Совершенствование работы лесозаготовительных машин в условиях внедрения цифровых технологий

Широкое внедрение цифровых технологий в хозяйственную деятельность человека, в том числе и на лесозаготовках, является актуальным трендом развития. При организации работы лесозаготовительных машин следует учитывать не только их технические характеристики, но и их возможность адаптации в единое цифровое пространство. Обзор отечественных и зарубежных научно-технических источников показал, что вопросам совершенствования процесса лесозаготовок уделяется большое внимание, многие исследователи считают цифровизацию работы лесозаготовительных машин одним из основных направлений деятельности. Развитие систем искусственного интеллекта подразумевает создание комплекса лесозаготовительных машин, работающих автономно, без участия человека, как при заготовке древесины, так и на ее вывозке. Однако на современном этапе развития обойтись без участия человека невозможно, поэтому рассматриваются  решения, направленные  на повышение эффективности работы оператора харвестера, снижение его утомляемости путем автоматизации части выполняемых работ, в частности, внедрение машинного зрения, позволяющее в автоматическом режиме контролировать безопасность процесса лесозаготовок, нахождение в опасных зонах, определять породу древесины с применением нейронных сетей для снижения умственной нагрузки на оператора. Важным аспектом повышения эффективности лесозаготовок является планирование работ с применением информационной системы, которое как учитывает результаты работы машин (диаметр и количество сортиментов, их объем, породу), так и контролирует техническое состояние машин и технологического оборудования. Алгоритм функционирования информационной системы должен включать в себя специализированное программное обеспечение, позволяющее осуществлять моделирование и на его основе планирование режимов работы лесозаготовительных машин и оборудования с учетом их технического состояния и природно-производственных условий эксплуатации. Для учета особенностей работы лесозаготовительных машин ввиду удаленности лесосек от зоны покрытия сотовой сети предлагаются решения по передаче необходимой информации на сервер компании.

1. Говядин И.К., Чубинский А.Н., Алексеев А.С. Метод измерения диаметров деревьев на основе технологий искусственного интеллекта // Известия Санкт-Петербургской лесотехнической академии. 2024. Вып. 249. С. 177–194. DOI: 10.21266/2079-4304.2024.249.177-194.

2. Жук К.Д., Угрюмов С.А., Свойкин Ф.В. Статистическая оценка размерных характеристик лесоматериалов с использованием данных stm-файлов многооперационных лесных машин // Известия Санкт-Петербургской лесотехнической академии. 2021. № 235. С. 137–149. DOI: 10.21266/2079-4304.2021.235.137-149.

3. Жук К.Д., Угрюмов С.А., Свойкин Ф.В. Распознавание пород деревьев в процессе лесозаготовки с применением методов машинного обучения // Известия Санкт-Петербургской лесотехнической академии. 2023. Вып. 242. С. 167–178. DOI: 10.21266/2079-4304.2023.242.167-178.

4. Заикин А.Н., Сиваков В.В., Новикова Т.П., Зеликов В.А., Стасюк В.В., Чуйков А.С. Программное обеспечение для управления системой технического обслуживания и ремонта лесных машин: оценка применимости // Лесотехнический журнал. 2023. Т. 13, № 2(50). С. 105–127. DOI: 10.34220/issn.2222-7962/2023.2/6.

5. Заикин А.Н., Сиваков В.В., Зеликов В.А., Чуйков А.С., Новиков А.И., Стасюк В.В. Автоматизированное оперативное управление лесосечными работами: методологический анализ // Лесотехнический журнал. 2024. Т. 14, № 2(54). С. 204–226. DOI: 10.34220/issn.2222-7962/2024.2/12.

6. Сиваков В.В. Цифровизация управления системой технического обслуживания и ремонта лесозаготовительной техники // Хвойные бореальной зоны. 2024. Т. 42, № 1. С. 64–71. DOI: 10.53374/1993-0135-2024-1-64-71.

7. Сиваков В.В., Заикин А.Н., Новикова Т.П., Зеликов В.А., Стасюк В.В., Чуйков А.С. Цифровизация системы организации рабочих процессов лесозаготовительных машин: оценка эффективности на примере «Ponsse», «Komatsu» и»John Deerе» // Лесотехнический журнал. 2023. Т. 13, № 3(51). С. 200–218. DOI: 10.34220/issn.2222-7962/2023.3/14.

