Аналіз та порівняння методів прогнозування параметрів виробничих процесів сушіння зернових культур

Abstract

The paper presents a systematic analysis and comparison of methods for forecasting parameters of grain drying production processes. Physical modeling of the grain drying process is based on equations of simultaneous heat and mass transfer. Such models allow to describe the spatial distribution of temperature and humidity in the grain layer and are theoretically justified. At the same time, their practical application in control systems is associated with high computational complexity due to the need for numerical solution of systems of differential equations in real time. An additional problem is the sensitivity of physical models to boundary conditions and parameters, the values of which in practice can significantly differ from idealized ones. The difficulties of accurate measurement of some parameters (diffusion coefficients, thermal conductivity of wet grain) in real industrial conditions reduce the reliability of forecasts.The methods considered include statistical forecasting, physical modelling, neural networks, fuzzy logic and adaptive neuro-fuzzy inference systems, and hybrid approaches. For each class of methods, advantages and limitations in application to grain drying control tasks are characterised. It is shown that classical methods (ARIMA, PID controllers) do not provide sufficient accuracy due to the nonlinear and non-stationary nature of the process. Fuzzy logic and ANFIS-based approaches demonstrate the possibility of interpretable control with a reduction in the number of model parameters. Deep learning methods (LSTM, GRU, GCN+Transformer) provide effective modelling of spatiotemporal dependencies of the temperature field. Hybrid approaches, in particular the combination of mechanistic and data-driven methods, allow achieving a maximum moisture deviation at the outlet within ±0.58–0.3%. A comparative table of methods and a classification block diagram are provided. The conclusion is drawn on the expediency of developing intelligent hybrid forecasting systems for grain dryer control tasks. The article systematises key results of published research and identifies directions for further development in intelligent drying control systems.

У статті проведено систематичний аналіз та порівняння методів прогнозування параметрів виробничих процесів сушіння зернових культур. Розглянуто методи статистичного прогнозування, фізичного моделювання, нейронних мереж, нечіткої логіки та адаптивних нейро-нечітких систем виведення, а також гібридні підходи. Для кожного класу методів охарактеризовано переваги та обмеження при застосуванні до задач управління сушінням зерна. Показано, що класичні методи (ARIMA, PID-регулятори) не забезпечують достатньої точності через нелінійну та нестаціонарну природу процесу. Підходи на основі нечіткої логіки та ANFIS демонструють можливість інтерпретованого управління зі скороченням числа параметрів моделі. Методи глибокого навчання (LSTM, GRU, GCN+Transformer) забезпечують ефективне моделювання просторово-часових залежностей температурного поля. Гібридні підходи, зокрема поєднання механістичних та дата-дривних методів, дозволяють досягнути максимального відхилення вологості на виході не більше ±0,58–0,3%. Наведено порівняльну таблицю методів та структурну схему класифікації. Зроблено висновок про доцільність розробки інтелектуальних гібридних систем прогнозування для задач управління зерновими сушарками.