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 "konserwacja predykcyjna" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Predictive management in the context of industry 4.0
    Autorzy:
    Krynke, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/34670889.pdf
    Data publikacji:
    2021
    Wydawca:
    Stowarzyszenie Menedżerów Jakości i Produkcji
    Tematy:
    operation
    maintenance management
    predictive maintenance
    Industry 4.0
    eksploatacja
    zarządzanie utrzymaniem ruchu
    konserwacja predykcyjna
    Opis:
    The article presents information on the potential of Industry 4.0 in the field of maintenance. This work explores the potential and trends of predictive maintenance management in an industrial big data environment. The development of predictive maintenance, its technical challenges and in the context of Industry 4.0 was presented. In addition, a case study that illustrates how maintenance management and predictive maintenance can be applied to the maintenance of wind turbines is discussed.
    Źródło:
    Quality Production Improvement - QPI; 2021, 3, 1; 41-52
    2657-8603
    Pojawia się w:
    Quality Production Improvement - QPI
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Preventive maintenance models – higher operational reliability
    Modele konserwacji zapobiegawczej a wyższa niezawodność eksploatacyjna
    Autorzy:
    Legát, V.
    Mošna, F.
    Aleš, Z.
    Jurča, V.
    Powiązania:
    https://bibliotekanauki.pl/articles/301589.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    preventive maintenance
    predictive maintenance
    maintenance interval optimization
    reliability
    improvement
    konserwacja zapobiegawcza
    konserwacja predykcyjna
    optymalizacja przerw konserwacyjnych
    doskonalenie niezawodności
    Opis:
    The authors present a method for determining the optimal interval for preventive periodical maintenance and an optimal diagnostic parameter for predictive maintenance/replacement. Additionally, the authors raise the question: how does preventive maintenance influence the probability of failure and the operational reliability of system elements that have undergone preventive periodical maintenance? They answer the question using analytical and simulation computing approaches. The results are in quantitative form, giving relationships between preventive maintenance intervals and reliability functions. Examples demonstrate suitability of the method for typical engineering objects using a three parameters Weibull distribution. Application of the method is of substantial benefit to both the manufacturer and the user of technical equipment.
    Autorzy przedstawiają metodę określania optymalnego czasu przerwy na okresową konserwację zapobiegawczą oraz optymalnego parametru diagnostycznego dla konserwacji predykcyjnej/wymiany Dodatkowo, autorzy zadają pytanie, jaki jest wpływ konserwacji zapobiegawczej na prawdopodobieństwo wystąpienia uszkodzenia oraz na niezawodność eksploatacyjną elementów systemu, w stosunku do których zastosowano okresową konserwację zapobiegawczą. Odpowiedzi na te pytania, autorzy poszukują posługując się metodami analizy i symulacji komputerowej. Wyniki podane w formie ilościowej, informują o związkach między przerwami na konserwację predykcyjną a funkcjami niezawodnościowymi. Podane przykłady pokazują, z wykorzystaniem trójparametrowego rozkładu Weibulla, że proponowana metoda może być stosowana w przypadku typowych obiektów inżynieryjnych. Zastosowanie omawianej metody przynosi znaczące korzyści zarówno wytwórcom jak i użytkownikom sprzętu technicznego.
    Źródło:
    Eksploatacja i Niezawodność; 2017, 19, 1; 134-141
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predicting motor oil condition using artificial neural networks and principal component analysis
    Prognozowanie stanu oleju silnikowego za pomocą sztucznych sieci neuronowych i analizy składowych głównych
    Autorzy:
    Rodrigues, Joao
    Costa, Ines
    Farinha, J. Torres
    Mendes, Mateus
    Margalho, Luis
    Powiązania:
    https://bibliotekanauki.pl/articles/1841873.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    condition monitoring
    oil analysis
    multivariate analysis
    predictive maintenance
    monitorowanie stanu
    analiza oleju
    analiza wielowymiarowa
    konserwacja predykcyjna
    Opis:
    The safety and performance of engines such as Diesel, gas or even wind turbines depends on the quality and condition of the lubricant oil. Assessment of engine oil condition is done based on more than twenty variables that have, individually, variations that depend on the engines’ behaviour, type and other factors. The present paper describes a model to automatically classify the oil condition, using Artificial Neural Networks and Principal Component Analysis. The study was done using data obtained from two passenger bus companies in a country of Southern Europe. The results show the importance of each variable monitored for determining the ideal time to change oil. In many cases, it may be possible to enlarge intervals between maintenance interventions, while in other cases the oil passed the ideal change point.
