Inteligentne prognozowanie stanu maszyn wykorzystywanych w przemyśle górniczym

• Autorzy: Gibiec M.

Warianty tytułu

EN

Intelligent health prognostics of machines used in mining industry

• Języki publikacji: PL

Abstrakty

PL

Jednym z zadań systemów monitorowania stanu maszyn jest prognozowanie. Umożliwia ono rozpoznanie przewidywanych zmian stanu, jakie mogą zaistnieć w nadzorowanym obiekcie, w określonym horyzoncie czasowym. W artykule przedstawiono wykorzystanie sieci neuronowych do prognozowania w warunkach jednoczesnego występowania procesów kontynuacyjnych oraz nowowstępujących, które wpływają na zmniejszenie prawidłowości generowanych prognoz. Skuteczność tego „inteligentnego" narzędzia analizowano na przykładzie prognozowania zmian parametrów diagnostycznych pompy głębinowej, odwadniającej wyrobisko kopalniane.

EN

Sensor-driven maintenace systems provide alerts, alarms and indicators. But there is usually no alert provided that looks at degradation over time. If we could monitor degradation, then we would forecast upcoming situations, and perform maintenance tasks when necessary. In our research we chose to focus on intelligent maintenance system, which is defined as the prediction and forecast of equipment performance. Predictive maintenance is also focused on machine performance features. Data come from two sources: sensors mounted on the machine to gather die machine feature information, and information from the entire manufacturing system, including machine productivity, past history and trending. By correlating data from these sources - current and historical - predictions can be made about future performance. In this article case study of coal mining machinery health prediction is presented. Health of water pumping unit was considered. Such units placed in old mine shafts are crucial to avoid flooding working ones. As an effect of predictive maintenance it can be possible to improve safety and reduce costs incurred from accidents.

Słowa kluczowe

PL

predykcja stanu maszyn; przemysł górniczy

EN

machines health; prediction; mining industry

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2005
• Tom: R. 51, nr 9 bis
• Strony: 243--245
• Opis fizyczny: Bibliogr. 8 rys.

Twórcy

autor

Gibiec M.

• Akademia Górniczo-Hutnicza, Katedra Robotyki i Dynamiki Maszyn

Bibliografia

• [1] C. Cempel: Wibroakustyczna diagnostyka maszyn (WNT, 1992).
• [2] B. Żółtowski: Podstawy diagnostyki maszyn (Wydawnictwo Uczelniane ATK Bydgoszcz 1996.
• [3] A. Ikonomopoulos, R. E.Uhrig, T.H. Tsoukalas: Use of Neural Networks to Monitor Power Plants Components, Proc. of the 54th American Power Conference, Chicago, IL, April 1, (1992).
• [4] P. J. Brocwell, R. Davis: Introduction to Time Series and Forecasting (Springer-Verlag New York 2002).
• [5] M. Gibiec: Soft Computing tools for machine diagnosing. Journal of Theoretical and Applied Mechanics, No. 3, vol. 42, 2004, pp. 483-501.
• [6] R. Tadeusiewicz i in.: Biocybernetyka i inżynieria biomedyczna 2000 - Tom 6 - Sieci neuronowe; (Akademicka Oficyna Wydawnicza EXIT/2000).
• [7] J. Korbicz, D. Uciński, A. Obuchowicz: Sztuczne sieci neuronowe podstawy i zastosowania, (Akademicka Ofic. Wyd. PU, Warszawa 1994).
• [8] F. Stulajter: Prediction in Time Series Using Regression Models, (Springer-Verlag New York 2002).