Analysis of data from measuring sensors for prediction in production process control systems

• Autorzy: Rymarczyk Tomasz , Przysucha Bartek , Kowalski Marcin , Bednarczuk Piotr

Identyfikatory

DOI

10.35784/IAPGOS.570

Warianty tytułu

PL

Analiza danych z czujników pomiarowych do predykcji w systemach kontroli procesów produkcyjnych

• Języki publikacji: EN

Abstrakty

EN

The article presents a solution based on a cyber-physical system in which data collected from measuring sensors was analysed for prediction in the production process control system. The presented technology was based on intelligent sensors as part of the solution for Industry 4.0. The main purpose of the work is to reduce data and select the appropriate covariate to optimise modelling of defects using the Cox model for a specific mechanical system. The reliability of machines and devices in the production process is a condition for ensuring continuity of production. Predicting damage, especially its movement, gives the ability to monitor the current state of the machine. In a broader perspective, this enables streamlining the production process, service planning or control. This ensures production continuity and optimal performance. The presented model is a regressive survival analysis model that allows you to calculate the probability of failure occurring over a given period of time.

PL

Artykuł przedstawia rozwiązanie oparte na systemie cyber-fizycznym, w którym analizowano dane zbierane z czujników pomiarowych do predykcji w systemie kontroli procesów produkcyjnych. Przedstawiona technologia została oparta na inteligentnych czujnikach pomiarowych jako element rozwiązania dla Przemysłu 4.0. Głównym celem pracy jest redukcja danych i wybór odpowiedniego kowariantu w celu optymalizacji modelowania usterek za pomocą modelu Coxa dla konkretnego układu mechanicznego. Niezawodność pracy maszyn i urządzeń w procesie produkcyjnym jest warunkiem zapewnienia ciągłości produkcji. Przewidywanie uszkodzenia, a zwłaszcza jego momentu daje możliwość monitorowania bieżącego stanu maszyny. W szerszej perspektywie umożliwia to usprawnienie procesu produkcji, planowania serwisu, czy kontroli. Zapewnia to utrzymanie ciągłości produkcji i optymalnej jej wydajności. Przedstawiony model jest regresywnym modelem analizy przeżycia, który pozwala na obliczanie prawdopodobieństwa wystąpienia awarii w określonym czasie.

Słowa kluczowe

EN

Cox model; time to failure prediction; production control; intelligent platform

PL

model Coxa; predykcja uszkodzeń; sterowanie produkcją; inteligentna platforma

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2019
• Tom: T. 9, nr 4
• Strony: 26--29
• Opis fizyczny: Bibliogr. 25 poz., rys.

Twórcy

autor

Rymarczyk Tomasz

• Research and Development Centre, Netrix S.A., Lublin, Poland
• University of Economics and Innovation in Lublin, Lublin, Poland

