Platform implementation for monitoring and detecting failures in agriculture machinery

Abstract

In the dynamic landscape of modern agriculture, ensuring the reliability and efficiency of machinery is a critical challenge. This article proposes an innovative platform for monitoring and detecting failures in agricultural machinery, harnessing the power of Internet of Things (IoT) technology and cloud computing. The system in AWS cloud receives data from vehicles in real-time and can predict potential failures in engine, transmission, electric and hydraulic systems using machine learning algorithm LSTM. An article provides detailed description of the proposed remote monitoring method, describes the structure of the remote monitoring system and the organization of data transmission, preprocessing, analysis and visualization. Architecturally, the platform adopts a microservices framework, ensuring scalability, high performance, security, and reliability. Algorithms of data processing in the system are described and the main features and benefits of using the monitoring solution are presented. The system's predictive performance is assessed by processing real telemetry and maintenance data collected over 12 months from farms located in United States. The collected data was sent to platform using Java-based simulator and prediction results were evaluated using the Mean Absolute Percentage Error and Coefficient of Determination metrics, demonstrating the high accuracy of the implemented prediction model. У динамічному середовищі сучасного сільського господарства, забезпечення надійності та ефективності техніки є важливим викликом. Дана стаття пропонує інноваційну платформу для моніторингу та виявлення несправностей сільськогосподарської техніки, що використовує переваги технологій Інтернету Речей та хмарних обчислень. Інформаційна система, що розгорнута у хмарі AWS, отримує дані від транспортних засобів у реальному часі та може передбачати потенційні несправності в двигуні, трансмісії, електричних і гідравлічних системах за допомогою алгоритму машинного навчання LSTM. У статті детально описано запропонований метод віддаленого моніторингу, структура системи віддаленого моніторингу та організація передачі даних, попередньої обробки, аналізу та візуалізації. Платформа використовує мікросервісну архітектуру, що забезпечує масштабованість, високу продуктивність, безпеку та надійність. Описано алгоритми опрацювання даних у системі, представлені основні характеристики та переваги використання рішення для моніторингу. Коректність прогнозування оцінено на основі опрацювання реальних телеметричних та технічних даних, зібраних протягом 12 місяців з ферм, розташованих у Сполучених Штатах. Зібрані дані передавалися на платформу за допомогою Java симулятора, а результати прогнозування оцінювалися за допомогою метрик середньої абсолютної відносної помилки та коефіцієнта детермінації, що підтвердило високу точність реалізованої моделі прогнозування.