Model adaptacyjnego algorytmu wspomagania decyzji w systemie utrzymania ruchu

• Autorzy: Kosicka E. , Mazurkiewicz D. , Gola A.

Warianty tytułu

EN

A model of adaptive algorithm for maintenance decision support system

• Języki publikacji: PL

Abstrakty

EN

Currently used predictive maintenance systems predict future events by monitoring residual processes using the enforced predictive model. Despite the benefits resulting from their implementation in companies (e.g. savings resulting from preventing failure), it is necessary to draw attention to the fact that such models lack flexibility in adapting to the dynamically changing values of observation vectors due to real-time readout which can provide more accurate predictions. The paper proposes a model of adaptive algorithm for maintenance decision support system which - depending on the changing parameters of residual processes - selects an adequate mathematical model based on predictive and in-formative criteria. Moreover, to produce more accurate predictions this model uses additional input data for prediction including values of residual processes as well as technical or quality-related aspects due to the extended range of observed factors that affect failure occurrence. The proposed model additionally contains a maintenance decision-related part which - based on the information about actions taken by maintenance services - generates a constrained optimal time interval for performing the necessary maintenance work.

Słowa kluczowe

PL

predykcyjne utrzymanie ruchu; modele predykcyjne; awaria sprzętu; diagnozowanie usterek

EN

predictive maintenance; predictive models; equipment failure; fault diagnosis

• Wydawca: Polskie Towarzystwo Zarządzania Produkcją
• Czasopismo: Zarządzanie Przedsiębiorstwem
• Rocznik: 2016
• Tom: Vol. 19, nr 4
• Strony: 29--35
• Opis fizyczny: Bibliogr. 21 poz., il.

Twórcy

autor

Kosicka E.

• Politechnika Lubelska, Wydział Mechaniczny, Katedra Podstaw Inżynierii Produkcji

autor

Mazurkiewicz D.

• Politechnika Lubelska, Wydział Mechaniczny, Katedra Podstaw Inżynierii Produkcji

autor

Gola A.

• Politechnika Lubelska, Wydział Zarządzania, Katedra Organizacji Produkcji

Bibliografia

• [1] Cempel Cz., Diagnostyka wibroakustyczna maszyn. PWN, Warszawa 1989.
• [2] Chuang F., Luqing Y., Liu Y., Ren Y, Benoît L, Yuanchu Ch., Predictive maintenance in intelligent-control-maintenance-management system for hydroelectric generating unit. „IEEE Transactions on Energy Conversion” 19(l)/2004, pp. 179-186.
• [3] Fidali M., Ultradźwięki w diagnostyce i eksploatacji łożysk tocznych. „Utrzymanie Ruchu” 1/2015, s. 56-61.
• [4] Garciaa M. C, Sanz-Bobia M.A, Del Picob J., Simap: Intelligent System for Predictive Maintenance: Application to the health condition monitoring of a wind-turbine gearbox. „Computers in Industry” 57 (6)/2006, pp. 552-568.
• [5] Hetmańczyk M., Predykcyjne utrzymanie ruchu. „Inżynieria & Utrzymanie Ruchu” 1/2015, s. 60-64.
• [6] Kaźmierczak J., Zastosowanie liniowych modeli procesów losowych do prognozowania w diagnostyce maszyn. Rozprawa habilitacyjna. Politechnika Śląska, Gliwice 1989.
• [7] Legutko S., Eksploatacja maszyn. Wydawnictwo Politechniki Poznańskiej, Poznań 2007.
• [8] Legutko S., Podstawy eksploatacji maszyn i urządzeń. Podręcznik. WSiP, Warszawa 2008.
• [9] Lipski J., Diagnostyka procesów wytwarzania. Politechnika Lubelska, Lublin 2013.
• [10] Lucifredi A., Mazzieri C, Rossi M., Application of multiregressive linear models, dynamic kriging models and neural network models to predictive maintenance of hydroelectric power systems. „Mechanical Systems and Signal Processing” 14(3)/2000, pp. 471-494.
• [11] Mazurkiewicz D., Studium wybranych aspektów diagnostyki eksploatacyjnej transportu taśmowego. Politechnika Lubelska, Lublin 2011.
• [12] Rogalska M., Prognozowanie czasu trwania awarii koparek kołowych z zastosowaniem metod sieci neuronowych, regresji wielorakiej i ARIMA. Cz. 1. Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach 97/2012, s. 433-448.
• [13] Sobieski W, Stanowisko laboratoryjne do badania zjawiska kawitacji metodą wibroakustyczna. „Diagnostyka” 32/2004, s. 37-42.
• [14] Szafrański B., Filtracja olejów sposobem na bezawaryjną pracę maszyn. „Inżynieria & Utrzymanie Ruchu” 2/2015, s. 48-52.
• [15] Sze-Jung Wu, Gebraeel N., Lawley M.A., Yih Y, A Neural Network Integrated Decision Support System for Condition-Based Optimal Predictive Maintenance Policy. „IEEE Transactions on Systems, Man, and Cybernetics, Part A: Systems and Humans” 37/2007, pp. 226-236.
• [16] Tabaszewski M., Wielosymptomowa prognoza stanu i czasu do awarii z wykorzystaniem sieci neuronowych. „Diagnostyka” 42/2007, s. 43-48.
• [17] Tabaszewski M., Cempel C, Zastosowanie teorii szarych systemów do modelowania i prognozowania w diagnostyce maszyn. „Diagnostyka” 42/2007, s. 11-18.
• [18] Walczak M., System utrzymania ruchu czynnikiem przewagi konkurencyjnej przedsiębiorstwa, [w:] Historia i perspektywy nauk o zarządzaniu, red. B. Mikuła. Fundacja Uniwersytetu Ekonomicznego w Krakowie, Kraków 2012.
• [19] Weiss G.M., Timeweaver: a Genetic Algorithm for Identifying Predictive Patterns in Sequences of Events. „Proceedings of the Genetic and Evolutionary Computation Conference” 1999, pp. 718-725.
• [20] Zabicki D., Zastosowanie kamer termowizyjnych. „Monitorowanie i Diagnostyka” 2/2014, s. 16-19.
• [21] Żółtowski B., Niziński S., Modelowanie procesów eksploatacji maszyn. Bydgoszcz - Sulejówek 2002.

Uwagi

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