Improving the efficiency of agricultural machinery design using digital twins

Full Text

Современное сельскохозяйственное машиностроение сталкивается с повышением требований к эффективности, надёжности и скорости разработки новой техники. В условиях глобальной конкуренции и необходимости быстрой адаптации к изменяющимся условиям рынка традиционные методы проектирования и постановки на производство новых машин оказываются недостаточно гибкими и ресурсоёмкими. Решить эту проблему могут цифровые двойники – виртуальные модели, которые отражают не только конструктивные особенности техники, но и технологические процессы, связанные с её эксплуатацией. Они позволяют проводить комплексное моделирование, анализ и оптимизацию на всех этапах жизненного цикла изделия. В работах [1, 2] подчёркивается их роль в интеграции информации о продукте, производстве и эксплуатации, что помогает создавать более точные и адаптивные модели. В ряде исследований показано, что цифровые двойники способны значительно сократить время вывода продукции на рынок за счёт оптимизации проектирования и тестирования и повышения её эффективности [3, 4]. Эта технология ускоряет разработку и сертификацию авиационных двигателей [5], а также экономически обоснована, поскольку улучшает показатели производительности и рентабельности современных предприятий [6].

В последние годы интерес к цифровым двойникам возник и в области сельскохозяйственного машиностроения. Российские учёные разрабатывают методики и алгоритмы создания двойников высокотехнологичных рабочих органов, почвенной среды и биообъектов для оптимизации использования и прогнозирования их ресурса и качества обработки почвы [7, 8]. Согласно статье [9], применение цифровых двойников объектов или процессов позволит подбирать наилучшие режимы работы техники с целью повышения производительности и снижения потерь, включая улучшение рабочих параметров и снижение энергопотребления [10]. В исследованиях [11, 12] обсуждаются методологические подходы к созданию цифровых двойников с учётом информации с датчиков, данных машинного обучения и симуляции физических процессов. Эти подходы не только выводят проектирование на качественно новый уровень, но и обеспечивают непрерывное обновление моделей в ходе эксплуатации техники.

Тем не менее эта технология пока недостаточно распространена в сельском хозяйстве, а ведь она может сократить издержки на разработку, внедрение и обслуживание оборудования [13]. Отсутствуют научные публикации по практическому применению в сфере АПК цифровых двойников сельхозмашин [14]. В связи с этим перспективным становится развитие отечественных технологий сельскохозяйственного машиностроения на основе имеющихся научных разработок и создание цифровых двойников для повышения качества моделирования и планирования.

Цифровые двойники прошли путь от традиционного виртуального прототипа (предварительное проектирование) до виртуальной среды для прогнозирования поведения продукта [15], в которой вся необходимая информация о производительности, работоспособности и обслуживании реального физического объекта поступает в модель с установленных датчиков и дополняется показаниями датчиков виртуальных. Однако, как свидетельствует практика, информации от физических датчиков зачастую недостаточно для выполнения ключевых задач цифрового двойника, например, оценки текущего состояния оборудования и систем в целом, определения оптимальных режимов и прогнозирования остаточного ресурса [15]. В этом случае, помимо физических датчиков, используются виртуальные, которые позволяют получать дополнительные данные о параметрах в любой точке оборудования с помощью компьютерного инженерного анализа, основанного на системных или имитационных моделях.

Цифровые двойники особенно важны при преодолении так называемой “долины смерти” – критическом переходе от разработки технологии к её коммерциализации и серийному производству. Этот этап с высокими рисками и значительными затратами часто становится препятствием для внедрения инноваций. Уровень готовности технологий (УГТ) служит ключевым показателем, характеризующим степень их зрелости. Переход от низких уровней (УГТ 1–3), связанных с фундаментальными исследованиями, к высоким (УГТ 7–9), соответствующим готовности к серийному производству, требует значительных усилий и ресурсов. Цифровые двойники ускоряют этот процесс за счёт виртуального тестирования, оптимизации и валидации технологий на ранних этапах. Они обеспечивают возможность моделирования различных сценариев эксплуатации, анализа производительности и надёжности машин, а также прогнозирования потенциальных проблем до их возникновения в реальных условиях. Это значительно снижает риски и затраты, связанные с физическими испытаниями и доработками, и позволяет быстрее переходить на следующий уровень готовности технологии.

