Uczenie maszynowe w konserwacji predykcyjnej i optymalizacji

• Autorzy: Broda Dariusz , Kałuża Andrzej

Warianty tytułu

EN

Machine learning in predictive maintenance and optimization

• Języki publikacji: PL

Abstrakty

PL

Zauważalny w ostatnich latach postęp technologiczny w obrębie przetwarzania dużych zbiorów danych, a przede wszystkim Uczenie Maszynowe (UM), otwiera nowe perspektywy w cyfryzacji zakładów przemysłowych. Postęp zdecydowanie przyspieszył na skutek gwałtownego rozwoju technik komputerowych oraz ich wszechstronnych zastosowań, które utożsamiane są bezpośrednio z takimi pojęciami, jak Industry 4.0 czy Big Data. Geneza tych pojęć jest bezpośrednio związana z dynamicznym wzrostem ilości danych pozyskiwanych i gromadzonych przez zakłady przemysłowe. Wśród szerokiego zbioru technologii pozwalających na efektywną pracę z danymi wyróżniają się algorytmy uczenia maszynowego, pozwalające na automatyczne grupowanie, klasyfikację, wykrywanie wzorców oraz prognozę w wielowymiarowych zbiorów danych, których analiza przy pomocy klasycznych metod eksploracji zajęłaby tygodnie albo i miesiące. Postępująca cyfryzacja otwiera nowe możliwości przed przedsiębiorstwami, pozwalając na sprawniejsze zarządzanie majątkiem oraz optymalizację procesów przemysłowych oraz biznesowych.

EN

The technological progress in the processing of large data sets, especially Machine Learning, noticeable in recent years, opens up new perspectives in the digitization of industrial plants. Progress has definitely accelerated as a result of the rapid development of computer techniques and their versatile applications, which are identified directly with such terms as Industry 4,0 or Big Data. The genesis of these concepts is directly related to the dynamic increase in the amount of data obtained and collected by industrial plants. Among the wide set of technologies that allow for effective work with data, machine learning algorithms stand out - they enable automatic grouping, classification, pattern detection and forecasting in multidimensional data sets, the analysis of which would take weeks or months using classic methods of mining. Progressive digitization opens up new opportunities for companies, allowing for more efficient asset management and optimization of industrial and business processes.

Słowa kluczowe

PL

uczenie maszynowe; cyfryzacja zakładów przemysłowych; optymalizacja procesów przemysłowych; optymalizacja procesów biznesowych; rola metod UM w diagnostyce; rola metod UM w konserwacji maszyn; rola metod UM w konserwacji urządzeń

EN

machine learning; digitalization of industrial plants; optimization of industrial processes; optimization of business processes; role of machine learning methods in diagnostics; role of machine learning methods in maintenance of machines; role of machine learning methods in maintenance of devices

• Wydawca: Oficyna Wydawnicza Energia [Stowarzyszenie Elektryków Polskich - COSiW]
• Czasopismo: Energetyka
• Rocznik: 2022
• Tom: nr 3
• Strony: 143--146
• Opis fizyczny: Bibliogr. 2 poz., rys.

Twórcy

autor

Broda Dariusz

• Reliability Solutions Sp. z o.o.

autor

Kałuża Andrzej

• Reliability Solutions Sp. z o.o.

Bibliografia

• [1] Żółtowski B., Łukasiewicz M., Podstawy diagnostyki technicznej, Bydgoszcz Radom 2012, http://www.wimpoig.utp.edu.pl/ Opracowania/Diagnostyka%20DM/R.1DDM'.pdf (dostęp online 01.02.2022).
• [2] Blata J., Juraszek J., Metody diagnostyki technicznej teorii i praktyka, Ostrava 2013, http://interdiago.vsb.cz/pl/book/Metodydiagnostyki.pdf (dostęp online 01.02.2022).

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).