The determination procedure of the onset of the object wear-out period based on monitoring of the empirical failure intensity function

• Autorzy: Gill A. , Kadziński A.

Warianty tytułu

PL

Procedura wyznaczania początku starzenia się obiektów na podstawie monitorowania empirycznej funkcji intensywności uszkodzeń

• Języki publikacji: EN PL

Abstrakty

EN

The estimation of the number of failures of technical objects is of key importance throughout the object life cycle, particularly in the wear-out period when the number of failures begins to grow significantly. In the literature related to this problem, examples exist of solutions (mathematical models) that can assist the estimation of the number of failures. For the description of the life cycles of objects, functions are usually used of known forms of probability distribution of the number of object failures. The procedure presented in this paper assumes the use of statistical data related to the failures of uniform population of nonrenewable technical objects, recorded in the form of empirical function of failure intensity. It specifically serves the purpose of determining the characteristic point of life of these objects i.e. the onset of the wear-out period. Within the procedure, a model of fuzzy inference has been applied that reflects the human reasoning (expert of the system) observing/investigating the objects. The results of the developed procedure may constitute a basis for forecasting of failures of mechanical nonrenewable technical objects.

PL

Oszacowanie liczby uszkodzeń obiektów technicznych ma kluczowe znaczenie we wszystkich okresach cyklu życia obiektów, szczególnie w okresie uszkodzeń starzeniowych, kiedy to liczba uszkodzeń zaczyna znacząco rosnąć. W bibliografii tego zagadnienia przytoczone są przykłady rozwiązań (modeli matematycznych), którymi można wspomagać m.in. szacowanie liczby uszkodzeń. Do opisu cyklu życia obiektów technicznych wykorzystuje się zwykle funkcje o znanych postaciach rozkładów prawdopodobieństwa liczb uszkodzeń tych obiektów. Przedstawiona w niniejszym artykule procedura, zakłada korzystanie ze statystycznych danych o uszkodzeniach jednorodnej zbiorowości nieodnawianych obiektów technicznych, zapisanych w postaci empirycznej funkcji intensywności uszkodzeń. Służy ona w szczególności do wyznaczenia charakterystycznego punktu życia tych obiektów tj. chwili rozpoczynania się okresu uszkodzeń starzeniowych. W ramach procedury zastosowano model wnioskowania rozmytego, który odwzorowuje rozumowanie człowieka (eksperta systemu) obserwującego/badającego obiekty. Wyniki opracowanej procedury mogą stać się podstawą prognozowania uszkodzeń nieodnawianych obiektów technicznych typu mechanicznego.

Słowa kluczowe

EN

failure intensity function; aging; nonrenewable objects; failure forecasting

PL

funkcja intensywności uszkodzeń; starzenie; obiekty nieodnawiane; prognozowanie liczby uszkodzeń

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2015
• Tom: Vol. 17, no. 2
• Strony: 282--287
• Opis fizyczny: Bibliogr. 20 poz., rys.

Twórcy

autor

Gill A.

• Institute of Combustion Engines and Transport Poznan University of Technology Piotrowo 3, 60-965 Poznan, Poland

autor

Kadziński A.

• Institute of Combustion Engines and Transport Poznan University of Technology Piotrowo 3, 60-965 Poznan, Poland

Bibliografia

• 1. Bebbington M, Lai Chin-Diew, Zitikis R. Estimating the turning point of a bathtub-shaped failure distribution. Journal of Statistical Planning and Inference 2008; 138(4): 1157–1166, http://dx.doi.org/10.1016/j.jspi.2007.04.031.
• 2. Clarotti C, Lannoy A, Odin S, Procaccia H. Detection of equipment aging and determination of the efficiency of a corrective measure. Reliability Engineering and System Safety 2004; 84(1): 57–64, http://dx.doi.org/10.1016/j.ress.2004.01.005.
• 3. Dijoux Y. A virtual age model based on a bathtub shaped initial intensity. Reliability Engineering and System Safety 2009; 94(5): 982–989, http://dx.doi.org/10.1016/j.ress.2008.11.004.
• 4. Domma F, Condino F. A new class of distribution functions for lifetime data. Reliability Engineering and System Safety 2014; 129: 36–45, http://dx.doi.org/10.1016/j.ress.2014.04.026.
• 5. Golovatyj A T, Borcov P I. Èlektropodvižnoj sostav. Èkspluatacija, nadežnost' i remont. Moskva: Izdatel'stvo Transport, 1983.
• 6. Hemmati F, Khorram E, Rezakhah S. A new three-parameter ageing distribution. Journal of Statistical Planning and Inference 2011; 141(7):2266–2275, http://dx.doi.org/10.1016/j.jspi.2011.01.007.
• 7. Huang H Z. Structural reliability analysis using fuzzy sets theory. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2012; 14 (4): 284–294.
• 8. Jager R, Filev D. Podstawy modelowania i sterowania rozmytego. Warszawa: Wydawnictwa Naukowo-Techniczne, 1995.
• 9. Jiang R. A new bathtub curve model with a finite support. Reliability Engineering and System Safety 2013; 119: 44–51, http://dx.doi.org/10.1016/j.ress.2013.05.019.
• 10. Kadziński A. Modele prognozowania uszkodzeń nieodnawialnych obiektów typu mechanicznego w okresie uszkodzeń starzeniowych. Zeszyty Naukowe Wyższej Szkoły Morskiej w Szczecinie 2002; 66: 195–205.
• 11. Kadziński A. O komputerowym modelu do prognozowania uszkodzeń nieodnawianych obiektów typu mechanicznego na przykładzie obiektów pojazdów szynowych. Materiały XV Konferencji Pojazdy Szynowe 2002; 1: 313–320.
• 12. Kadziński A. Studium wybranych aspektów niezawodności systemów oraz obiektów pojazdów szynowych. Poznań: Wydawnictwo Politechniki Poznańskiej, 2013.
• 13. Li Y F, Huang H Z, Liu Y, Xiao N, Li H. A new fault tree analysis method: fuzzy dynamic fault tree analysis. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2012; 14 (3): 208-214.
• 14. Osowski S. Sieci neuronowe do przetwarzania informacji. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2000.
• 15. Piegat A. Modelowanie i sterowanie rozmyte. Warszawa: Akademicka Oficyna Wydawnicza EXIT, 2003.
• 16. Rutkowska D, Piliński M, Rutkowski L. Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. Warszawa–Łódź: PWN, 1997.
• 17. Sikorska J Z, Hodkiewicz M, Ma L. Prognostic modeling options for remaining useful life estimation by industry. Mechanical Systems and Signal Processing 2011; 25: 1803–1836, http://dx.doi.org/10.1016/j.ymssp.2010.11.018.
• 18. Sun R, Peng WW, Huang HZ, Ling D, Yang J. Improved reliability data curve fitting method by considering samples distinction. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2012; 14 (1): 62–71.
• 19. Wong K S, Hsu F S, Liu P P. Modeling the bathtub shape hazard rate function in terms of reliability. Reliability Engineering and System Safety 2002; 75(3): 397–406, http://dx.doi.org/10.1016/S0951-8320(01)00124-7.
• 20. Wu W, Huang HZ, Wang ZL, Li YF, Pang Y. Reliability analysis of mechanical vibration component using fuzzy sets theory. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2012; 14 (2): 130–134.