8. Сиваков В.В., Заикин А.Н. Повышение эффективности обучения сотрудников предприятий лесного комплекса в условиях цифровизации // Известия Санкт-Петербургской лесотехнической академии. 2024. Вып. 248. С. 243–256. DOI: 10.21266/2079-4304.2024.248.243-256.

9. Bacescu N., Piol O., Talbot B., Marchi L., Grigolato S. Modelling skidding extraction in mountainous forest though engine data acquisition and analysis (preprint). 2024. DOI: 10.21203/rs.3.rs-4613216/v1.

10. Ehrlich-Sommer F., Hoenigsberger F., Gollob C., Nothdurft A., Stampfer K., Holzinger A. Sensors for Digital Transformation in Smart Forestry // Sensors. 2024. Vol. 24. Art. no. 798. DOI: 10.3390/s24030798.

11. Gavrilović N., Mishra A. Software architecture of the internet of things (IoT) for smart city, healthcare and agriculture: analysis and improvement directions // J. Ambient Intell Human Comput. 2021. No. 12. P. 1315–1336. DOI: 10.1007/s12652-020-02197-3.

12. Guerra F., Udali A., Wagner T., Marinello F., Grigolato S. Opportunity to integrate machine management data, soil, terrain and climatic variables to estimate tree harvester and forwarder performance // Annals of Forest Research. 2024. Vol. 67, no. 1. DOI: 10.15287/afr.2024.3338.

13. Hernandez-Matias J., Ríos J., Clavijo M., Villaverde S.J., Idoipe A. Methodology and architecture for the implementation of TPM 4.0 in small and medium-sized companies // Dyna (Bilbao). 2023. Vol. 98. P. 351–355. DOI: 10.6036/10878.

14. Kärhä K., Poikela A., Palander T. Productivity and Costs of Harwarder Systems in Industrial Roundwood Thinning // Croatian Journal of Forest Engineering. 2018. Vol. 39. P. 23–33.

15. Kim Gyun-Hyung, Kim Ki-Duck, Lee Hyeon-Seung, Choi Yunsung, Mun Ho-Seong, Oh Jae-Heun, Shin Beom-Soo. Development of Wi-Fi-Based Teleoperation System for Forest Harvester // Journal of Biosystems Engineering. 2021. Vol. 46. P. 206–216. DOI: 10.1007/s42853-021-00100-2.

16. Kolberg D., Zühlke D. Lean Automation enabled by Industry 4.0 Technologies // IFAC-Papers On Line. 2015. Vol. 48, iss. 3. P. 1870-1875. DOI: 10.1016/j.ifacol.2015.06.359.

17. Labelle E., Kemmerer J. Business Process Reengineering of a Large-Scale Public Forest Enterprise Through Harvester Data Integration // Croatian journal of forest engineering. 2022. Vol. 43. DOI: 10.5552/crojfe.2022.1129.

18. Lundbäck M., Häggström C., Fjeld D., Lindroos O., Nordfjell T. The economic potential of semi-automated tele-extraction of roundwood in Sweden // International Journal of Forest Engineering. 2022. Vol. 33. P. 1–18. DOI: 10.1080/14942119.2022.2103784.

19. Lundbäck M., Lindroos O., Servin M. Rubber-Tracked Forwarders–Productivity and Cost Efficiency Potentials // Forests. 2024. Vol. 15. Art. no. 284. DOI: 10.3390/f15020284.

20. Lundqvist R., Rönnqvist M., Flisberg P., Jönsson P., Lindroos O. Comparison of modeling approaches for evaluation of machine fleets in central Sweden forest operations // International Journal of Forest Engineering. 2022. Vol. 34. P. 1–12. DOI: 10.1080/14942119.2022.2102346.

21. Lundqvist R., Rönnqvist M., Flisberg P., Jönsson P., Lindroos O. Country-wide analysis of the potential use of harwarders for final fellings in Sweden // Scandinavian Journal of Forest Research. 2023. Vol. 38. P. 1–16. DOI: 10.1080/02827581.2023.2168045.

