У динамічному середовищі сучасного сільського господарства, забезпечення надійності та ефективності техніки є важливим викликом. Дана стаття пропонує інноваційну платформу для моніторингу та виявлення несправностей сільськогосподарської техніки, що використовує переваги технологій Інтернету Речей та хмарних обчислень. Інформаційна система, що розгорнута у хмарі AWS, отримує дані від транспортних засобів у реальному часі та може передбачати потенційні несправності в двигуні, трансмісії, електричних і гідравлічних системах за допомогою алгоритму машинного навчання LSTM. У статті детально описано запропонований метод віддаленого моніторингу, структура системи віддаленого моніторингу та організація передачі даних, попередньої обробки, аналізу та візуалізації. Платформа використовує мікросервісну архітектуру, що забезпечує масштабованість, високу продуктивність, безпеку та надійність. Описано алгоритми опрацювання даних у системі, представлені основні характеристики та переваги використання рішення для моніторингу. Коректність прогнозування оцінено на основі опрацювання реальних телеметричних та технічних даних, зібраних протягом 12 місяців з ферм, розташованих у Сполучених Штатах. Зібрані дані передавалися на платформу за допомогою Java- симулятора, а результати прогнозування оцінювалися за допомогою метрик середньої абсолютної відносної помилки та коефіцієнта детермінації, що підтвердило високу точність реалізованої моделі прогнозування.
- Al-Suhaibani, S. A., & Wahby, M. F. (2015). Farm tractors breakdown classification. Journal of the Saudi Society of Agricultural Sciences, 16(3), 294–298. https://doi.org/10.1016/j.jssas.2015.09.005
- Carbonell, I. M. (2016). The ethics of big data in big agriculture. Internet Policy Review, 5(1). https://doi.org/10.14763/2016.1.405
- Dankyarana U, & Umar U.A. (2020). Assessment and Prediction of Repair and Maintenance Costs of Tractors in Northern Nigeria. Jurnal Mekanikal, 43(1). Retrieved from https://jurnalmekanikal.utm.my/index.php/ jurnalmekanikal/article/view/396
- Global Network Against Food Crises (2022). Global report on food crises. Retrieved from https://docs.wfp.org/api/documents/WFP-000138913/download
- Jekayinfa, S. O., Adebiyi, K. A., Waheed, M. A., & Owolabi, O. O. (2005). Appraisal of farm tractor maintenance practices and costs in Nigeria. Journal of Quality in Maintenance Engineering, 11(2), 152–168. https://doi.org/10.1108/13552510510601357
- Li, D., Zheng, Y., & Zhao, W. (2019). Fault Analysis System for Agricultural Machinery Based on Big Data. IEEE Access, 7, 99136–99151. https://doi.org/10.1109/access.2019.2928973
- O’Grady, M. J., & O’Hare, G. M. P. (2017). Modelling the smart farm. Information Processing in Agriculture, 4(3), 179–187. https://doi.org/10.1016/j.inpa.2017.05.001
- Semernia, K. V. (2018). Modern financial and economic problems of the functioning and development of agricultural enterprises. In Current problems of socio-economic systems in the conditions of a transformational economy: Collection of scientific articles based on the materials of the IV All-Ukrainian scientific and practical conference (pp. 366-369). Dnipro: NmetAU. Retrieved from https://nmetau.edu.ua/file/sbornik_18_1.pdf
- Shykhmat, A., & Veres, Z. (2023). Selection of Protocols for Data Transmission From Internet of Things Devices to Cloud Provider. Computer Systems and Networks, 5(1), 149–159. https://doi.org/10.23939/csn2023.01.149
- Shykhmat, A., & Veres, Z. (2024). Agriculture Vehicles Predictive Maintenance With Telemetry, Maintenance History and Geospatial Data. Advances in Cyber-Physical Systems, 9(2), 134–139.https://doi.org/10.23939/acps2024.02.134
- Spinelli, R., Eliasson, L., & Magagnotti, N. (2019). Determining the repair and maintenance cost of wood chippers. Biomass and Bioenergy, 122, 202–210. https://doi.org/10.1016/j.biombioe.2019.01.024
- Venkatasubramanian, V., Rengaswamy, R., Kavuri, S. N., & Yin, K. (2003). A review of process fault detection and diagnosis. Computers & Chemical Engineering, 27(3), 327–346. https://doi.org/10.1016/s0098- 1354(02)00162-x
- Xiao, M., Wang, W., Wang, K., Zhang, W., & Zhang, H. (2020). Fault Diagnosis of High-Power Tractor Engine Based on Competitive Multiswarm Cooperative Particle Swarm Optimizer Algorithm. Shock and Vibration, 2020, 1–13. https://doi.org/10.1155/2020/8829257