Действительный ресурс двигателей тракторов тягового класса 1,4 в Томской области значительно ниже гарантийного и имеет большой разброс. Статистический анализ показал, что математическое ожидание наработки до первого капитального ремонта не превышает 7000 моточасов, среднеквадратичное отклонение – 1707 моточасов, коэффициент вариации – 0,24. Ресурс новых двигателей до первого капитального ремонта различается более чем в 2,8 раза. При прогнозировании причин выхода из строя двигателей по количественному показателю наработки в моточасах целесообразно использовать искусственные нейронные сети. Цель исследований – на основании данных долговечности двигателей тракторов тягового класса 1,4 в условиях рядовой эксплуатации обучить нейронную сеть, предсказывающую причину выхода из строя двигателя при известной наработке. Авторами предложена система интеллектуального анализа отказов двигателей на основе нейронной сети. Программный код написан на языке Python. В основе нейросети использовали модули PyTorch. Модуль Matplotlib применялся для создания графической части, NumPy – для работы с матрицами. Модуль sklearn использовался для нормализации входных данных. Искусственная нейронная сеть состоит из полносвязной сети, которая включает в себя один входной нейрон, скрытый слой из 10 нейронов и выходной слой из 4 нейронов. Модель обучалась на данных 25 двигателей типа 4Ч(Н) 11/12,5 производства Минского моторного завода и позволяет по входному параметру «Наработка в моточасах» выдавать вероятностное распределение по 4 целевым категориям неисправностей: кривошипно-шатунный механизм, система смазки, система питания, система охлаждения. Точность прогноза причины отказа двигателя 4Ч 11,0/12,5 в условиях рядовой эксплуатации в зависимости от его наработки составила 60%. В дальнейшем планируется дообучить искусственную нейронную сеть с использованием новых данных с приемлемой точностью прогноза 80%./The actual service life of tractor engines of traction class 1.4 in the Tomsk region falls significantly short of the warranty period and exhibits high dispersion. Statistical analysis reveals that the mean operating time until the first overhaul does not exceed 7,000 engine hours, with a standard deviation of 1,707 hours and a coefficient of variation of 0.24. The service life of new engines until the first overhaul varies by more than a factor of 2.8. To address the challenge of predicting failure modes based on cumulative operating time, this study employs artificial neural networks (ANNs). The research objective was to train an ANN to identify the most likely cause of engine failures using durability data collected under routine operating conditions of traction class 1.4 tractor engines. The authors developed an intelligent failure diagnostics system using Python and the PyTorch framework. The Matplotlib module was used for visualization, NumPy for matrix operations, and sklearn for input data normalization. The ANN uses a fully connected (dense) architecture consisting of an input layer (one neuron), a hidden layer (10 neurons), and an output layer (four neurons). The model was trained on a dataset from 25 Minsk Motor Plant engines (type 4Ch(N) 11/12.5). Based on the “operating time” input parameter, the model generates a probability distribution across four failure categories: the crank mechanism, the lubrication system, the fuel system, and the cooling system. Initial testing yielded a prediction accuracy of 60%. Future research will focus on fine-tuning the artificial neural network by expanding the training dataset to achieve a target accuracy of 80%.

