Koncepcja wykorzystania sztucznych sieci neuronowych do oceny niezawodności maszyn eksploatowanych w ciągach technologicznych

• Autorzy: Wojciech Sikora , Grzegorz Wiązania

Warianty tytułu

A Concept of Using an Artificial Neural Network to Assess Reliability of Machines Operating in Production Lines

• Języki publikacji: PL

Abstrakty

W pracy przedstawiono metodę wyznaczania parametrów rozkładu uogólnionego gamma przy wykorzystaniu sztucznych sieci neuronowych. Zaproponowane rozwiązanie stanowi prostszą alternatywę dla metod analitycznych. Przytoczone wyniki i przykłady świadczą o możliwościach praktycznego wykorzystania sieci neuronowych do określania wybranych charakterystyk niezawodnościowych obiektów technicznych funkcjonujących w ciągach technologicznych zakładów produkcyjnych. Wyznaczone charakterystyki mogą być wykorzystane w planowaniu procesów obsługowych.(abstrakt oryginalny)

EN

Effective maintenance of technical objects depends on accuracy of their reliability characteristics, which are based on machine operational data. The better this data is described by adopted probability distribution the more reliable will be the predictions of object's working time till failure. This paper presents a method for estimating parameters of generalized gamma distribution with the use of an artificial neural network.(original abstract)

Słowa kluczowe

PL

Sztuczne sieci neuronowe (SSN); Maszyny i urządzenia; Niezawodność

EN

Artificial neural networks (ANN); Machinery and equipment; Reliability

• Czasopismo: Logistyka
• Rocznik: 2015
• Numer: nr 4, CD 3
• Strony: 9730-9738

Twórcy

autor

Wojciech Sikora

• AGH Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

autor

Grzegorz Wiązania

• AGH Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

Bibliografia

• [1] Abbasi B., Hosseinifard S.Z., Coit D.W.: A neural network applied to estimate Burr XII distribution parameters, "Reliability Engineering & System Safety", 2010, vol. 95, p. 647-654.
• [2] Abbasi B., Rabelo L., Hosseinkouchack M.: Estimating parameters of the three-parameter Weibull distribution using a neural network, "European Journal of Industrial Engineering" , 2008, vol.2, p. 428 - 445.
• [3] Abramowitz M., Stegun I.: Handbook of Mathematical Functions with Formulas, Graphs, and Mathematical Tables, Dover Publications, New York 1972.
• [4] Boughrara, H., Chtourou M., Ben Amar C., Chen L.: Face recognition based on perceived facial images and multilayer perceptron neural network using constructive training algorithm, "Computer Vision, IET", 2014, vol. 8, p. 729-739.
• [5] Chen B., Huang S.: Probabilistic neural networks based moving vehicles extraction algorithm for intelligent traffic surveillance systems, "Information Sciences", 2015, vol. 299, p. 283-295.
• [6] DeCarlo L. T.: On the Meaning and Use of Kurtosis, "Psychological Methods", 1997, vol. 2, p. 292- 307.
• [7] Galushkin A.I.: Neural Networks Theory, Springer, Berlin 2007.
• [8] Gonzalez-Romera E., Jaramillo-Moran M., Carmona-Fernandez D.: Forecasting of the electric energy demand trend and monthly fluctuation with neural networks, "Computers & Industrial Engineering", 2007, vol. 52, p. 336-343.
• [9] Lai C., Xie M.: Stochastic Ageing and Dependence for Reliability, Springer, New York 2006.
• [10] Zhang Q. J., Gupta K. C., Devabhaktuni V. K.: Artificial neural networks for RF and microwave design - from theory to practice, " IEEE Transactions on Microwave Theory and Techniques", 2003, vol. 51, p. 1339-1350.