Podejmowanie decyzji eksploatacyjnych w oparciu o fuzję różnego typu danych

• Autorzy: Galar D. , Gustafson A. , Tormos B. , Berges L.

Warianty tytułu

EN

Maintenance Decision Making based on different types of data fusion

• Języki publikacji: EN

Abstrakty

EN

Over the last decade, system integration is applied more as it allows organizations to streamline business processes. A recent development in the asset engineering management is to leverage the investment already made in process control systems. This allows the operations, maintenance, and process control teams to monitor and determine new alarm level based on the physical condition data of the critical machines. Condition-based maintenance (CBM) is a maintenance philosophy based on this massive data collection, wherein equipment repair or replacement decisions depend on the current and projected future health of the equipment. Since, past research has been dominated by condition monitoring techniques for specific applications; the maintenance community lacks a generic CBM implementation method based on data mining of such vast amount of collected data. The methodology would be relevant across different domains. It is necessary to integrate Condition Monitoring (CM) data with management data from CMMS (Computer Maintenance Management Systems) which contains information, such as: component failures, failure information related data, servicing or repairs, and inventory control and so on. These systems are the core of traditional scheduled maintenance practices and rely on bulk observations from historical data to make modifications to regulated maintenance actions. The most obvious obstacle in the integration of CMMS, process and CM data is the disparate nature of the data types involved, and there have benn several attempts to remedy this problem. Although, there have been many recent efforts to collect and maintain large repositories of these types of data, there have been relatively few studies to identify the ways these to datasets could be related. This paper attempts to fulfill that need by proposing a combined data mining-based methodology for CBM considering CM data and Historical Maintenance Management data. It shows a system integration of physical and management data that also supports business intelligence and data mining where data sets can be combined in non-traditional ways.

PL

W ostatniej dekadzie coraz częściej stosuje się integrację systemów, która pozwala przedsiębiorstwom zwiększać wydajność procesów biznesowych. Nowością w zarządzaniu infrastrukturą techniczną jest zwiększanie efektywności już poczynionych inwestycji w systemy kontroli procesów. Pozwala to zespołom do spraw operacyjnych, utrzymania ruchu oraz kontroli procesów monitorować i ustalać nowe poziomy alarmowe na podstawie danych o stanie fizycznym maszyn krytycznych. Utrzymanie urządzeń zależne od ich bieżącego stanu technicznego (condition-based maintenance, CBM) to filozofia utrzymania ruchu opierająca się na tym masowym poborze danych, wedle której decyzje dotyczące naprawy lub wymiany sprzętu zależą od jego obecnego oraz przewidywanego przyszłego stanu technicznego. Ponieważ dotychczasowe badania były zdominowane przez problem technik monitorowania stanu dla konkretnych aplikacji, nie opracowano ogólnej metody wdrażania CBM opartej na eksploracji (data mining ) owych olbrzymich ilości zebranych danych, która miałaby zastosowanie w różnych domenach. Konieczna jest integracja danych z monitorowania stanu (condition monitoring, CM) z danymi dotyczącymi zarządzania pochodzącymi ze skomputeryzowanych systemów zarządzania utrzymaniem ruchu (CMMS), które zawierają informacje na temat uszkodzeń elementów składowych, dane związane z uszkodzeniami, a także informacje dotyczące obsługi lub napraw czy sterowania zapasami. Systemy te stanowią podstawę tradycyjnych praktyk obsługi planowej, a zasadzają się na całościowych obserwacjach dokonywanych na podstawie danych eksploatacyjnych, które pozwalają modyfikować regulowane działania obsługowe. Najbardziej oczywistą przeszkodą w integracji danych CMMS, danych procesowych oraz danych z monitorowania stanu jest rozbieżność ich natury. Dotychczas podjęto jedynie kilka prób rozwiązania tego problemu. Chociaż ostatnio wiele wysiłku włożono w gromadzenie i utrzymanie dużych zasobów tego typu danych, istnieje stosunkowo niewiele badań na temat możliwych sposobów powiązania owych zestawów danych. W prezentowanej pracy poczyniono próbę wypełnienia tej luki proponując metodologię łączoną opartą na eksploracji danych dla celów CBM, która bierze pod uwagę dane z monitorowania stanu i eksploatacyjne dane z zarządzania ruchem. W pracy przedstawiono integrację systemową danych fizycznych i danych z zarządzania, która wspiera także analitykę biznesową (business intelligence) oraz eksplorację danych, gdzie zestawy danych można łączyć w sposób nietradycyjny.

