ТЕХНОЛОГІЯ МИТТЯ СІЛЬСЬКОГОСПОДАРСЬКОЇ ТЕХНІКИ ТА МЕТОД ОЦІНЮВАННЯ ЙОГО ЕФЕКТИВНОСТІ ЗА РІЗНИХ РІВНІВ ЗАБРУДНЕННЯ
DOI:
https://doi.org/10.32718/agroengineering2025.29.34-47Ключові слова:
миття, сільськогосподарська техніка, ефективність, алгоритм, метод, забруднення, кіберфізична системаАнотація
Виконано аналіз існуючих технологій та підходів до миття сільськогосподарської техніки. Встановлено, що, попри їхню поширеність, вони зосереджуються переважно на окремих показниках ефективності і не враховують комплексного впливу часу, енергетичних витрат та якості змивних вод. Обґрунтована доцільність удосконалення технології миття сільськогосподарської техніки та розроблення методу, який дозволяє об’єктивно оцінювати ефективність процесу за різних рівнів забруднення. Удосконалена технологія миття сільськогосподарської техніки ґрунтується на поєднанні традиційних операцій із сучасними інтелектуальними підходами до контролю якості. Алгоритм цієї технології охоплює 18 кроків, що забезпечують використання машинного зору для початкової оцінки рівня забруднення та адаптацію послідовності операцій до фактичного стану поверхонь. Передбачено виконання додаткового миття для видалення стійких нашарувань та повторний контроль після основного очищення, що формує замкнений цикл процесу з урахуванням сенсорних даних, зменшення витрат ресурсів і підвищення екологічної безпеки. Розроблений метод оцінювання ефективності миття складається з 6 блоків і забезпечує комплексний підхід до аналізу результативності, поєднуючи критерії очищення поверхонь, якість змивних вод, тривалість операцій та витрати ресурсів в інтегральний індекс. Це дозволяє об’єктивно порівнювати режими миття, враховуючи технологічні й економічні аспекти, та формує підґрунтя для впровадження систем автоматизованого контролю. У результаті проведених досліджень виконано оцінювання ефективності миття трактора John Deere 6130R у складі з причіпною сівалкою Horsch Pronto 6 DC за трьох рівнів забруднення. Встановлено, що при низькому рівні інтегральний показник ефективності досяг найвищих значень завдяки оптимальному співвідношенню якості очищення та ресурсних витрат. Водночас за високого рівня забруднення ключовими чинниками зниження ефективності є надмірні витрати води та енергії, а також збільшена тривалість циклу. Подальші дослідження доцільно спрямувати на розроблення адаптивних кіберфізичних систем миття, здатних у реальному часі оптимізувати режими роботи з урахуванням фактичного рівня забруднення, витрат ресурсів та екологічних вимог.
Посилання
Batyuk, B., & Dyndyn, M. (2020). Coordination of configurations of complex organizational and technical systems for development of agricultural sector branches. Journal of Automation and Information Sciences, 2(2), 63–76.
Boe, T., Calfee, W., Lemieux, P., Serre, S., Abdel-Hady, A., Monge, M., & Howard, J. (2023). Evaluation of cleaning and disinfection protocols for commercial farm equipment following a foreign animal disease outbreak. Remediation Journal, 33(3), e21762. https://doi.org/10.1002/rem.21762.
DeCooman, C. (2023). Prioritize safety when using pressure washers. AgProud. Retrieved from: https://www.agproud.com/articles/58447-prioritize-safety-when-using-pressure-washers.
Díaz-Rodríguez, A. M., Parra Cota, F. I., Cira Chávez, L. A., García Ortega, L. F., Estrada Alvarado, M. I., Santoyo, G., & de los Santos-Villalobos, S. (2025). Microbial inoculants in sustainable agriculture: Advancements, challenges, and future directions. Plants, 14 (2), 191. https://doi.org/10.3390/plants14020191.
Flores, T. K. S., Magalhães, L. A. F., Cortez, P. C., & Brito, A. H. (2021). Adaptive pressure control system based on the maximum power transfer theorem for water supply systems. Sensors, 21(3), 5156. https://doi.org/10.3390/s21155156.
Hütten, N., Alves Gomes, M., Hölken, F., Andricevic, K., Meyes, R., & Meisen, T. (2024). Deep learning for automated visual inspection in manufacturing and maintenance: A survey of open-access papers. Applied System Innovation, 7(1), 11. https://doi.org/10.3390/asi7010011.
