Industry 4.0, PLC, and SCADA. In: Intelligent Sustainable Systems. Singapore : Springer, 2023. С. 183–197. DOI: 10.1007/978-981-19-7660-5_16.

14. Вишневський В. П., Вієцька О. В., Гаркушенко О. М., Князєв С. І., Лях О. В., Чекіна В. Д., Череватський Д. Ю. Смарт-промисловість в епоху цифрової економіки: перспективи, напрями і механізми розвитку : монографія. Київ : НАН України, Ін-т економіки промисловості, 2018. 192 с.

15. Головатий А. О., Чумак В. М., Манько Є. В., Аулін В. В., Кульова Д. О. Вдосконалення математичного моделювання машинобудівних технологій для смарт-підприємств в системі машинного зору. Центральноукраїнський науковий вісник. Технічні науки. 2025. Вип. 11(42), ч. ІІ. С. 143–159. DOI: https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159.

16. Tryhuba A., Padyuka R., Tymochko V., Lub P. Mathematical model for forecasting product losses in crop production projects. CEUR Workshop Proceedings. 2022. Vol. 3109. P. 25–31. URL: https://ceur- ws.org/Vol-3109/paper4.pdf (дата звернення: 15.09.2025).

17. Аулін В. В., Гриньків А. В., Головатий А. О., Лисенко С. В., Голуб Д. В., Кузик О. В., Тихий А. А. Методологічні основи проектування та функціонування інтелектуальних транспортних і виробничих систем : монографія. Кропивницький : Видавець Лисенко В. Ф., 2020. 428 с.

8. Tryhuba I., Tryhuba A., Hutsol T., Cieszewska A., Andrushkiv O., Glowacki S. та ін. Prediction of biogas production volumes from household organic waste based on machine learning. Energies. 2024. № 17(7). С. 1786. DOI: https://doi.org/10.3390/en17071786.

19. Lub P., Tryhuba A., Padyuka R., Berezovetsky S., Chubyk R. Simulation modeling usage in the information system for the technological systems project management. CEUR Workshop Proceedings. 2023. Vol. 3453. P. 139–148. URL: ceur-ws.org/Vol-3453/paper13.pdf (дата звернення: 15.09.2025).

20. Tryhuba A., Tryhuba I., Malanchuk O., Marmulyak A. A deep neural network model for predicting the competitive score of social projects for community development. CEUR Workshop Proceedings. 2024. Vol. 3711. P. 55–74. URL: https://ceur-ws.org/Vol-3711/paper5.pdf (дата звернення: 15.09.2025).


Copyright (c) 2025 О. І. Фількін, А. М. Тригуба