Aggregation of electric current consumption features to extract maintenance KPIs

• Autorzy: Simon V. , Johansson C. A. , Galar D.

Identyfikatory

DOI

10.1515/mspe-2017-0027

Warianty tytułu

PL

Agregacja cech konsumpcji prądu elektrycznego do wyodrębnienia kluczowych wskaźników efektywności (KPI) utrzymania ruchu

• Języki publikacji: EN

Abstrakty

EN

All electric powered machines offer the possibility of extracting information and calculating Key Performance Indicators (KPIs) from the electric current signal. Depending on the time window, sampling frequency and type of analysis, different indicators from the micro to macro level can be calculated for such aspects as maintenance, production, energy consumption etc. On the micro-level, the indicators are generally used for condition monitoring and diagnostics and are normally based on a short time window and a high sampling frequency. The macro indicators are normally based on a longer time window with a slower sampling frequency and are used as indicators for overall performance, cost or consumption. The indicators can be calculated directly from the current signal but can also be based on a combination of information from the current signal and operational data like rpm, position etc. One or several of those indicators can be used for prediction and prognostics of a machine’s future behavior. This paper uses this technique to calculate indicators for maintenance and energy optimization in electric powered machines and fleets of machines, especially machine tools.

PL

Wszystkie urządzenia elektryczne oferują możliwość wydobywania informacji i obliczania Kluczowych Wskaźników Efektywności (ang. Key Performance Indicators, KPI) z sygnału prądu elektrycznego. W zależności od okna czasowego, częstotliwości próbkowania i rodzaju analizy, różne wskaźniki od mikro do makro poziomu, można obliczyć dla takich aspektów jak utrzymanie ruchu, produkcja, zużycie energii itp. Na poziomie mikro wskaźniki są powszechnie stosowane do monitorowania stanu i diagnostyki oraz zazwyczaj są oparte na krótkim oknie czasowym i mają dużą częstotliwość próbkowania. Wskaźniki makro są zwykle oparte na dłuższym oknie czasowym z wolniejszą częstotliwością próbkowania i są używane jako wskaźniki dla ogólnej wydajności, kosztu lub zużycia. Wskaźniki można obliczyć bezpośrednio z sygnału prądu elektrycznego, ale mogą być one również oparte na połączeniu informacji z sygnału prądu elektrycznego i danych operacyjnych, takich jak obroty na minutę (ang. Revolutions Per Minute, RPM), pozycja itp. Jeden lub kilka z tych wskaźników można wykorzystać do przewidywania i prognozowania przyszłego zachowania maszyny. W niniejszym artykule wykorzystano tę technikę do obliczania wskaźników utrzymania ruchu i optymalizacji energii w maszynach elektrycznych i flotach maszyn, zwłaszcza obrabiarek.

Słowa kluczowe

EN

fingerprint; operational data; condition based maintenance (CBM); condition monitoring (CM); energy optimization; machine tool

PL

odcisk palca; dane operacyjne; utrzymanie na podstawie stanu technicznego (CBM); monitoring stanu (CM); optymalizacja energii; obrabiarki

• Wydawca: STE GROUP
• Czasopismo: Management Systems in Production Engineering
• Rocznik: 2017
• Tom: nr 3 (25)
• Strony: 183--190
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Simon V.

• Luleå University of Technology 971 87 Luleå, SWEDEN

autor

Johansson C. A.

• Luleå University of Technology 971 87 Luleå, SWEDEN

autor

Galar D.