International Organization for Standardization (2016). ISO 7027-1:2016. Water quality – Determination of turbidity – Part 1: Quantitative methods. Geneva: ISO.
Jensen, T. A., Antille, D. L., & Tullberg, J. N. (2025). Improving on-farm energy use efficiency by optimizing machinery operations and management: A review. Agricultural Research, 14, 15–33. https://doi.org/10.1007/s40003-024-00824-5.
Jiang, L., Xu, B., Husnain, N., & Wang, Q. (2025). Overview of agricultural machinery automation technology for sustainable agriculture. Agronomy, 15(6), 1471. https://doi.org/10.3390/agronomy15061471.
Krklješ, D. B., Kitić, G. V., Petes, C. M., Birgermajer, S. S., Stanojev, J. D., Bajac, B. M. … Janković, N. N. (2023). Multiparameter water quality monitoring system for continuous monitoring of fresh waters. Sensors, 23, 6396. https://doi.org/10.1109/JSEN.2024.3368560.
Krupetskykh, V. P., Domaratskyi, O. O., & Revtio, O. Ya. (2020). Efektyvnist vykorystannia mashynno-traktornykh ahrehativ u roslynnytstvi [Efficiency of the use of machine-tractor aggregates in crop production]. Tavriiskyi naukovyi visnyk, 111, 96–104. https://doi.org/10.32851/2226-0099.2020.111.13.
Kumar, M., Khamis, K., Stevens, R., & Hannah, D. M. (2024). In-situ optical water quality monitoring sensors—applications, challenges, and future opportunities. Frontiers in Water, 6, 1380133. https://doi.org/10.3389/frwa.2024.1380133.
Nasr, G., Abdel Hamid, Z., & Refai, M. (2023). Agricultural machinery corrosion. In Agricultural machinery corrosion. IntechOpen. https://doi.org/10.5772/intechopen.108918
Pordesimo, L. O., Wilkerson, E. G., Womac, A. R., & Cutter, C. N. (2002). Process engineering variables in the spray washing of meat and produce. Journal of Food Protection, 65 (1), 222–237. https://doi.org/10.4315/0362-028X-65.1.222.
Stubenrauch, C., & Drenckhan, W. (2024). Cleaning solid surfaces with liquid interfaces and foams: From theory to applications. Current Opinion in Colloid & Interface Science, 72, 101818. https://doi.org/10.1016/j.cocis.2024.101818.
Sun, C., Shu, L., Gu, X., Li, D., & Li, W. (2020). Real-time control of urban water cycle under cyber-physical systems: Framework, interoperability and case study in Barcelona. Water, 12(2), 406. https://doi.org/10.3390/w12020406.
Tomašková, M., Sobotova, L., & Matiskova, D. (2019). Machinery fire in agriculture and its impact on the environment. In Proceedings of the 2019 International Council on Technologies of Environmental Protection (ICTEP). https://doi.org/10.1109/ICTEP48662.2019.8968991.
Torrens, A., Sepúlveda-Ruiz, P., Aulinas, M., & Folch, M. (2025). Innovative carwash wastewater treatment and reuse through nature-based solutions. Clean Technologies, 7(1), 12. https://doi.org/10.3390/cleantechnol7010012.
Tryhuba, A., Boyarchuk, V., Tryhuba, I., Ftoma, O., Padyuka, R., & Rudynets, M. (2021). Forecasting the risk of the resource demand for dairy farms basing on machine learning. CEUR Workshop Proceedings, 2631, 327–340.
Tryhuba, A., Koval, N., Tryhuba, I., & Boiarchuk, O. (2022). Application of SARIMA models in information systems forecasting seasonal volumes of food raw materials of procurement on the territory of communities. CEUR Workshop Proceedings, 3295, 64–75.
Tryhuba, A., Tryhuba, I., & Bashynsky, O. (2020). Conceptual model of management of technologically integrated industry development projects. In Proceedings of the 15th International Scientific and Technical Conference on Computer Sciences and Information Technologies (pp. 155–158). https://doi.org/10.1109/CSIT49958.2020.9321903.
Tyrovolas, M., & Hajnal, T. (2021). Inter-communication between programmable logic controllers using IoT technologies: A Modbus RTU/MQTT approach. arXiv preprint arXiv:2102.05988. https://doi.org/10.48550/arXiv.2102.05988.
