Context-driven Maintenance: an eMaintenance approach

• Autorzy: Galar D.

Identyfikatory

DOI

DOI 10.12914/MSPE-05-03-2014

Warianty tytułu

PL

Kontekstowe utrzymanie ruchu: podejście eMaintenance

• Języki publikacji: EN

Abstrakty

EN

All assets necessarily suffer wear and tear during operation. Prognostics can assess the current health of a system and predict its remaining life based on features capturing the gradual degradation of its operational capabilities. Prognostics are critical to improve safety, plan successful work, schedule maintenance, and reduce maintenance costs and down time. Prognosis is a relatively new area but has become an important part of Condition-based Maintenance (CBM) of systems. As there are many prognostic techniques, usage must be attuned to particular applications. Broadly stated, prognostic methods are either data-driven, rule based, or model-based. Each approach has advantages and disadvantages; consequently, they are often combined in hybrid applications. A hybrid model can combine some or all model types; thus, more complete information can be gathered, leading to more accurate recognition of the fault state. This approach is especially relevant in systems where the maintainer and operator know some of the failure mechanisms, but the sheer complexity of the assets precludes the development of a complete model-based approach. The paper addresses the process of data aggregation into a contextual awareness hybrid model to get RUL values within logical confidence intervals so that the life cycle of assets can be managed and optimised.

PL

Wszystkie środki techniczne w trakcie użytkowanie podlegają procesom zużycia i starzenia. Metody i narzędzia prognostyczne pozwala na ocenę bieżącego stanu systemu i przewiduje pozostały czas życia, w oparciu o identyfikację stopniowego pogarszania jego możliwości operacyjnych. Prognozowanie jest niezbędne do poprawy bezpieczeństwa, skutecznego planowania i harmonogramowania prac obsługowo-naprawczych oraz obniżenia kosztów konserwacji i przestojów. Prognozowanie jest stosunkowo nowym obszarem, ale stało się ważnym elementem strategii eksploatacji według stanu technicznego (ang. Condition Based Maintenance). Ponieważ istnieje wiele technik prognozowania, ich wykorzystanie musi być dopasowane do poszczególnych zastosowań. Ogólnie mówiąc, metody prognostyczne oparte są albo na analizie danych, albo na regułach albo na modelach. Każde podejście posiada swoje wady i zalety; z tego też względu są one często łączone w ramach zastosowań hybrydowych. Model hybrydowy może łączyć kilka lub wszystkie typy modeli; w ten sposób, można pozyskać pełniejszą informację, prowadząc do bardziej dokładnego rozpoznania zdarzenia. To podejście jest szczególnie istotne w systemach, w których operator i serwisant posiadają wiedzę na temat mechanizmów powstawania wybranych uszkodzeń, ale sama złożoność obiektów technicznych wyklucza opracowanie podejścia zorientowanego modelowo. Artykuł lokuje proces agregacji danych w obszar kontekstowej świadomości modeli hybrydowych, w celu uzyskania wartości przydatności resztkowej RUL (ang. RUL-Remaining Useful Life) w obrębie logicznych przedziałów ufności, tak aby cykl życia obiektów mógł być zarządzany i optymalizowany.

Słowa kluczowe

EN

context; time series; hybrid models; symbolic; data driven; prognosis; CMMS; fusion

PL

kontekst; szeregi czasowe; modele hybrydowe; symboliczny; dane; predykcja; CMMS; fuzja

• Wydawca: STE GROUP
• Czasopismo: Management Systems in Production Engineering
• Rocznik: 2014
• Tom: nr 3 (15)
• Strony: 112--120
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Galar D.

• Luleå University of Technology Division of Operation and Maintenance Engineering Universitetsområdet, Porsön, 971 87 Luleå, SWEDEN

Bibliografia

• [1] C Stenström, A. Parida, D. Galar, and U. Kumar. “Link and Effect Model for Performance Improvement of Railway Infrastructure” in Proc. of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, vol. 227, 2013, pp. 392‐402.
• [2] L. F. Mendonça, J. M. G. Sá da Costa, & J. M. Sousa. “Fault detection and diagnosis using fuzzy models” in Proc. of European control conference, ECC, 2003, pp. 1‐6.
• [3] A. Kordon. Applying computational intelligence: how to create value. Springer, 2009.
• [4] M. Schwabacher. “A survey of data‐driven prognostics” in Proceedings of the AIAA Infotech@ Aerospace Conference, 2005.
• [5] M. Palo, D. Galar, T. Nordmark, M. Asplund, & D. Larsson. “Condition monitoring at the wheel/rail interface for decision‐making support” in Proc. of the Institution of Mechanical Engineers”. Part F: Journal of Rail and Rapid Transit, 2014.
• [6] D. Galar, M. Palo, A. Van Horenbeek, L. Pintelon. “Integration of disparate data sources to perform maintenance prognosis and optimal decision making”. non‐Destructive Testing and Condition Monitoring, no. 54 (8), 440‐445, 2012.
• [7] R. Hummitzsch. Zur Prognostizierbarkeit des Qualitätsverhaltens von Gleisen Statistische Analyse des Gleisverhaltens zur Erstellung eines Prognosemodells. Graz: Technische Universität Graz, 2009.
• [8] P. Pace and L. Kontokostas. "Railway infrastructure asset and condition data collection, data usage and deterioration modelling for, maintenance performance measurement" in Proc. 10th World Congress on Railway research (WCRR 2013), 2013, pp. 1‐6.
• [9] D. Galar, U. Kumar, R. Villarejo, & C. A. Johansson. ”Hybrid Prognosis for Railway Health Assessment: An Information Fusion Approach for PHM Deployment”. Chemical Engineering, vol. 33, 2013.
• [10] R. G. Pajares, J. M. Benítez, & G. S. Palmero. “Feature selection for time series forecasting: a case study”, in Proc. Eighth International ConferenceHybrid Intelligent Systems, 2008, pp. 555‐560.
• [11] A. Muller, A. Crespo Marquez, B. Iung. ”On the concept of e‐maintenance: Review and current research”. Reliability Engineering & System Safety, vol. 93(8), pp. 1165‐1187, 2008.
• [12] D. Galar, A. Gustafson, B. Tormos, L. Berges. ”Maintenance Decision Making based on different types of data fusion”. Eksploatacja i Niezawodność – Maintenance and Reliability, vol. 14, no. 2, 2012.
• [13] A. W. Labib. "A decision analysis model for maintenance policy selection using a CMMS". Journal of Quality in Maintenance Engineering, vol. 10, iss. 3, pp.191‐202, 2004.
• [14] T. J. Wilmering, A. V. Ramesh. Mar. “Assessing the Impact of Health Management Approaches on System Total Cost of Ownership” in Proc. IEEE Aerospace Conference, Big Sky, Montana, 2005.
• [15] D. Galar, K. Wandt, R. Karim, L. Berges. ”The evolution from e(lectronic)Maintenance to i(ntelligent) Maintenance”. Non‐Destructive Testing and Condition Monitoring, vol. 54, no 8, pp. 446‐455, Aug. 2012.