Authors

Abstract

Ensuring the reliability and efficiency of agricultural machinery is critical for modern farming operations. Traditional maintenance strategies, including corrective and preventive approaches, often lead to unexpected downtime or excessive servicing costs. This study explores the application of machine learning-based predictive maintenance for agricultural equipment, focusing on the hydraulic system of a Massey Ferguson 7700 S tractor. Real-time sensor data was collected, with hydraulic pressure selected as the primary diagnostic metric for detecting early signs of mechanical degradation. A predictive maintenance framework was developed using seven machine learning models: Isolation Forest, One-Class SVM, KMeans, DBSCAN, Autoencoders, Convolutional Neural Networks (CNNs), and XGBoost. These models were individually applied to identify pressure anomalies indicative of potential failures. To enhance detection accuracy, a "Council of the Wise" ensemble approach was introduced, where an anomaly was validated only if at least four of the seven models agreed on its presence. This consensus-based method reduced false positives and improved fault identification reliability. Results demonstrated that integrating multiple models effectively distinguished significant anomalies from noise, capturing both transient mechanical instabilities and gradual wear-related failures. The findings highlight the potential of machine learning-driven predictive maintenance in optimizing maintenance schedules, reducing unplanned downtime, and extending equipment lifespan. This study establishes a scalable, data-driven maintenance approach that enhances the operational resilience of agricultural machinery, ensuring greater efficiency and sustainability in farming operations.

Abstract in English

Asigurarea fiabilității și eficienței utilajelor agricole este esențială pentru agricultura modernă. Strategiile tradiționale de mentenanță, inclusiv abordările corective și preventive, conduc adesea la perioade neprevăzute de indisponibilitate sau la costuri excesive de întreținere. Acest studiu investighează posibilitatea aplicării unui sistem de mentenanță predictivă pentru echipamentele agricole bazat pe învățarea automată, analizînd date achiziționate din sistemul hidraulic al tractorului Massey Ferguson 7700 S. Datele au fost colectate în timp real, presiunea din instalația hidraulică fiind selectată ca parametru principal pentru detectarea timpurie a eventualelor defecțiuni. A fost dezvoltat un sistem de mentenanță predictivă bazat pe șapte modele de învățare automată: Isolation Forest, One-Class SVM, KMeans, DBSCAN, Autoencoders, Convolutional Neural Networks (CNNs) și XGBoost. Aceste modele au fost aplicate individual pentru a identifica anomalii ale presiunii, fapt care ar putea scoate în evidență posibile defecțiuni. Pentru a îmbunătăți acuratețea detecției, a fost introdusă o abordare de tip „sfatul înțelepților”, în care o anomalie a fost validată doar dacă cel puțin patru dintre cele șapte modele au confirmat prezența acesteia. Această metodă bazată pe consens a redus numărul de alarme false și a îmbunătățit fiabilitatea identificării defecțiunilor. Rezultatele au demonstrat că integrarea mai multor modele a permis diferențierea eficientă a anomaliilor semnificative de zgomot, evidențiind atât instabilitățile mecanice tranzitorii, cât și degradările progresive. Concluziile evidențiază potențialul mentenanței predictive bazată pe învățarea automată în optimizarea programelor de întreținere, reducerea timpilor neplanificați de oprire și prelungirea duratei de viață a echipamentelor. Metoda propusă pentru mentenanța utilajelor agricole este scalabilă și poate îmbunătăți semnificativ reziliența operațională, eficiența și sustenabilitatea în sectorul agricol.