Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Condition monitoring" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    An integrated econometric model for bus replacement and determination of reserve fleet size based on predictive maintenance
    Zintegrowany ekonometryczny model do modelowania wymiany taboru autobusowego oraz określania wielkości floty rezerwowej w oparciu o konserwację predykcyjną
    Autorzy:
    Raposo, H.
    Farinha, J. T.
    Ferreira, L.
    Galar, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/300844.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    monitorowanie stanu
    koszty cyklu życia
    wymiana
    flota rezerwowa
    condition monitoring
    LCC
    replacement
    reserve fleet
    Opis:
    Polityka konserwacji wpływa na gotowość sprzętu, a tym samym na wydajność i konkurencyjność przedsiębiorstwa. Ważne jest optymalizowanie kosztów cyklu życia (LCC) aktywów, w tym przypadku taboru autobusowego. W artykule przedstawiono metodę utrzymania ruchu polegającą na predykcyjnym monitorowaniu stanu w oparciu o analizę oleju silnikowego w celu oceny potencjalnego wpływu tej zmiennej na gotowość autobusów. Podejście to ma praktyczne konsekwencje jeśli chodzi o koszty utrzymania w trakcie eksploatacji autobusu, a także pozwala na ustalenie najlepszego czasu na wymianę pojazdów taboru. W pracy przedstawiono przegląd ekonomicznych modeli wymiany oraz opracowano model globalny integrujący te modele, ze szczególnym uwzględnieniem gotowości oraz jej zależności od konserwacji oraz kosztów utrzymania ruchu. Czynniki te pomagają określić wielkość floty rezerwowej i zapewnić gotowość taboru.
    Maintenance policies influence equipment availability and, thus, they affect a company’s capacity for productivity and competitiveness. It is important to optimize the Life Cycle Cost (LCC) of assets, in this case, passenger bus fleets. The paper presents a predictive condition monitoring maintenance approach based on engine oil analysis, to assess the potential impact of this variable on the availability of buses. The approach has implications on maintenance costs during the life of a bus and, consequently, on the determination of the best time for bus replacement. The paper provides an overview of economic replacement models through a global model, with an emphasis on availability and its dependence on maintenance and maintenance costs. These factors help to determine the size of the reserve fleet and guarantee availability.
    Źródło:
    Eksploatacja i Niezawodność; 2017, 19, 3; 358-368
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Bottom to top approach for railway KPI generation
    Podejście „bottom to top” w tworzeniu KPI dla kolei
    Autorzy:
    Villarejo, R.
    Johansson, C. A.
    Leturiondo, U.
    Simon, V.
    Seneviratne, D.
    Galar, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/409761.pdf
    Data publikacji:
    2017
    Wydawca:
    STE GROUP
    Tematy:
    railway assets
    fusion
    hierarchy
    aggregation
    KPI
    performance
    condition monitoring
    CMMS
    zasoby kolejowe
    synteza/połączenie
    hierarchia
    agregacja
    wydajność
    monitoring stanu
    Opis:
    Railway maintenance especially on infrastructure produces a vast amount of data. However, having data is not synonymous with having information; rather, data must be processed to extract information. In railway maintenance, the development of key performance indicators (KPIs) linked to punctuality or capacity can help planned and scheduled maintenance, thus aligning the maintenance department with corporate objectives. There is a need for an improved method to analyse railway data to find the relevant KPIs. The system should support maintainers, answering such questions as what maintenance should be done, where and when. The system should equip the user with the knowledge of the infrastructure's condition and configuration, and the traffic situation so maintenance resources can be targeted to only those areas needing work. The amount of information is vast, so it must be hierarchized and aggregated; users must filter out the useless indicators. Data are fused by compiling several individual indicators into a single index; the resulting composite indicators measure multidimensional concepts which cannot be captured by a single index. The paper describes a method of monitoring a complex entity. In this scenario, a plurality of use indices and weighting values are used to create a composite and aggregated use index from a combination of lower level use indices and weighting values. The resulting composite and aggregated indicators can be a decisionmaking tool for asset managers at different hierarchical levels.
    Utrzymanie kolei, zwłaszcza infrastruktury kolejowej, wytwarza ogromne ilości danych. Jednakże posiadanie danych nie jest równoznaczne z posiadaniem informacji; dane muszą być przetwarzane w celu pozyskania informacji. W utrzymaniu kolei opracowanie kluczowych wskaźników efektywności (KPI) powiązanych z punktualnością lub przepustowością może pomóc zaplanować konserwacje, tym samym dostosowując/wyrównując serwis techniczny do/z celów/celami przedsiębiorstwa. Istnieje zapotrzebowanie na ulepszoną metodę analizy danych kolejowych w celu znalezienia właściwych wskaźników KPI. System powinien wspierać serwisantów, odpowiadając na takie pytania jak: jakie należy przeprowadzić konserwacje, gdzie i kiedy. System powinien wyposażyć użytkownika w wiedzę o kondycji i konfiguracji infrastruktury, a także sytuacji na drogach, dzięki czemu zasoby obsługi technicznej mogą być kierowane jedynie na te obszary, które wymagają pracy. Ilość informacji jest ogromna, więc muszą być one hierarchizowane i zagregowane; użytkownicy muszą przefiltrować bezużyteczne wskaźniki. Dane są łączone przez zestawianie kilku indywidualnych wskaźników w jeden indeks; wynikowe wskaźniki zespolone mierzą wielowymiarowe pojęcia, których nie można przechwycić przez pojedynczy indeks. W artykule opisano metodę monitorowania złożonej jednostki. W tym przypadku stosuje się mnogość indeksów użycia i wartości ważonych, aby utworzyć złożony i zagregowany indeks użycia z kombinacji wskaźników użycia niższego poziomu i wartości ważonych. Uzyskane złożone i zagregowane wskaźniki mogą stanowić narzędzie decyzyjne dla menedżerów zarządzających zasobami na różnych poziomach hierarchi.