    Bezpieczeństwo i wydajność silników takich, jak silniki Diesla czy gazowe, a nawet turbiny wiatrowe, zależą od jakości i stanu oleju smarowego. Stanu oleju silnikowego ocenia się na podstawie ponad dwudziestu zmiennych, z których każda ulega wahaniom w zależności od typu i zachowania silnika oraz innych czynników. W niniejszym artykule opisano model, który pozwala na automatyczną klasyfikację stanu oleju, z wykorzystaniem sztucznych sieci neuronowych i analizy składowych głównych. Badania przeprowadzono na podstawie danych uzyskanych od dwóch przewoźników pasażerskich działających na terenie jednego z krajów położonych na południu Europy. Wyniki pokazują, że każda z monitorowanych zmiennych ma znaczenie dla określenia idealnego czasu na wymianę oleju. Podczas gdy w wielu przypadkach w badanych przedsiębiorstwach możliwe było zwiększenie odstępów czasowych między działaniami konserwacyjnymi, w innych, idealny moment wymiany oleju został przekroczony.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 3; 440-448
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Performance comparison of machine learning algotihms for predictive maintenance
    Porównanie skuteczności algorytmów uczenia maszynowego dla konserwacji predykcyjnej
    Autorzy:
    Gęca, Jakub
    Powiązania:
    https://bibliotekanauki.pl/articles/1841332.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    machine learning
    random forest
    predictive maintenance
    neural networks
    uczenie maszynowe
    las losowy
    konserwacja predykcyjna
    sieci neuronowe
    Opis:
    The consequences of failures and unscheduled maintenance are the reasons why engineers have been trying to increase the reliability of industrial equipment for years. In modern solutions, predictive maintenance is a frequently used method. It allows to forecast failures and alert about their possibility. This paper presents a summary of the machine learning algorithms that can be used in predictive maintenance and comparison of their performance. The analysis was made on the basis of data set from Microsoft Azure AI Gallery. The paper presents a comprehensive approach to the issue including feature engineering, preprocessing, dimensionality reduction techniques, as well as tuning of model parameters in order to obtain the highest possible performance. The conducted research allowed to conclude that in the analysed case, the best algorithm achieved 99.92% accuracy out of over 122 thousand test data records. In conclusion, predictive maintenance based on machine learning represents the future of machine reliability in industry.
    Skutki związane z awariami oraz niezaplanowaną konserwacją to powody, dla których od lat inżynierowie próbują zwiększyć niezawodność osprzętu przemysłowego. W nowoczesnych rozwiązaniach obok tradycyjnych metod stosowana jest również tzw. konserwacja predykcyjna, która pozwala przewidywać awarie i alarmować o możliwości ich powstawania. W niniejszej pracy przedstawiono zestawienie algorytmów uczenia maszynowego, które można zastosować w konserwacji predykcyjnej oraz porównanie ich skuteczności. Analizy dokonano na podstawie zbioru danych Azure AI Gallery udostępnionych przez firmę Microsoft. Praca przedstawia kompleksowe podejście do analizowanego zagadnienia uwzględniające wydobywanie cech charakterystycznych, wstępne przygotowanie danych, zastosowanie technik redukcji wymiarowości, a także dostrajanie parametrów poszczególnych modeli w celu uzyskania najwyższej możliwej skuteczności. Przeprowadzone badania pozwoliły wskazać najlepszy algorytm, który uzyskał dokładność na poziomie 99,92%, spośród ponad 122 tys. rekordów danych testowych. Na podstawie tego można stwierdzić, że konserwacja predykcyjna prowadzona w oparciu o uczenie maszynowe stanowi przyszłość w zakresie podniesienia niezawodności maszyn w przemyśle.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2020, 10, 3; 32-35
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Relations between pulverizing process parameters and beater wheel mill vibration for predictive maintenance program setup
    Relacje między parametrami procesów rozdrabniania i drganiami młyna wentylatorowego a ustawienia programu konserwacji predykcyjnej
    Autorzy:
    Bajrić, R.
    Zuber, N.
    Šostakov, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/301700.pdf
    Data publikacji:
    2014
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    konserwacja predykcyjna
    analiza regresji wielorakiej
    niestacjonarne warunki pracy
    młyn wentylatorowy
    predictive maintenance
    multiple regression analyses
    non-stationary operational conditions
    beater wheel mil
    Opis:
    Młyny wentylatorowe są urządzeniami, które poprzez suszenie, rozdrabnianie, odsiewanie i transport węgla przygotowują mieszankę pyłowo-gazową przeznaczoną do spalania w komorach paleniskowych elektrowni węglowych. Ich uniwersalność zwykle wiąże się z niestabilną pracą połączoną z niepożądanymi drganiami. Jest to zwykle znaczący problem z uwagi na niezaplanowane przerwy w pracy. Program konserwacji młyna wentylatorowego wymaga szczególnej uwagi ze względu na działanie w niestacjonarnych warunkach pracy. Celem artykułu jest wyznaczenie parametrów procesów rozdrabniania wpływających jednocześnie na poziom i natężenie drgań młyna wentylatorowego przy użyciu reguł statystycznych w zróżnicowanych warunkach pracy. Zamierzeniem pracy jest stworzenie podstaw dla badań nad zależnościami między parametrami procesu rozdrabniania a drganiami młyna wentylatorowego w celu ulepszenia programu konserwacji predykcyjnej. Aby osiągnąć założony cel, przeanalizowano przy użyciu narzędzi statystycznych drgania młyna wentylatorowego przy różnych kombinacjach wybranych parametrów procesu rozdrabniania. Badania przeprowadzono w różnych warunkach na dwóch identycznych, lecz odrębnych młynach wentylatorowych. Wpływ parametrów procesu rozdrabniania, takich jak prąd elektryczny silnika napędowego, pojemność młyna, kotły, czy typ węgla, na drgania młyna zbadano w celu określenia potencjalnych awarii młyna i jego części składowych na potrzeby jego konserwacji predykcyjnej. Wyniki badań pokazały, iż wybrane parametry procesu rozdrabniania nie mają znaczącego wpływu na natężenie drgań młyna wentylatorowego. W przeciwieństwie do większości młynów węglowych, w przypadku których należy brać pod uwagę parametry procesu rozdrabniania, kontrola stanu młynów wentylatorowych może być prowadzona w trybie offline lub online za pomocą standardowych metod monitorowania warunków drgania.
    Beater wheel mills are designed to prepare a coal powder air fuel mixture for combustion in furnace chambers of coal-fired power plants by coal drying, pulverizing, classifying and transport. Their multipurpose function usually results in operation instability accompanied by unacceptable vibration. This usually is a significant problem due to unplanned shutdowns. Beater wheel mill maintenance program requires special attention due to operation under non-stationary conditions. The purpose of this paper was to identify pulverizing process parameter that affect the beater wheel mill vibration level and severity at the same time by using statistical principles under a wide range of operating conditions. This paper intends to establish the foundations to investigate correlation of pulverizing process parameter with beater wheel mill vibration in order to setup a better predictive maintenance program. To achieve this goal, the beater wheel mill vibration under different combinations of selected pulverizing process parameters are analyzed using statistical tools. Experiments were carried out under different conditions for two identical but separated beater wheel mills. The influence of pulverizing process parameter, such as electrical current of the driving motor, mill capacity, boiler production, coal types on mill vibration are investigated to identify the potential malfunction of beater wheel mills and their associated components for predictive maintenance purposes. The results have demonstrated that the selected pulverizing process parameters do not have significant influence on beater wheel mill vibration severity. Unlike most coal mills where pulverizing process parameters must take into account, here with beater wheel impact mills it is not the case and condition monitoring of these mills could be conducted offline or online using standard vibration condition monitoring methods.
    Źródło:
    Eksploatacja i Niezawodność; 2014, 16, 1; 158-163
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      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