• Luleå University of Technology 971 87 Luleå, SWEDEN

Bibliografia

• [1] C-A. Johansson, D. Galar, R. Villarejo and M. Monnin, ”Green Condition based Maintenance – an integrated system approach for health assessment and energy optimization of manufacturing machines”, in The 10th Int. Conf. on Condition Monitoring and Machinery Failure Prevention Technologies, Kraków, Poland, 2013, pp. 1069-1084.
• [2] J.L. Stein and C-H. Wang, “Analysis of Power Monitoring on AC Induction Drive Systems”, Journal of Dynamic Systems, Measurement, and Control, vol. 112, no. 2, p p. 239-248, 1990.
• [3] F. Zhao, X. Mei, T. Tao, G. Jiang and Y. Zhou, “Fault diagnosis of a machine tool rotary axis based on a motor current test and the ensemble empirical mode decomposition method”, Journal of Mechanical Engineering Science, vol. 225, no. 5, pp. 1121-1129, 2011.
• [4] K. Chinmaya and A.R. Mohanty, “Vibration and current transient monitoring for gearbox fault detection using multiresolution Fourier transform”, Journal of Sound and Vibration, vol. 311, no. 1-2, pp. 109-132, 2008.
• [5] M. AbuAli, J. Lee and W. Zhao, Methods and Systems for Energy Prognosis, United States Patent Application Publication, no. US8527223 B2, 2013.
• [6] E.L. Bonaldi, L.E.L. Oliveira, J.G. Borges da Silva, G. Lambert- Torres and L.E. Borges da Silva, “Detecting Load Failures using the Induction Motor as a Transducer”, in 10th Int. Conf. on Control, Automation, Robotics and Vision, Hanoi, Vietnam, 2008, pp. 196-199.
• [7] H.B. Attia, “Détection et localisation de défauts mécaniques d‘un entraînement électrique à vitesse variable”, Ph.D. dissertation, Institute National Polytechnique de Toulouse, Toulouse, France, 2003.
• [8] S. Curran, T.E. Walters and A.J. Chirico, “Health monitoring and prognostics for electro mechanical actuation”, in Proc. of the Int. Conf. on Recent Advances in Aerospace Actuation Systems and Components, Toulouse, France, 2010, pp. 47-55.
• [9] C.S. Byington, M. Watson and D. Edwards, “Datadriven neural network methodology to remaining life predictions for aircraft actuator components”, in Proc. IEEE Aerospace Conf., Big Sky, MT, USA, 2004, pp. 3581-3589.
• [10] E. Balaban, P. Bansal, P. Stoelting, A. Saxena, K.F. Goebel and S. Curran, “A diagnostic approach for electromechanical actuators in aerospace systems”, in Proc. IEEE Aerospace Conference, Big Sky, MT, USA, 2009, pp. 1-13.
• [11] M. Messaoudi and L. Sbita, “Multiple Faults Diagnosis in Induction Motor Using the MCSA Method”, International Journal of Signal and Image Processing, vol. 1, no. 3, pp. 190-195, 2010.
• [12] E.L. Bonaldi, L.E.L. Oliveira, J.G. Borges da Silva, G. Lambert-Torres and L.E. Borges da Silva, ”Detecting Load Failures using the Induction Motor as a Transducer”, in 10th Int. Conf. on Control, Automation, Robotics and Vision, Hanoi, Vietnam, 2008, pp. 196-199.
• [13] UNE-EN 15341:2008.
• [14] I. Bravo-Imaz, A. Garcia-Arribas, S. Ferreiro, S. Fernandez and A. Arnaiz, “Motor current signature analysis for gearbox health monitoring: Experiment, signal analysis and classification”, in 2nd European Conf. of the Prognostics and Health Management Society, Nantes, France, 2014, pp. 1-5.
• [15] A. Alzaga, E. Konde, I. Bravo, R. Arana, A. Prado, C. Yurre, M. Monnin and G. Medina-Oliva, “New technologies to optimize reliability, operation and maintenance in the use of Machine-Tools”, in Euro-Maintenance Conference, Helsinki, Finland, 2014.
• [16] D. Galar, U. Kumar, J. Lee and W. Zhao, “Remaining Useful Life Estimation using Time Trajectory Tracking and Support Vector Machines”, in 25th International Congress on Condition Monitoring and Diagnostic Engineering, Huddersfield, United Kingdom, 2012, pp. 1-10.
• [17] J.J. de Santiago-Pérez, R.A. Osornio-Rios, R.J. RomeroTroncoso, G. Herrera-Ruiz and M. Delgado-Rosas, “DSP algorithm for the extraction of dynamics parameters in CNC machine tool servomechanisms from an optical incremental encoder”, International Journal of Machine Tools and Manufacture, vol. 48, no. 12-13, pp. 1318- 1334, 2008.
• [18] B. Huang, H. Gao, X. Mingheng, X. Wu, M. Zhao and L. Guo, “Life Prediction of CNC Linear Rolling Guide Based on DFNN Performance Degradation Model”, in 7th International Conference on Fuzzy Systems and Knowledge Discovery, Yantai, China, 2010, pp. 1310-1314.
• [19] Gloor Engineering. (2014, July 31). Druckluftanlagen [Online]. Available: http://www.energie.ch/themen/ industrie/infel/druckluft.htm
• [20] B.V. Dasarathy, “Information Fusion. What, Where, Why, When, and How? Information Fusion”, Information Fusion, vol. 2, no. 2, pp. 75-76, 2001.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017)