Informacja

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

Wyszukujesz frazę "utrzymanie na podstawie stanu technicznego" wg kryterium: Temat


Wyświetlanie 1-2 z 2
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
Tytuł:
Dynamic condition-based maintenance policy for degrading systems described by a random-coefficient autoregressive model: A comparative study
Dynamiczna strategia utrzymania ruchu na podstawie stanu technicznego dla ulegających degradacji systemów opisanych modelem autoregresyjnym z parametrami losowymi – studium porównawcze
Autorzy:
Tang, D.
Sheng, W.
Yu, J.
Powiązania:
https://bibliotekanauki.pl/articles/302062.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
degradation modeling
autoregressive model
Bayesian method
residual life estimation
semi-Markov decision process
condition-based maintenance
modelowanie degradacji
model autoregresyjny
metoda bayesowska
ocena trwałości resztkowej
semi-markowski proces decyzyjny
utrzymanie na podstawie stanu technicznego
Opis:
In this paper, we optimize a dynamic condition-based maintenance policy for a slowly degrading system subject to soft failure and condition monitoring at equidistant, discrete time epochs. A random-coefficient autoregressive model with time effect is developed to describe the system degradation. The system age, previous state observations, and the item-to-item variability of the degradation are jointly combined in the proposed degradation model. Stochastic behavior for both the age-dependent and the state dependent term are considered, and a Bayesian approach for periodically updating the estimates of the stochastic coefficients is developed to combine information from a degradation database with real-time condition-monitoring information. Based on this degradation model, the dynamic maintenance policy is formulated and solved in a semi-Markov decision process framework. Incorporated with the same semi-Markov decision process framework is a novel approach for mean residual life estimation, which enables simultaneous residual life estimation with the optimization procedure. The effectiveness of using the proposed random coefficient autoregressive model with time effect rather than the existing fixed-coefficient ones to describe system degradation is demonstrated through a comparative study based on a real degradation dataset. The advantages of using a dynamic maintenance policy are also revealed.
W prezentowanej pracy dokonano optymalizacji dynamicznej, uwzględniającej stan techniczny obiektu strategii utrzymania ruchu dla wolno ulegającego degradacji systemu monitorowanego w równoodległych dyskretnych chwilach czasu (epokach) pod względem uszkodzeń parametrycznych oraz stanu technicznego. Do opisu degradacji systemu opracowano model autoregresyjny z parametrami losowymi uwzględniający wpływ czasu. Proponowany model degradacji bierze pod uwagę zarówno wiek systemu jak i wcześniejsze obserwacje stanu oraz zmienność degradacji pomiędzy obiektami. Rozważano zachowanie stochastyczne zarówno składnika zależnego od wieku jak i składnika zależnego od stanu; opracowano bayesowską metodę okresowej aktualizacji oszacowań współczynników stochastycznych, która pozwala łączyć informacje z bazy danych o degradacji z informacjami z monitorowania stanu w czasie rzeczywistym. W oparciu o otrzymany model degradacji, sformułowano dynamiczną politykę utrzymania ruchu; problem optymalizacji tej polityki rozwiązywano w ramach procesu decyzyjnego semi-Markowa. Do procesu decyzyjnego włączono nowatorską metodę obliczania trwałości resztkowej, co umożliwiło ocenę trwałości resztkowej jednocześnie z przeprowadzeniem procedury optymalizacyjnej. Skuteczność wykorzystania proponowanego modelu autoregresyjnego do opisu degradacji systemu porównywano ze skutecznością dotychczasowych modeli z parametrami stałymi w badaniu opartym na rzeczywistym zbiorze danych o degradacji. Wskazano również zalety stosowania proponowanej dynamicznej strategii utrzymania ruchu.
Źródło:
Eksploatacja i Niezawodność; 2018, 20, 4; 590-601
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    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