Prognozowanie czasu zdatności urządzeń transportu technologicznego

• Autorzy: Smoczek J. , Szpytko J.

Warianty tytułu

EN

Prediction of the operating state time of material handling devices

• Języki publikacji: PL

Abstrakty

PL

Wskaźnik gotowości w systemach transportu wspomagających operacje technologiczne istotnie wpływa na wydajność całego procesu produkcyjnego. Utrzymanie go na wysokim poziomie jest możliwe między innymi poprzez skrócenie czasów przestojów i prawidłowe planowanie działań obsługowych. W artykule przedstawiono model prognozowania czasu awarii elementów systemu eksploatacyjnego, zbudowany z zastosowaniem logiki rozmytej i algorytmu genetycznego. Przedstawiono koncepcję systemu monitorowania czasu zdatności elementów układów sterowania i napędowych urządzenia transportowego, który zaimplementowany został na stanowisku laboratoryjnym, dwudźwigarowej suwnicy pomostowej.

EN

The productivity of manufacturing process significantly depends on an availability of material handling systems, which in turn depends on reliability and maintainability of transportation devices. For this reason the scheduling of maintenance operations is very important to keep the high availability of transportation system. The paper presents the fuzzy model of time between failures prediction optimized with using combination of genetic algorithm and recursive least squares method. The model was implemented in the monitoring and diagnostic system tested on the laboratory stand, the two-spars overhead traveling crane.

Słowa kluczowe

PL

transport technologiczny; model prognozowania czasu awarii; suwnice pomostowe

• Wydawca: Wydawnictwo HMR-TRANS Sp. z o.o.
• Czasopismo: Transport Przemysłowy i Maszyny Robocze
• Rocznik: 2012
• Tom: Nr 1
• Strony: 41--45
• Opis fizyczny: Bibliogr. 11poz., rys.

Twórcy

autor

Smoczek J.

• Akademia Górniczo-Hutnicza w Krakowie

autor

Szpytko J.

• Akademia Górniczo-Hutnicza w Krakowie

Bibliografia

• [1] Chakraborty D.: Artificial neural network based delamination prediction in laminated composites, Materials and Design, 26(1), 2005, s. 1-7.
• [2] Blanchard B.S.: System Engineering Management, 4th edition, John Wiley & Sons, USA, 2008.
• [3] Hammer M., Kozlovsky T., Svoboda J., Szabo R.: Fuzzy systems for simulation and prediction of the residual life of insulating materials for electrical machines windings, Proceedings of International Conference on Solid Dielectrics, Touluse, France, July 5-9, 2004.
• [4] Herrera F.: Genetic fuzzy systems: taxonomy, current research trends and prospects. Evolutionary Intelligence, vol. 1, no. 1, 2008, s. 27-46.
• [5] Ishibuchi H.: Multiobjective genetic fuzzy systems: review and future research directions. Proceedings of the 2007 IEEE international conference on fuzzy systems (FUZZIEEE' 07), London 2007, s 913-918.
• [6] Kowalski С.T.: Monitorowanie i diagnostyka uszkodzeń silników indukcyjnych z wykorzystaniem sieci neuronowych, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2005.
• [7] Kowalski C.T., Ewert P.: Zastosowanie sieci neuronowych do monitorowania nieosiowości napędów elektrycznych z silnikami indukcyjnymi, Zeszyty Problemowe - Maszyny Elektryczne, nr 83/2009, s. 189-194.
• [8] Pawar Parashant M., Ganguli R.: Genetic fuzzy system for online structural health monitoring of composite helicopter rotor blades, Mechanical Systems and Signal Processing, 21, 2007, s. 2212-2236.
• [9] Szpytko J.: Integrated decision making supporting the exploitation and control of transport device, Published by AGH University of Science and Technology, Krakow 2004.
• 10] Szpytko J., Kocerba Α.: Wybrane aspekty bezpieczeństwa i niezawodności rozproszonych środków transportu, Biblioteka Problemów Eksploatacyjnych, Wydawnictwo Naukowe Instytutu Technologii Eksploatacji, PIB, Kraków-Rzeszów 2009.
• [11] Yuan S.F., Wang L., Peng G.: Neural network method based on a new damage signature for structural health monitoring, Thin-Walled Structures 43 (4), 2005, s. 553-563.