Методика. Создание цифровых двойников сельскохозяйственных машин требует комплексного подхода, включающего несколько этапов. В первую очередь необходимо провести сбор и анализ исходных данных о конструктивных особенностях машины, технологических процессах её производства и эксплуатации. Для этого используются рабочие параметры (тяговое сопротивление, давление, вибрация и т.д.), зафиксированные реальными датчиками. Затем разрабатывается математическая модель, описывающая поведение машины в различных условиях. При этом применяются разные методы численного моделирования для учёта физических процессов (деформация, теплопередача, сопротивление, гидродинамика), которые зависят от вычислительного аппарата:

• метод конечных элементов (МКЭ);
• метод вычислительной гидродинамики (ВГД);
• метод дискретных элементов (МДЭ);
• гидродинамика сглаженных частиц (ГСЧ);
• динамика многотельных систем (ДМС) и др.

При моделировании почвообработки и создании цифрового двойника почвообрабатывающей машины, когда почва представляется в виде твёрдого, упругого, упругопластического тела или их комбинаций, используется метод конечных элементов; если почва представлена в виде дискретной среды, состоящей из мягких или твёрдых сфер, – метод дискретных элементов; для жидких частиц – метод сглаженных частиц, а модель почвы в виде вязкой среды реализуется методом вычислительной гидродинамики.

При разработке цифрового двойника, отражающего функционирование почвообрабатывающих орудий, на основе метода ВГД почва представляется в виде ньютоновской вязкой жидкости [16]. Исследования в этой области показали [17], что изменение давления, сил и моментов, действующих на рабочие органы, во многом зависит от вязкости и плотности имитируемой среды. Путём калибровки параметров модели на основе сопоставления результатов моделирования и тягового сопротивления рабочих органов почвообрабатывающих и посевных машин, полученных в лабораторных и полевых условиях, установлены соответствия механического состава и влажности реальных почв и физико-механических свойств (вязкость и плотность) предполагаемой почвенной среды для адекватной оценки энергетических параметров почвообрабатывающих машин [18]. Главный недостаток метода вычислительной гидродинамики при имитации процесса обработки почвы – невозможность визуализации образования трещин и крошения из-за гипотезы “сплошности” среды, что, в свою очередь, не позволяет провести агротехническую оценку качества обработки.

Метод конечных элементов также пригоден для численного моделирования почвы, поскольку он детально учитывает деформацию и напряжение, а обработка сложных граничных условий и контактных поверхностей довольно проста. Кроме того, этот метод совместим с различными моделями упругих и упругопластических материалов, которые калибруются по результатам испытаний почвы для прогнозирования силы рабочих органов с изменением их скорости и геометрических размеров. Согласно оценке [19], имитация взаимодействия “почва – рабочий орган” с последующим анализом конечных элементов даёт некоторые преимущества по сравнению с аналитическим и эмпирическим методами. В этом случае, если выбрать правильный определяющий закон, можно смоделировать любую геометрию орудия и нелинейное взаимодействие почвы и почвообрабатывающих орудий. Однако деформация почвы (особенно при обработке), связанная с разделением и перемешиванием её слоёв, образованием трещин и движением частиц, не может быть адекватно предсказана методом конечных элементов.

Методы на основе частиц используют как континуальный (например, ГСЧ), так и дискретный (МДЭ) подходы для описания поведения гранулированных материалов. В отличие от МКЭ, аппроксимации переменных поля зависят от частиц, а не от элемента на основе дискретизированной сетки. Ключевым аспектом метода дискретных элементов выступает формирование правил контакта между частицами, согласно которым уравнения движения частиц описываются с учётом объёмных и внешних сил, действующих на систему. Поведение системы определяется решением уравнений движения. При взаимодействии дискретных частиц возникают контактные силы, которые обычно разделяются на нормальные F_n и тангенциальные (касательные) F_t составляющие по отношению к контактной поверхности. Кроме контактных сил, между частицами возникает сцепление за счёт адгезии и/или когезии, которое также необходимо учитывать при описании контактного взаимодействия, что характерно для почвы, особенно увлажнённой. Сдерживающим фактором эффективности метода дискретных элементов для моделирования почвы, с одной стороны, является высокая потребность в вычислительных ресурсах компьютера, с другой – высокие требования к калибровке параметров контактных моделей ввиду изменчивости физико-механических свойств почв и их анизотропности (изменение их свойств по вертикали и горизонтали).

Широкое применение находят пневматические системы: в посевных комплексах – для распределения и транспортирования семян; в протравливателях – для создания и распределения капель рабочей жидкости и семян; в системах очистки зерноуборочных комбайнов и зерноочистительных машинах – для сортировки примесей, а также транспортировки различных материалов. В этих системах происходит взаимодействие воздушного потока с твёрдыми или жидкими частицами. Для моделирования их цифровых двойников можно использовать методы вычислительной гидродинамики, в частности, метод двухфазных течений.