    Źródło:
    Management Systems in Production Engineering; 2017, 3 (25); 191-198
    2299-0461
    Pojawia się w:
    Management Systems in Production Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Podejmowanie decyzji eksploatacyjnych w oparciu o fuzję różnego typu danych
    Maintenance Decision Making based on different types of data fusion
    Autorzy:
    Galar, D.
    Gustafson, A.
    Tormos, B.
    Berges, L.
    Powiązania:
    https://bibliotekanauki.pl/articles/301602.pdf
    Data publikacji:
    2012
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    eksploracja danych
    pozostały okres użytkowania (RUL)
    fuzja danych
    monitorowanie stanu
    CMMS
    data mining
    RUL
    data fusion
    condition monitoring
    Opis:
    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.
    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.
    Źródło:
    Eksploatacja i Niezawodność; 2012, 14, 2; 135-144
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Aggregation of electric current consumption features to extract maintenance KPIs
    Agregacja cech konsumpcji prądu elektrycznego do wyodrębnienia kluczowych wskaźników efektywności (KPI) utrzymania ruchu
    Autorzy:
    Simon, V.
    Johansson, C. A.
    Galar, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/410081.pdf
    Data publikacji:
    2017
    Wydawca:
    STE GROUP
    Tematy:
    fingerprint
    operational data
    condition based maintenance (CBM)
    condition monitoring (CM)
    energy optimization
    machine tool
    odcisk palca
    dane operacyjne
    utrzymanie na podstawie stanu technicznego (CBM)
    monitoring stanu (CM)
    optymalizacja energii
    obrabiarki
    Opis:
    All electric powered machines offer the possibility of extracting information and calculating Key Performance Indicators (KPIs) from the electric current signal. Depending on the time window, sampling frequency and type of analysis, different indicators from the micro to macro level can be calculated for such aspects as maintenance, production, energy consumption etc. On the micro-level, the indicators are generally used for condition monitoring and diagnostics and are normally based on a short time window and a high sampling frequency. The macro indicators are normally based on a longer time window with a slower sampling frequency and are used as indicators for overall performance, cost or consumption. The indicators can be calculated directly from the current signal but can also be based on a combination of information from the current signal and operational data like rpm, position etc. One or several of those indicators can be used for prediction and prognostics of a machine’s future behavior. This paper uses this technique to calculate indicators for maintenance and energy optimization in electric powered machines and fleets of machines, especially machine tools.
    Wszystkie urządzenia elektryczne oferują możliwość wydobywania informacji i obliczania Kluczowych Wskaźników Efektywności (ang. Key Performance Indicators, KPI) z sygnału prądu elektrycznego. W zależności od okna czasowego, częstotliwości próbkowania i rodzaju analizy, różne wskaźniki od mikro do makro poziomu, można obliczyć dla takich aspektów jak utrzymanie ruchu, produkcja, zużycie energii itp. Na poziomie mikro wskaźniki są powszechnie stosowane do monitorowania stanu i diagnostyki oraz zazwyczaj są oparte na krótkim oknie czasowym i mają dużą częstotliwość próbkowania. Wskaźniki makro są zwykle oparte na dłuższym oknie czasowym z wolniejszą częstotliwością próbkowania i są używane jako wskaźniki dla ogólnej wydajności, kosztu lub zużycia. Wskaźniki można obliczyć bezpośrednio z sygnału prądu elektrycznego, ale mogą być one również oparte na połączeniu informacji z sygnału prądu elektrycznego i danych operacyjnych, takich jak obroty na minutę (ang. Revolutions Per Minute, RPM), pozycja itp. Jeden lub kilka z tych wskaźników można wykorzystać do przewidywania i prognozowania przyszłego zachowania maszyny. W niniejszym artykule wykorzystano tę technikę do obliczania wskaźników utrzymania ruchu i optymalizacji energii w maszynach elektrycznych i flotach maszyn, zwłaszcza obrabiarek.
    Źródło:
    Management Systems in Production Engineering; 2017, 3 (25); 183-190
    2299-0461
    Pojawia się w:
    Management Systems in Production Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies