В. І. Мікіньов

В. І. Мікіньов

Auto-generated profile, based on publicly available information

В. І. Мікіньов

Центральноукраїнський національний технічний університет

Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
30 October 2025 in Таврійський науковий вісник. Серія: Технічні науки
Verified
Journal Article
Open access
PDF file
ІБІ. А. Березюк
І. А. Березюк
ОДО. К. Дідик
О. К. Дідик
ВМВ. І. Мікіньов
В. І. Мікіньов
У статті представлено результати дослідження, присвяченого підвищенню точності динамічного поосьового зважування автомобілів у русі шляхом удосконалення методів обробки вимірювальної інформації. Актуальність роботи зумовлена необхідністю оперативного та надійного визначення маси транспортних засобів у транспортній і аграрній галузях, де ефективне управління логістичними потоками безпосередньо залежить від достовірності даних вагових вимірювань. Об’єктом дослідження є процес динамічного зважування транспортних засобів, а предметом – методи та алгоритми обробки сигналів, отриманих від тензометричних систем у реальних умовах експлуатації. Метою роботи є розробка методології підвищення точності вимірювань шляхом поєднання класичних та інтелектуальних підходів до аналізу сигналів. У дослідженні проведено порівняльний аналіз традиційних фільтраційних і регресійних методів з сучасними інтелектуальними підходами, зокрема штучними нейронними мережами. Показано, що класичні методи не здатні забезпечити високу точність в умовах дії стохастичних перешкод, обмеженого часу вимірювання та невизначеності параметрів транспортних засобів. Запропоновано комбінований підхід, який поєднує багатовимірне фільтрування для виділення регулярної складової сигналу з використанням нейронних мереж для ідентифікації маси осей автомобіля. Наукова новизна роботи полягає у розробці багаторівневої структури досліджень, що включає: експериментальне визначення статистичних характеристик сигналів; синтез оптимальних фільтрів; оптимізацію архітектури нейронних мереж; оцінку ефективності системи в умовах, максимально наближених до експлуатаційних. Сформовано критерії ефективності обробки вимірювальної інформації та визначено особливості застосування різних типів нейронних мереж і алгоритмів їх навчання. Практичне значення результатів полягає у можливості створення інтелектуальної системи динамічного зважування, здатної забезпечити точність, наближену до стаціонарних вагових комплексів, при значно вищій швидкодії та адаптивності до змін зовнішніх факторів. Отримані результати можуть бути впроваджені у вагові комплекси підприємств транспортної та аграрної сфер, сприяючи підвищенню ефективності управління запасами та транспортною логістикою.