АВТОМАТИЗАЦІЯ ПРОЦЕСІВ У ТРАНСПОРТНИХ ЕЛЕКТРОМЕХАНІЧНИХ СИСТЕМАХ НА БАЗІ IOT-ТЕХНОЛОГІЙ

Анотація

Метою дослідження є розробка інтегрованого рішення для моніторингу стану та адаптивного керування тяговими електроприводами на основі технологій IoT і периферійного інтелекту з метою підвищення ефективності, надійності та керованості систем електроприводу транспортних засобів. Методологія. На етапі розгортання створюється сенсорна інфраструктура з режимом глибокого сну та короткими періодами пробудження. Усередині транспортного засобу критично швидкі сигнали передаються шиною CAN із мінімальною затримкою навіть за недоступності високорівневих ECU. Кожен агрегат оснащено бездротовим вузлом на базі мікроконтролера з Wi-Fi, який знімає температуру в ділянках підшипників і обмоток за допомогою точних цифрових датчиків, реєструє вібрації MEMS-акселерометрами та вимірює фазні або шинові струми з ефектом Холла. Для забезпечення достовірності даних застосовується статичне і динамічне калібрування. Телеметрія проходить попередню обробку на борту з фільтрацією та стандартизацією за z-оцінками, а для вібрацій виконується спектральний аналіз для виявлення ознак дефектів підшипників і механічних резонансів. Ключові індикатори формуються локально, а у разі підозрілих подій передаються короткі фрагменти сирих сигналів у хмару через MQTT з буферизацією. Контур швидкості реалізовано PI-регулятором з anti-windup і проєкцією параметрів, а агент підкріплювального навчання типу актор-критик, уточнений у симуляції, оновлює коефіцієнти у межах безпеки. Компактна нейромережа зменшує перерегулювання і згладжує крутний момент, а крайова MPC координує рекуперативне гальмування з локальними обмеженнями. Хмарний рівень агрегує потоки з кількох машин, виконує виявлення аномалій, оцінює залишковий ресурс і планує профілі руху та частки рекуперації на рівні парку. Наукова новизна. Запропоновано багаторівневу архітектуру інтегрованої системи моніторингу і керування, що поєднує локальну обробку даних на рівні вузлів з периферійним інтелектом, адаптивне регулювання параметрів електропривода з використанням підкріплювального навчання та координацію процесів рекуперації на хмарному рівні. Розроблене рішення забезпечує ефективну взаємодію між сенсорними, обчислювальними та керуючими компонентами без істотного збільшення обчислювальних ресурсів. Висновки. У результаті експериментальних і польових випробувань досягнуто доставлення понад 97% пакетів на відстані понад 30 м, точність вимірювання температури близько ±0,1 °C, виявлення дисбалансу, дефектів підшипників і перехідних перевантажень струму. Програмно-апаратне моделювання засвідчило скорочення перехідних процесів, інтегральної помилки та підвищення стійкості до параметричних зсувів. У реальних умовах відбиралося до 18% кінетичної енергії, а витрати на сервіс зменшилися на 20–25%, що підтверджує ефективність і практичну придатність запропонованої системи.