autor

Przysucha Bartek

• Lublin University of Technology, Lublin, Poland

autor

Kowalski Marcin

• University of Economics and Innovation in Lublin, Lublin, Poland

autor

Bednarczuk Piotr

• University of Economics and Innovation in Lublin, Lublin, Poland

Bibliografia

• [1] Bergweiler S.: Intelligent Manufacturing based on Self-Monitoring Cyber-Physical Systems. UBICOMM 2015 The Ninth International Conference on Mobile Ubiquitous Computing, Systems, Services and Technologies, 2015.
• [2] Chen B., Abascal J., Soleimani M.: Electrical Resistance Tomography for Visualization of Moving Objects Using a Spatiotemporal Total Variation Regularization Algorithm. Sensors 18/2018, 1704.
• [3] Cox D., Snell E.: Ageneral definition of residuals. Journal of the Royal Statistical Society Series B (Methodological) 30/1968, 248–275.
• [4] Deszyńska A.: Modele hazardów proporcjonalnych Coxa. Matematyka stosowana 13(54)/2011.
• [5] Dušek J., Hladký D., Mikulka J.: Electrical Impedance Tomography Methods and Algorithms Processed with a GPU. PIERS Proceedings 2017, 1710–1714.
• [6] Goetzke-Pala A., Hoła A., Sadowski Ł.: A non-destructive method of the evaluation of the moisture in saline brick walls using artificial neural networks. Archives of Civil and Mechanical Engineering 18(4)/2018, 1729–1742.
• [7] Grudzien K., Romanowski A., Chaniecki Z., Niedostatkiewicz M., Sankowski D.: Description of the silo flow and bulk solid pulsation detection using ECT. Flow Measurement and Instrumentation 21(3)/2010, 198–206.
• [8] Kozlowski E., Mazurkiewicz D., Kowalska B., et al.: Binary Linear Programming as a Decision-Making Aid for Water Intake Operators. 1st International Conference on Intelligent Systems in Production Engineering and Maintenance (ISPEM), Wrocław 2017.
• [9] Korzeniewska E., Walczak M., Rymaszewski J.: Elements of Elastic Electronics Created on Textile Substrate. Proceedings of the 24th International Conference Mixed Design of Integrated Circuits and Systems – MIXDES 2017, 2017, 447–454.
• [10] Kowalska A., Banasiak R., Romanowski A., Sankowski D.: Article 3D-Printed Multilayer Sensor Structure for Electrical Capacitance Tomography. Sensors 19/2019, 3416.
• [11] Kryszyn J., Smolik W.: Toolbox for 3d modelling and image reconstruction in electrical capacitance tomography. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska – IAPGOŚ 7(1)/2017, 137–145.
• [12] Kozłowski E., Mazurkiewicz D., Żabiński T., Prucnal S., Sęp J.: Assessment model of cutting tool condition for real-time supervision system. Eksploatacja i Niezawodność – Maintenance and Reliability 21(4)/2019, 679–685.
• [13] Monostori L. Cyber-physical production systems: Roots, expectations and R&D challenges. Procedia CIRP 17, 2014, 9–13.
• [14] Mosorov V., Grudzień K., Sankowski D.: Flow velocity measurement methods using electrical capacitance tomography. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska – IAPGOŚ, 7(1)/2017, 30–36.
• [15] Qian F., Xu G., Zhang L., Dong H.: Design of Hybrid NC Control System for Automatic Line. International Journal of Hybrid Information Technology 8(4)/2015, 185–192.
• [16] Repta D., Sacala I., Moisescu M., Stanescu A.: Towards the development of a Cyber-Intelligent Enterprise System Architecture. 19th World Congress The International Federation of Automatic Control, Cape Town 2014.
• [17] Rymarczyk, T., Przysucha, B.: Intelligent sensor platform for multi-source data analysis for monitoring and control of technological systems. Applications of Electromagnetics in Modern Engineering and Medicine, PTZE 2019, 171–175.
• [18] Rymarczyk T., Filipowicz S.F., Sikora J.: Level Set Method for Inverse Problem Solution In Electrical Impedance Tomography. Journal Proceedings of the XII International Conference on Electrical Bioimpedance & V Electrical Impedance Tomography, 2004, 519–522.
• [19] Rymarczyk T., Kłosowski G.: Innovative methods of neural reconstruction for tomographic images in maintenance of tank industrial reactors. Eksploatacja i Niezawodność – Maintenance and Reliability 21(2)/2019, 261–267.
• [20] Rymarczyk T., Kozłowski E., Kłosowski G., Niderla K.: Logistic Regression for Machine Learning in Process Tomography. Sensors 19/2019, 3400.
• [21] Rymarczyk T.: Characterization of the shape of unknown objects by inverse numerical methods. Przegląd Elektrotechniczny 88(7b)/2012, 138–140.
• [22] Rymarczyk T., Adamkiewicz P., Polakowski K., Sikora J.: Effective ultrasound and radio tomography imaging algorithm for two-dimensional problems. Przegląd Elektrotechniczny 94(6)/2018, 62–69.
• [23] Rymarczyk T., Szumowski K., Adamkiewicz P., Tchórzewski P., Sikora J.: Moisture Wall Inspection Using Electrical Tomography Measurements. Przegląd Elektrotechniczny 94/2018, 97–100.
• [24] Schoenfeld D.: Partial residuals for the proportional hazards regression model, Biometrika 69/1980, 239–241.
• [25] Xue Y., Schifano E.D.: Diagnostic for Cox model, Communications for statistical Applications and Methods 24(6)/2017, 583–604.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).