RUL

This study extends previous research on Remaining Useful Life (RUL) prediction for agricultural vehicles by utilizing an enriched dataset to overcome earlier limitations in forecasting RUL for electric and hydraulic system components. Influential features have been identified through Pearson correlation and Random Forest feature importance analysis. Discrete Wavelet Transform (DWT) has been applied to extract additional approximation and detail coefficients, enhancing the feature set.

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.

Timely detection and prevention of agriculture vehicles malfunctions are key approaches to reducing maintenance costs, as well as updating and replacing equipment, and reducing the cost of growing agricultural crops. In this article an approach for Remaining Useful Life (RUL) prediction that utilizes a combination of telemetry, maintenance, and geospatial data (such as weather and terrain information) as input to a Long Short- Term Memory (LSTM) algorithm has been considered.