Prognozowanie resztkowej miary eksploatacji młyna wentylatorowego z wykorzystaniem sieci neuronowych

• Autorzy: Tabaszewski M.

Warianty tytułu

EN

Forecasting of residual time of milling fans by means of neural networks

• Języki publikacji: PL

Abstrakty

PL

Praca zawiera opis metodologii prognozowania czasu resztkowego (czasu do awarii) dla młyna wentylatorowego MWk-16. Ze względu na krótki czas pracy młyna wentylatorowego pomiędzy naprawami (krótkie krzywe życia) oraz duży rozrzut długości tych krzywych, prognoza przewidywanego czasu do awarii w oparciu o zebrane dane stanowi bardzo istotną przesłankę do podejmowania decyzji eksploatacyjnych. W celu rozwiązania przedstawionego problemu w pracy rozpatrzono dwie koncepcje struktur sieci neuronowych.

EN

The paper concerns methodology of forecasting of residual time (time to breakdown) of milling fan MWk-16. As the time between breakdowns of the fan is very short (short live curves) and variable, forecasting of life time based on collected data gives very important information which can be used in making decisions concerning machine operation. In order to solve the problem two structures of neural networks were considered.

Słowa kluczowe

PL

prognozowanie; czas resztkowy; sieć neuronowa

EN

forecasting; residual time; neural network

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2006
• Tom: nr 3(39)
• Strony: 149--154
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Tabaszewski M.

• Politechnika Poznańska, Instytut Mechaniki Stosowanej, ul. Piotrowo 3, 60-965 Poznań,

Bibliografia

• 1. Paczkowski Z.: Diagnostyczne badania identyfikacyjne młyna wentylatorowego MWk-16, Praca Magisterska Politechnika Poznańska, WBMiZ - Poznań 1999.
• 2. Kilarski J., Jura. S., Studnicki A., Suchoń J., Możliwość zwiększenia trwałości elementów mielących w młynach MWK, Zeszyty naukowe Politechniki Opolskiej, Politechnika Opolska, Opole 1998.
• 3. Cempel C., Natke H. G, Yao J. P. T.: Symptom - Based Reliability for Critical Operating Systems, Intern, Workshop on Damage Assessment, Pescara - Italy, May 1995.
• 4. Tabaszewski M. i inni: Metodologia prognozowania dla potrzeb automatycznych systemów diagnostycznych w przemyśle, sprawozdanie z projektu badawczego 5T07 B03924, Politechnika Poznańska, Instytut Mechaniki Stosowanej, 2006
• 5. Korbicz J. i inni: Diagnostyka procesów, Modele sztucznej inteligencji, Zastosowania, WNT, Warszawa 2002, rozdz. 9.
• 6. Zółtowski B.: Podstawy diagnostyki maszyn, Wydawnictwo Uczelniane ATR, Bydgoszcz 1996, rozdz. 10.3
• 7. Cempel C.: Podstawy wibroakustycznej diagnostyki maszyn, WNT, Warszawa, 1982, 50-56, rozdz. 4.5.
• 8. Tabaszewski M.: Metody doboru modeli prognostycznych w automatycznych systemach diagnostycznych, Diagnostyka, PTDT Warszawa 2004, vol. 30/2 125-128.