Алгоритм реагирования на отказ датчиков в информационно-управляющей системе «Умный сад»

Рассматривается алгоритм реагирования на сбои датчиков в информационно-управляющей системе «Умный сад». Для прогнозирования влажности почвы при отказе датчиков используется рекуррентная нейронная сеть. Подход обеспечивает своевременное обнаружение отказов и высокий уровень контроля, повышая надежность системы. Результаты экспериментальных исследований показывают высокую точность прогнозирования и эффективность управления орошением, улучшая устойчивость и автоматизацию климатического контроля в промышленном садоводстве.

Аффилиация авторов
Обаид Саадулдин Садах — аспирант, e-mail: saadmonster555@gmail.com.
Погонин Василий Александрович — д-р техн. наук, профессор кафедры «Информационных процессов и управлений»,e-mail: saadmonster555@gmail.com, pogvas@inbox.ru.
ФГБОУ ВО «Тамбовский государственный технический университет».

Список литературы
1. Zhu F., Jia X., Miller M., Li X. Methodology for Important Sensor Screening for Fault Detection and Classification in Semiconductor Manufacturing // IEEE Transactions on Semiconductor Manufacturing. 2020.
2. Leite D., Martins A., Jr., Rativa D., De Oliveira J. F. L., Maciel A. M. A. An Automated Machine Learning Approach for Real-Time Fault Detection and Diagnosis // Sensors. 2022. Vol. 22, No. 16. P. 6138.
3. A virtual soil moisture sensor for smart farming using deep learning. Repository FLORE, Univ. degli Studi di Firenze. 2026.
4. Ким С. А., Маргун А. А., Пыркин А. А. Применение методов машинного обучения для локализации отказов датчиков квадрокоптера // Известия высших учебных заведений. Приборостроение. 2023. Т. 66, № 2. С. 125–130.
5. Кульба В.В. и др. Методы формирования и использования резервов различного типа в управлении сельскохозяйственным производством // Тренды и управление. 2013. № 4. С. 116–139.
6. Волобуев М. Ф. Универсальный алгоритм обнаружения отказов дублированных датчиков следящей системы // Известия РАН. Теория и системы управления. 2019. № 4. С. 166–173.
7. Обаид С.С., Погонин В. А., Кирина И.Б. Интеграция рекуррентной нейронной сети для повышения отказоустойчивости модели влагопереноса в системе «Умный сад» // Известия ЮФУ. Технические науки. 2025. № 4(246). С. 284–297.
8. Дарьина А.Н., Прокопьев И.В. Отказоустойчивые системы управления динамическими объектами специального назначения // Надежность и качество сложных систем. 2022. № 4(40). С. 82–88.
9. Жирабок А.Н., Зуев А.В., Бобко Е.Ю. Метод построения виртуальных датчиков для замены отказавших физических датчиков // Мехатроника, автоматизация, управление. – 2023. Т. 24. №. 10. С. 526-532.
10. Wen X., Wei J., Zhang J., Yue J. Research on soil moisture prediction based on VAR-ARIMA model // Highlights in Science, Engineering and Technology. 2023.
11. Adeyemi O., Grove I., Peets S., Domun Y., Norton T. Dynamic neural network modelling of soil moisture content for predictive irrigation scheduling // Sensors. 2018. Vol. 18, № 10. P. 3408.
12. Wang G., Zhuang L., Mo L., Yi X., Wu P., Wu X. BAG: A linear-nonlinear hybrid time series prediction model for soil moisture // Agriculture. 2023. Vol. 13, № 2. P. 379.