Основное условие успешности метода двухфазных течений, где в качестве несущей фазы выступает воздушный поток, создаваемый вентилятором технического средства, а в качестве дисперсной – семена, твёрдые примеси или капли, – интенсивность межфазного взаимодействия, определяемая в первую очередь объёмной концентрацией частиц в потоке. От неё зависят возможность реализации моделей пневматических систем вычислительными методами и сложность используемых моделей [20]. Так, при 10^–6<α_c≤10^–3 двухфазные течения относят к слабозапылённым. В этом случае контакт между частицами уменьшается, однако дисперсная фаза оказывает обратное воздействие на несущую фазу, что необходимо учитывать при моделировании. Двухфазные течения при α_c≥ 10^–3 относят к сильнозапылённым. Здесь при реконструкции технологических процессов пневматических систем нужно учитывать обратное воздействие частиц друг на друга, а также их взаимодействие (режим взаимовлияния фаз). Для разработки более сложных цифровых двойников сельскохозяйственных машин составляются различные комбинации методов моделирования (МДЭ+ВГД, МДЭ+ДМС, МДЭ+ГСЧ, МДЭ+МКЭ), полученные благодаря современным прикладным компьютерным программам инженерного расчёта.

Таким образом, при создании цифрового двойника почвообрабатывающей машины методом дискретных элементов используется прямоугольный параллелепипед, заполняемый на определённую высоту дискретными частицами с заданными формой, размерами и параметрами. Большинство исследователей при моделировании почвы данным методом выбирают усовершенствованную модель Герца–Миндлина, в которой для описания нормальных сил F_n используется модель Герца, для тангенциальных (касательных) сил F_t – модель Кулона, а для сил сцепления – модель Джонсана–Кендала–Робертса. Проведена калибровка параметров контактной модели Герца–Миндлина в сочетании с моделью Джонсана–Кендала–Робертса, для чернозёмных почв тяжело-, средне- и легкосуглинистого механического состава.

Первоначально калибровка производилась путём сопоставления угла естественного откоса почв и модельных частиц [21, 22], в дальнейшем –сопоставлением горизонтальной, вертикальной и поперечной составляющих тягового сопротивления корпуса плуга, полученных в полевых условиях, с модельными данными. Оценка значимости изучаемых параметров показала, что на характер изменения составляющих тягового сопротивления корпуса плуга значительно влияют поверхностная энергия и диаметр частиц. Установлено, что при варьировании поверхностной энергии G_s в пределах 270–400 Дж/м² результаты силового анализа корпуса плуга методом дискретных элементов наиболее точные и соответствуют полевым исследованиям. Показатели, полученные при калибровке параметров контактной модели, представлены в таблице 1.

 

Таблица 1. Параметры контактной модели Герца–Миндлина для моделирования почвы

Параметр контактной модели	Значение
Модуль Юнга Е, МПа	100
Коэффициент Пуассона ν	0.3
Коэффициент статического трения почвы о почву fst	0.7
Коэффициент динамического трения почвы о почву fd	0.7
Поверхностная энергия Gs, Дж/м2	270–400
Диаметр частиц d, мм	10
Коэффициент статического трения fst.k	0.3
Коэффициент динамического трения fd.k	0.3

 

Полученные данные позволяют выбрать параметры контактной модели Герца–Миндлина при моделировании состояния почвы при взаимодействии с рабочими органами почвообрабатывающих и посевных машин. Спроектированный почвенный канал заполняется частицами с заданными параметрами, куда внедряется рабочий орган или орудие (рис. 1). Для исключения влияния на технологический процесс стенок канала размеры сторон параллелепипеда должны быть намного больше зоны деформации, создаваемой рабочим органом, но не слишком большими для уменьшения и оптимизации расчётного времени при решении задачи. Трёхмерные твердотельные модели почвообрабатывающей машины (например, плуга) и почвенного канала выполнятся по оригинальным размерам и сохраняются в формате STL для импортирования в программу инженерного расчёта (Rocky DEM, EDEM и др.). Скорость движения и глубина хода плуга принимается идентичной результатам полевых экспериментов.

 

Рис. 1. Цифровой почвенный канал, заполненный дискретными частицами

 

На рисунке 2 представлен процесс вспашки корпусом плуга в цифровом почвенном канале, наглядно демонстрирующий образование трещины, вырезание пласта, его перемещение по рабочей поверхности отвала и оборот на открытую предыдущим корпусом борозду, что соответствует общепринятым схемам работы плуга.

 

Рис. 2. Формирование трещины и оборота пласта корпусом плуга

 

Цифровая модель почвенного канала позволяет обосновать конструктивно-технологические параметры рабочих органов почвообрабатывающих машин. На рисунке 3 показано взаимодействие рабочих органов культиватора для полосовой обработки почвы с модельной почвой в виртуальном почвенном канале.

