PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Predyktywne i inteligentne utrzymanie urządzeń w Przemyśle 4.0 — maszyny wzmocnione o dane. Historia zmian w UR na przykładzie krajowego sektora stalowego

Autorzy
Treść / Zawartość
Identyfikatory
Warianty tytułu
EN
Predicative and intelligent maintenance in Industry 4.0 — machines enhanced with data. The history of changes in maintenance in Polish steel industry
Języki publikacji
PL
Abstrakty
PL
Od kilku już lat wzrasta zainteresowanie Przemysłem 4.0 (Industry 4.0 — I 4.0), który rozwija się na poziomie czwartej rewolucji przemysłowej. Zmiany następują we wszystkich obszarach funkcjonowania przedsiębiorstw oraz w ich otoczeniu. Są to bardzo dynamiczne zmiany o wieloaspektowym charakterze, dlatego rewolucyjne. Przekształceniom ulega wiele systemów gospodarczych i społecznych. Zmiany mają miejsce w systemach produkcji (cyberfizyczne rozwiązania), konsumpcji, transporcie i dostawach. Nowe technologie rozbudowane o możliwości cyfrowe znacznie zwiększają wartość produktów. Wykorzystywanie możliwości cyfrowych w połączeniu z rozlicznymi technologiami prowadzi do nowych modeli biznesowych. Zmiany dokonujące się w czwartej rewolucji przemysłowej są również zmianami w obszarze utrzymania ruchu (UR). Maszyny wyposażone w czujniki i monitorowane za pomocą algorytmów tworzą nowe możliwości dla produktywności urządzeń. W Przemyśle 4.0 proces konserwacji urządzeń jest proaktywny i polega (ogólnie ujmując) na tym, że to urządzenia informują użytkowników o ich działaniach oraz o sytuacjach przekraczających dopuszczalne (normalne) ramy ich użytkowania. Urządzenia są nawet w stanie poinstruować ekipę remontową (naprawczą), co ma robić, aby urządzenie uzyskało poprzednią sprawność. W niniejszej publikacji przedstawiono ogólne ramy zmian w zakresie UR w Przemyśle 4.0 wraz z przykładem zmian w krajowym sektorze stalowym. Część teoretyczna pracy powstała na podstawie studium literatury, a część praktyczna jest formą typu case study o charakterze historycznym i ukazuje zmiany w UR w sektorze stalowym w kraju.
EN
For several years, Industry 4.0 (I 4.0) has been developing at the level of the fourth industrial revolution. Changes take place in all areas of business operations and in their environment. These are very dynamic and revolutionary changes. Many economic and social systems are transformed. Changes take place in production systems (cyber physical solutions), in consumption, transport and deliveries. New technologies expanded with digital capabilities significantly increase the value of products. The use of digital capabilities combined with new technologies leads to new business models. The changes taking place in the fourth industrial revolution are also changes in the area of maintenance. Machines equipped with sensors and monitored by algorithms create new possibilities for productivity. In Industry 4.0, the maintenance process is proactive and consists (generally speaking) that the machines inform users about their activities and about situations exceeding the acceptable (normal) use frames. The machines are even able to instruct the repair (repair) team what to do to ensure that the machine achieves its previous efficiency. This publication presents a general framework for changes in maintenance in Industry 4.0 with an example of changes in the domestic (Polish) steel sector. The theoretical part of the work (paper) was based on a study of literature, and the practical part is a case study with historical character because shows changes in maintenance in the steel sector in Poland.
Rocznik
Tom
Strony
10--17
Opis fizyczny
Bibliogr. 30 poz., rys., tab.
Twórcy
  • Politechnika Śląska, Wydział Inżynierii Materiałowej i Metalurgii
Bibliografia
  • Almada-Lobo, F. (2016). The Industry 4.0 revolution and the future of manufacturing execution systems (MES). Journal of Innovation Management, 3(4), 16–21.
  • Chesworth, D. (2018). Industry 4.0 Techniques as a Maintenance Strategy (A Review Paper). https://www.researchgate.net/publication/322369285_Industry_40_Techniques_as_a_Maintenance_Strategy_A_Review_Paper (16.07.2019).
  • Durmus, M. (2019). Smart predictive maintenance: the key to Industry 4.0. https://www.aisoma.de/smart-predictive-maintenance-the-key-to-industry-4-0/ (12.01.2019).
  • Elliot, B. R., Hill, G. (1999). Total Productive Maintenance. Is it time to move on? Logistics Solutions, 1(3), 25–28.
  • Foltys, J. (2007). Wieloaspektowy model outsourcingu na przykładzie sektora hutnictwa żelaza i stali. Katowice: Wydawnictwo Uniwersytetu Śląskiego.
  • Gajdzik, B. (2012). Przedsiębiorstwo hutnicze po restrukturyzacji. Dynamika zmian w krajowym sektorze hutniczym w latach 1992–2010. Gliwice: Wydawnictwo Politechniki Śląskiej.
