Малогабаритный кормораздатчик с оптимальными параметрами для небольших ферм

Актуальность. Развитие крупного сельхозпроизводства ориентируется на использование мощной крупногабаритной техники. За последние десятилетия в России было создано немало мелких рентабельных хозяйств – ферм и личных подсобных хозяйств, где собственником выступает непосредственный производитель продукции, использующий малогабаритную и узкогабаритную технику, например компактные миксеры-смесители и миксеры-кормораздатчики – МК-3Г(5Г) mini. «Умная» мини-техника нового поколения для небольших ферм по откорму крупного рогатого скота поддерживает принятые на производстве технологии разведения животных, а также обладает такими полезными свойствами, как точность, маневренность, компактность, успешно заменяет различные предметы труда ручного и полуавтоматического действия.

Методы. Исследование проводилось в хозяйствах, откормочное поголовье которых кратно 50 головам скота: 100, 150, 200, 250. В соответствии с рационами интенсивного откорма молодняка 12–14-месячного возраста для мясных целей, суточный рацион содержал 25–30 кг корма, в составе которого сено высокого качества, силос, сенаж, сухое зерно, корне-клубнеплоды. Корма подавались животным, которых содержали на пастбищах под навесами, 6–8 раз в сутки, то есть через каждые 2–2,5 часа в течение световых суток, с перерывом в ночное время для отдыха и сна.

Результаты. Небольшой кормораздатчик Nifty Livestock Feed Dispenser E3592, выполненный в различных формах бункера: трейлера-прицепа, полуприцепа-кузова или опционного трейлера-стационара, позволяет одному человеку обеспечить раздачу корма на 250 и более голов скота за счет объема емкости круглого бункера на 1480 кг, что при некотором увеличении объема бункера вполне соответствует объему суточной и разовой порции различных видов кормов для фермерского стада на откорме в Российской Федерации, а при увеличении объема бункера на 15,5% – и кормовых смесей в полном объеме.

1. Лапшина С. Н., Берг Д. Б., Баженов И. А., Денисов А. Д., Шапошников В. А., Яковлева Т. И. Имитационные модели в экономике для изучения сценариев развития экономических систем // Экономика и управление в машиностроении, 2016.– № 1. – С. 41.

2. Багрий Б. А. Разведение и селекция мясного скота / Б. А. Багрий. - М: Агропромиздат, 2016. - 256 с.

3. Бурый A. C., Морин Е. В. Когнитивная модель оценки качества информационных технологий / A. C. Бурый, Е. В. Морин // Информационно-экономические аспекты стандартизации и технического регулирования, 2018. – № 1(41).

4. Костомахин Н. М. Разведение с основами частной зоотехнии» /Н.М. Костомахин Спб. «Лань» 2016. - 345 с.

5. Гинсберг К. С. К основам методологии структурной идентификации для цели проектирования технических систем / Тр. XIII Всерос. сов. по проблемам управления, ИПУ, М., 2019. – С. 11-13.

6. Костров Б. В. Разработка алгоритмической структуры организации поиска в малых локальных базах данных / Б. В. Костров, Р. В. Хруничев // Известия Тульского государственного университета. Сер. Технические науки, 2017. – № 9. – Ч. 1. – С. 104-110.

7. Яшин А. Механизация и автоматизация животноводства / А. Яшин. – М.: Бибком, 2017. – Часть 1. – 780 c.

8. Сидорова В. Ю. Цифровая модель экологического содержания мясного скота // Материалы 6 мн. конф. «Математическое моделирование в экологии» ЭкоМатМод, Пущино, 2019. – С. 187-189.

9. Хруничев Р. В. Формирование индексных последовательностей при поиске в локальных базах данных с низким уровнем организации хранения документов / Р. В. Хруничев // Информационные ресурсы России. – 2017. – С. 34-38.

10. Морин Е. В. Оценка состояния программных продуктов как задача распознавания образов /Е. В. Морин // Информационно-экономические аспекты стандартизации и технического регулирования, 2018. – № 1(41).

11. Морин Е. В., Бурый A. C. Оценка качества на этапе сертификации программных средств / Е. В. Морин, A. C. Бурый // Информационно-экономические аспекты стандартизации и технического регулирования, 2019. – № 3(37).

12. Фуртат И. Б. Алгоритмы скользящей аппроксимации // Мехатроника, автоматизация, управление. 2017. – Т. 18. – № 3. – С. 147-158.

13. Шкляр А. В. Оценка практической применимости средств визуального исследования // Вестник Брянского государственного технического университета, 2019. – № 1 (74). – С. 69–76.

14. Шкляр А. В. Результативность визуального анализа в задачах принятия решений // Информационные и математические технологии в науке и управлении, 2018.– № 3 (11). – С. 147–155.

15. Яншин С. Н. Разработка и принятие решений в управлении инновациями // С. Н. Яншин, И. Л. Туккель, Е. В. Кошелев, Ю. С. Коробова, Ю. В. Захарова. – Нижний Новгород: Изд-воННГУ им. Н.И. Лобачевского, 2017. – 372 с.

16. Asta S. Combining monte-carlo and hyper-heuristic methods for the multi-mode resource-constrained multi-project scheduling problem / S. Asta, D. Karapetuan, A. Kheiri. E. Özsan, A.J.Parkers // Information Sciences, 2016. – Vol. 373. – Pp. 476-498.

17. Lee C. E., Zhang X., Shao X. testing conditional mean independence for functional date / C. E. Lee, X. Zhang, X. Shao // Biometrika, 2020. – V. 107. – № 2. – P. 331-346.

18. Maule M., et al. “Delivering Fairness and QoS Guarantees for LTE/WiFi Coexistence Under LAA Operation”, IEEE Access, 2018. – 6. – Pp. 7359–7373.

19. Pilar L., Balcarova T., Rojik S., Ticha I., Polakova J. Customer experience with farmers’ markets: what hashtags can reveal // L. Pilar, T. Balcarova, S. Rojik, I. Ticha, J. Polakova // International food and agribusiness management review, 2018. – V. 21. – № 6. – P. 755-770.

20. Wolza A., Mollers J., Micu M. M. Options for agricultural service cooperatives in a postsocialist economy: evidence from Romania / A. Wolza, J. Mollers, M. M. Micu // Outlook on agriculture, 2020. – V. 49.– № 1.– P. 57-65.