• ТЕХНИКА И ТЕХНОЛОГИИ АПК
• Количественная оценка поражения сахарной свеклы церкоспорозом на основе мультиспектральной съемки с БПЛА и сегментации методом U-Net
• С.Г. Мударисов1*, И.Р. Мифтахов2, И.М. Фархутдинов3
• Искусственный интеллект в управлении животноводческой фермой
• А.С. Дорохов1, В.В. Кирсанов2*, Р.А. Баишева3, С.В. Кирсанов4
• Интеллектуализация технологических систем агропромышленного комплекса: Индустрия 4.0
• И.В. Петухов1*, Л.А. Стешина2, И.С. Стешин3
• Использование нейронных сетей в технической эксплуатации самоходных машин
• Т.Е. Алушкин1*, М.Ю. Мещеряков2, А.В. Старцев3
• Анализ размерных характеристик семян кукурузы и подсолнечника
• А.Ю. Несмиян1*, А.Г. Арженовский2, В.И. Хижняк3, К.П. Дубина4
• К определению угла заточки лезвий ножей измельчителей кормов, работающих в условиях абразивного изнашивания
• Н.П. Аюгин1*, С.А. Яковлев2, А.С. Кузин3, И.А. Калашников4
• Методические особенности оценки профессиональных рисков трактористов-машинистов
• Ю.А. Широков1*, Р.Н. Егоров2, Н.А. Мочунова3, Г.Е. Митягин4
• ТЕХНИЧЕСКИЙ СЕРВИС В АПК
• Оценка точности и достоверности результатов приемо-сдаточных испытаний двигателей ЗМЗ
• О.А. Леонов1, Н.Ж. Шкаруба2*, Ю.Г. Вергазова3, Д.О. Леонов4
• Обоснование целесообразности замены аналоговых средств измерений цифровыми на ремонтных предприятиях
• П.В Голиницкий1*, У.Ю. Антонова2, Д.А. Пупкова3
• ЭЛЕКТРИФИКАЦИЯ И АВТОМАТИЗАЦИЯ СЕЛЬСКОГО ХОЗЯЙСТВА
• Идентификация сортов семян сои спектральным люминесцентным методом
• М.В. Беляков
• Применение на птицефабрике биоэнергетической установки в качестве нетрадиционного источника энергии
• В.Т. Водянников
• Актуальные направления применения искусственного интеллекта в сельских электрических сетях
• А.К. Букреева1*, А.В. Виноградова2, А.В. Букреев3, А.В. Виноградов4
• ТЕОРИЯ И МЕТОДИКА ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ
• Персонализированные стратегии развития личностно-профессиональной зрелости будущих специалистов агропромышленного комплекса
• Н.Б. Авалуева1*, Д.И. Михайлова2
• FARM MACHINERY AND TECHNOLOGIES
• Quantitative assessment of sugar beet Cercospora infection based on UAV multispectral imaging and U-Net segmentation
• S.G. Mudarisov1*, I.R. Miftakhov2, I.M. Farkhutdinov3
• Use of artificial intelligence for managing a livestock farm
• A.S. Dorokhov1, V.V. Kirsanov2*, R.A. Baisheva3, S.V. Kirsanov4
• Intellectualization of technological systems in agriculture: Industry 4.0
• I.V. Petukhov1*, L.A. Steshina2, I.S. Steshin3
• Use of neural networks in the technical operation of self-propelled machinery
• T.Е. Alushkin1*, M.Y. Meshcheryakov2, A.V. Startsev3
• Analysis of dimensional characteristics of maize and sunflower seeds
• A.Yu. Nesmiyan1*, A.G. Arzhenovskiy2, V.I. Khizhnyak3, K.P. Dubina4
• On determining the sharpening angle of knife blades used in feed grinders operating under conditions of abrasive wear
• N.P. Ayugin1*, S.A. Yakovlev2, A.S. Kuzin3, I.A. Kalashnikov4
• Methodological features of professional risk assessment of tractor drivers
• Yu.A. Shirokov1*, R.N. Egorov2, N.A. Mochunova3, G.E. Mityagin4
• TECHNICAL SERVICE IN AGRICULTURE
• Evaluation of the accuracy and reliability of the acceptance test results for ZMZ engines
• O.A. Leonov1, N.Zh. Shkaruba2*, Yu.G. Vergazova3, D.O. Leonov4
• Justification for the feasibility of replacing analog measuring instruments with digital ones at repair enterprises
• P.V. Golinitskiy1*, U.Yu. Antonova2, D.A. Pupkova3
• POWER SUPPLY AND AUTOMATION OF AGRICULTURAL PRODUCTION
• Identification of soybean seed varieties by spectral luminescence method
• M.V. Belyakov
• Application of a bioenergy plant as an alternative energy source at a poultry farm
• V.T. Vodyannikov
• Current applications of artificial intelligence in rural power grids
• A.K. Bukreeva1*, A.V. Vinogradova2, A.V. Bukreev3, A.V. Vinogradov4
• THEORY AND METHODOLOGY OF PROFESSIONAL EDUCATION
• Personalized strategies for developing personal and professional maturity of future specialists in the agro-industrial sector
• N.B. Avalueva1*, D.I. Mikhailova2