 

Рис. 3. Цифровая модель культиватора для полосовой обработки почвы

 

На рисунке 4 представлены цифровой двойник технологического процесса работы посевной секции для прямого посева по нулевой технологии и посевные секции, которые были изготовлены на Челябинском компрессорном заводе по конструктивно-технологическим параметрам, обоснованным в цифровом двойнике. Испытание секций в полевых условиях доказало их работоспособность и соответствие качества выполнения процесса агротехническим требованиям. Использование цифрового двойника при разработке почвообрабатывающе-посевной части посевного комплекса позволило ускорить процесс его постановки на производство и сократить ресурсы на изготовление опытных образцов посевных секций, а также смоделировать их испытания в лабораторных и полевых условиях.

 

Рис. 4. Цифровой двойник посевной секции (а) и изготовленные посевные секции (б)

 

С помощью метода дискретных элементов было воссоздано взаимодействие рабочих органов с почвой с учётом таких параметров контактной модели, как поверхностная энергия и диаметр частиц. Калибровка модели на основе данных полевых испытаний обеспечила высокую точность прогнозирования тягового сопротивления и других параметров. Цифровой двойник позволил оптимизировать конструкцию плуга и культиватора, сократив тем самым время на разработку и испытания. Пневматические дозирующие и распределительные устройства данного посевного комплекса были обоснованы в двойниках, созданных с использованием методов двухфазных течений вычислительной гидродинамики. На рисунке 5 показаны трёхмерная модель распределительной системы посевного комплекса и модель технологического процесса транспортировки и распределения семян воздушным потоком.

 

Рис. 5. Трёхмерная модель распределительной системы посевного комплекса (а) и её цифровой двойник (б)

 

Цифровой двойник пневмосистемы помог обосновать конструктивные параметры пневмоканалов, распределительных устройств и вертикальных коллекторов. Пневматическая система обеспечивает равномерное поступление семян в выходы коллектора, а скорость воздушного потока позволяет транспортировать и распределять семена и удобрения.

***

Цифровые двойники способны значительно повысить эффективность сельскохозяйственного машиностроения, сокращая время и затраты на внедрение новой техники, оптимизируя конструктивные и технологические параметры, улучшая точность прогнозирования и снижая риски, связанные с физическими испытаниями. Их разработка требует комплексного подхода, включающего сбор данных, создание математических моделей и их валидацию, различные методы численного моделирования (МКЭ, МДЭ, ВГД и др.) и их комбинации, в зависимости от задач и характеристик процессов, что позволяет учитывать сложные физико-механические свойства сельскохозяйственных материалов. Цифровые двойники почвообрабатывающих машин и пневматических систем для посевных комплексов нацелены на оптимизацию их конструктивно-технологических параметров.

Несмотря на очевидные преимущества, технология цифровых двойников пока недостаточно широко применяется в сельскохозяйственном машиностроении. Чтобы решить эту проблему, необходимо совершенствовать методологические подходы, включая использование виртуальных датчиков, машинного обучения и более точную калибровку моделей. Важно интегрировать данные цифровых двойников с реальными данными от датчиков, установленных на технике, что значительно увеличит точность прогнозирования и позволит оптимизировать разработку новой техники.

About the authors

Yu. F. Lachuga

Russian Academy of Sciences

Author for correspondence.
Email: akadema1907@majl.ru

академик, член президиума

Russian Federation, Moscow

S. G. Mudarisov

Bashkir State Agrarian University; Academy of Sciences of the Republic of Bashkortostan

Email: salavam@gmail.com

доктор технических наук, заведующий кафедрой мехатронных систем и машин аграрного производства

Russian Federation, Ufa; Ufa

I. M. Farkhutdinov

Bashkir State Agrarian University

Email: ildar1702@mail.ru

кандидат технических наук, доцент кафедры мехатронных систем и машин аграрного производства

Russian Federation, Ufa

Yu. Kh. Shogenov

Russian Academy of Sciences

Email: yh1961s@yandex.ru

академик, начальник сектора механизации, электрификации и автоматизации Отделения сельскохозяйственных наук

Russian Federation, Moscow

B. G. Ziganshin

Northern Trans-Ural State Agricultural University; Kazan State Agrarian University

Email: zigan66@mail.ru

доктор технических наук, профессор кафедры машин и оборудования в агробизнесе

Russian Federation, Tyumen; Kazan

N. N. Ustinov

Northern Trans-Ural State Agricultural University

Email: UstinovNikNik@mail.ru

кандидат технических наук, директор Инженерно-технологического института

Russian Federation, Tyumen

References

Supplementary files