  • Gajdzik, B. (2014a). Autonomous and professional maintenance in metallurgical enterprises as activities within Total Productive Maintenance. Metalurgija, 53(2), 269–272.
  • Gajdzik, B. (2014b). Dbałość pracowników o pełną produktywność maszyn i urządzeń — TPM w przedsiębiorstwie produkcyjnym. Gospodarka Materiałowa i Logistyka, (1), 27–32.
  • Gajdzik, B. (2014c). Organizacja działań w ramach TPM w przedsiębiorstwach produkcyjnych. Logistyka, (3), 28–30.
  • Gajdzik, B. (2015a), Reorganizacja służb utrzymania ruchu w przedsiębiorstwach hutniczych w Polsce. Hutnik — Wiadomości Hutnicze, 82(2), 176–182.
  • Gajdzik, B. (2015b). Służby utrzymania ruchu w krajowych hutach dawniej i dziś. Logistyka, (1), 62–64.
  • Garg, A., Deshmukh, S. G. (2006). Maintenance management: literature review and directions. Journal of Quality in Maintenance Engineering, 12(3), 205–210.
  • Gubbi, J., Buyya, R., Marusic, S., Palaniswami, M. (2013). Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems, 29(7), 1645–1660.
  • Hermann, M., Pentek, T., Otto, B. (2015). Design principles for industry 4.0 scenarios: A literature review. Dortmund: Technical University of Dortmund.
  • Jasiulewicz-Kaczmarek, M. (2005). Współczesne koncepcje utrzymania ruchu infrastruktury technologicznej przedsiębiorstwa. W: M. Fertsch, S. Trzcieliński (red.). Koncepcje zarządzania systemami wytwórczymi (127–134). Poznań: Instytut Inżynierii Zarządzania Politechniki Poznańskiej.
  • Kruczek, M., Żebrucki, Z. (2012). Doskonalenie procesów utrzymania ruchu w przedsiębiorstwie branży hutniczej. Logistyka, (2), 787–797.
  • Lee, J., Ardakani, H. D., Yang, S., Bagheri, B. (2015). Industrial Big Data Analytics and Cyber-physical Systems for Future Maintenance & Service Innovation. Procedia CIRP, (38), 3–7.
  • Lee, J., Kao, H. -A., Yang, S. (2014). Service innovation and smart analytics for Industry 4.0 and big data environment. Procedia CIRP, (16), 3–8.
  • Legutko, S. (2009). Trendy rozwoju utrzymania ruchu maszyn i urządzeń. Eksploatacja i Niezawodność, (2), 8–16.
  • Nakajima, S. (1988). Introduction to TPM. Portland: Productivity Press.
  • Patel, M. (2018). The Future of Maintenance. White paper. Bengaluru: Infosys. https: //www.infosys.com/industries/aerospace-defense/white-papers/Documents/enabled-predictive-maintenance. pdf (16.07.2019).
  • Piersiala, S., Trzcieliński, S. (2005). Systemy utrzymania ruchu. W: Koncepcje zarządzania systemami wytwórczymi (114–126). Poznań: Instytut Inżynierii Zarządzania Politechniki Poznańskiej.
  • Rüßmann, M., Lorenz, M., Gerbert, P., Waldner, M., Justus, J., Engel, P., Harnisch, M. (2015). Industry 4.0: The future of productivity and growth in manufacturing industries. Boston Consulting. http://www.inovasyon.org/pdf/bcg.perspectives_Industry.4.0_2015.pdf (16.07.2019).
  • Schwab, K. (2018). Czwarta rewolucja przemysłowa. Warszawa: Studio Emka.
  • Susto, G. A., Pampuri, S., Schirru, A., McIoone, S. (2015). Machine learning for predictive maintenance: A multiple classifier approach. IEEE Transactions on Industrial Informatics, 11(3), 812–820.
  • Velmurugan, R. S., Dhingra, T. (2015). Maintenance strategy selection and its impact in maintenance function: A conceptual framework. International Journal of Operations & Production Management, 35(12), 1622–1661.
  • Wang, K. S. (2016). Intelligent Predictive Maintenance (IPdM) system — Industry 4.0 scenario. WIT Transactions on Engineering Sciences, (113), 260–268.
  • Wang, K. S. (2013). Towards zero-defect manufacturing (ZDM) — A data mining approach. Advances in Manufacturing, (1), 62–74.
  • Wang, K. S., Wang, Y. (2012). Towards a next generation of manufacturing: Zero-Defect Manufacturing (ZDM) using data mining approaches. W: J. J. Rodriguez-Andina (red.). Data mining for Zero-Defect Manufacturing, New York: Tapir Academic Press.
  • Werner, G. W. (1998). Praktyczny poradnik konserwacji maszyn i urządzeń. Warszawa: Wydawnictwo Alfa-Weka.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-52b982cb-afb2-430b-808b-2c00be36d367
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.