22. Proto A., Sperandio G., Costa C., Maesano M., Antonucci F., Macri G., Mugnozza G., Zimbalatti G. A Three-Step Neural Network Artificial Intelligence Modeling Approach for Time, Productivity and Costs Prediction: A Case Study in Italian Forestry // Croatian journal of forest engineering. 2020. Vol. 41, iss. 1. 10.5552/crojfe.2020.611.

23. Rukomojnikov K., Sergeeva T. Simulation modeling of logging harvester movements during selective logging // Journal of Applied Engineering Science. 2024. Vol. 22. P. 1–8. DOI: 10.5937/jaes0-50146.

24. Sergeeva T., Gilyazova T., Rukomojnikov K., Tsarev E., Petuhov I., Anisimov P. Modeling of labor costs during the operation of a forest harvester // Agrarian Scientific Journal. 2024. Vol. 4. P. 128–135. DOI: 10.28983/asj.y2024i4pp128-135.

25. Sforza F., Starke M., Dietsch P., Thuer P., Lingua E., Ziesak M. Maximizing the economic benefit for cable yarding timber harvesting operations by spatially optimizing tree selection // European Journal of Forest Research. 2024. Vol. 144. P. 831-850. DOI: 10.1007/s10342-024-01700-1.

26. Silva A., Cardoso M., Gomes R., Schettini B. Minette L., Nunes Í., Villanova P. Forest extraction management with the indicator of overall efficiency of forest machines (OEFM) // Revista Árvore. 2022. Vol. 46, iss. 6. DOI: 10.1590/1806-908820220000018.

27. Sivakov V., Buglaev A., Zaikin A., Orekhovskaya A., Nurullin A., Razetdinov I. Improving the training of employees of logging enterprises in the field of labor protection // EDP Sciences - Web of Conferences. 2024a. Vol. 486. Art. no. 04007. DOI: 10.1051/e3sconf/202448604007.

28. Sivakov V., Zaikin A., Borovaya K., Andronov A., Akhmadiev A., Sakhapov R. Improving service agricultural and forestry machinery // BIO WEB OF CONFERENCES. IV International Conference on Agricultural Engineering and Green Infrastructure for Sustainable Development (AEGISD-IV 2024). Les Ulis, 2024b. Art. no. 01005.

29. Sperandio G., Ortenzi L., Spinelli R., Magagnotti N., Figorilli S., Acampora A., Costa C. A multistep modelling approach to evaluate the fuel consumption, emissions, and costs in forest operations // European Journal of Forest Research. 2023. Vol. 143. P. 1–15. DOI: 10.1007/s10342-023-01624-2.

30. Spinelli R., Magagnotti N., Picchi G. Deploying Mechanized Cut-to-Length Technology in Italy: Fleet Size, Annual Usage, and Costs // International Journal of Forest Engineering. 2010. Vol. 21. P. 23–31. DOI: 10.1080/14942119.2010.10702595.

31. Svoikin F., Zhuk K., Svoikin V., Ugryumov S., Bacherikov I. Stem segmentation for sustainable forest management task // E3s web of conferences. 2023a. Vol. 390. Art. no. 07038. DOI: 10.1051/e3sconf/202339007038.

32. Svoikin F., Zhuk K., Svoikin V., Ugryumov S., Bacherikov I., Daniela V., Ryapukhin A. Classification of Tree Species in the Process of Timber-Harvesting Operations Using Machine-Learning Methods // Inventions. 2023b. Vol. 8, no. 2. Art. no. 57. DOI: 10.3390/inventions8020057.

33. Szewczyk G., Spinelli R., Magagnotti N., Tylek P., Sowa J., Rudy P., Gaj-Gielarowiec D. The mental workload of harvester operators working in steep terrain conditions // Silva Fennica. 2020. Vol. 54, iss. 3. Art. no. 10355. DOI; 10.14214/sf.10355.

34. Thaker R. Advancements in Forestry Robotics: Autonomous Navigation, Sensing, and AI-Driven Applications for Precision Forestry and Forest Inventory Management // International Journal of Innovative Research and Creative Technology. 2024. Vol. 10, iss. 4. P. 1–7. DOI: 10.5281/zenodo.14001694.