Słowa kluczowe

EN

data mining; RUL; data fusion; condition monitoring; CMMS

PL

eksploracja danych; pozostały okres użytkowania (RUL); fuzja danych; monitorowanie stanu; CMMS

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2012
• Tom: Vol. 14, No. 2
• Strony: 135--144
• Opis fizyczny: Bibliogr. 16 poz.

Twórcy

autor

Galar D.

autor

Gustafson A.

autor

Tormos B.

autor

Berges L.

• Division of Operation and Maintenance Engineering Lule? University of Technology Lule?, 97187 Sweden,

Bibliografia

• 1. Blair J, Shirkhodaie A. Diagnosis and prognosis of bearings using data mining and numerical visualization techniques. Proceedings of the 33rd Southeastern Symposium on System theory, 2001: 395–399
• 2. BRITISH STANDARD, BS 4778 (1991): Glossary of terms used in quality assurance (including reliability and maintainability). British Standards Institution, London
• 3. IEC (1990). 60050 (191): Dependability and quality of service. International Electrotechnical Commission, Geneva, Switzerland.
• 4. EN 15341: 2007, Maintenance Key Performance Indicators. European Committee for Standardization (CEN), Brussels, Belgium.
• 5. Eriksson L, Johansson E, Kettaneh-Wold N, Wold S. Introduction to Multi- and Megavariate Data Analysis using Projection Methods (PCA & PLS). UMETRICS, Sweden, 1999.
• 6. Frawley W, Piatetsky-Shapiro G, Matheus C. Knowledge discovery in databases: An overview. AI Magazine 1992; 13: 57–70
• 7. Goh K M, Tjahjono T, Subramaniam S. A review of research in manufacturing prognostics. 2006 IEEE International Conference on Industrial Informatics. pp.417–422.
• 8. Isermann R. Fault-diagnosis systems. Model-Based Condition Monitoring: Actuators, Drives, Machinery, Plants, Sensors and Fault-tolerant Systems. New York, USA: Springer, 2006.
• 9. ISO 14224 (2006) Petroleum and natural gas industries – Collection and exchange of reliability and maintenance data for equipment. International Organization for Standardization, Geneva, Switzerland.
• 10. Jardine AKS, Lin D, Banjevic D A. Review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing 2006; 20:1483–510.
• 11. Kelly A. Maintenance Systems and Documentation. New York, USA: Butterworth-Heinemann, 2006.
• 12. Mather D. CMMS: a time saving implementation process. New York. USA: CRC Press, 2002.
• 13. Soibelman L, Kim H. Data preparation process for construction knowledge generation through knowledge discovery in databases. Journal of Computing in Civil Engineering 2002; 16 (1): 39–48.
• 14. Tianhao W, Khan F M, Fisher T A, Shuler L A, Pottenger W M. Posting Act Tagging Using Transformation-Based Learning. ICDM'02 1992 Proceedings of the Workshop on Foundations of Data Mining and Discovery, IEEE International Conference on Data Mining.
• 15. Wylie R, Mottola L, Kresta J, Monk R. Lessons Learned for the I02 Project. COM 2002 The Conference of Metalurgists (The International Symposium on Knowledge Management in the Metals Industry). Montréal, Québec, Canada.
• 16. Yang C, Létourneau S. Learning to Predict Train Wheel Failures. KDD 2005 Proceedings of the 11th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Chicago, Illinois, USA.