Informacja

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

Wyszukujesz frazę "reliability based maintenance" wg kryterium: Temat


Wyświetlanie 1-6 z 6
Tytuł:
Reliability Based Optimal Preventive Maintenance Policy of Series-parallel systems
Autorzy:
Peng, W.
Huang, H-Z.
Zhang, X.
Liu, Y.
Li, Y.
Powiązania:
https://bibliotekanauki.pl/articles/301465.pdf
Data publikacji:
2009
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
preventive maintenance
series-parallel systems
reliability based maintenance
Opis:
To reduce the maintenance cost and improve the effectiveness of the maintenance activities in series-parallel systems, a preventive maintenance (PM) decision model for series-parallel systems subject to reliability was developed. This model considered the effect of failure maintenance on PM cycle and the restriction of system reliability in maintenance decision making, thus can help decision-maker to arrange appropriate and effective maintenance activities. Finally, an example was given to validate the proposed model.
Źródło:
Eksploatacja i Niezawodność; 2009, 2; 4-7
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Optimal maintenance strategy on medical instruments used for haemodialysis process
Optymalna strategia konserwacji urządzeń medycznych wykorzystywanych w procesie hemodializy
Autorzy:
Tan, Cher Ming
Narula, Udit
Lai, Lu An
Pandey, Sumit
Tung, Jung Hua
Yi Li, Chung
Powiązania:
https://bibliotekanauki.pl/articles/301733.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
reliability based maintenance
dialysis machines
genetic algorithm
reliability analysis
statistical distributions
operational availability
konserwacja oparta na niezawodności
aparaty do dializy
algorytm genetyczny
analiza niezawodności
rozkłady statystyczne
gotowość operacyjna
Opis:
Haemodialysis machines are one of the important medical equipment which is used to treat renal failures and minimum downtimes are thus essential. Uninterrupted and constant use of these machines in hospitals worldwide makes them vulnerable to failures if not maintained properly. Consequently, the maintenance cost for dialysis machine is high. A method to implement a cost effective maintenance strategy is demonstrated in this work. Root Cause Based Maintenance (RCBM) strategy is employed at the component level to optimize the Reliability Based Maintenance schedules derived from the existing maintenance and failure data. In order to minimize the average cost of maintenance for Haemodialysis machines and ensure their high operational availability, a Cost-Model is derived, and Genetic Algorithm is employed for optimization in this work. The application of RCBM strategy results in cost saving of about 60% of the cost incurred using current maintenance scheme. Statistical and optimization calculations are performed using Reliasoft’s Weibull++ and MATLAB tools respectively.
Aparaty do hemodializy to ważne urządzenia medyczne wykorzystywane w leczeniu niewydolności nerek, dlatego ich przestoje muszą być jak najkrótsze. Ciągłe, nieprzerwane korzystanie z tych urządzeń w szpitalach na całym świecie sprawia, że, w przypadku braku właściwej konserwacji, są one podatne na awarie. W związku z tym koszty konserwacji aparatów do dializy są wysokie. W prezentowanej pracy przedstawiono metodę wdrażania ekonomicznej strategii konserwacji. Wykorzystano strategię konserwacji opartą na analizie przyczyn źródłowych uszkodzenia (RCBM). Zastosowano ją na poziomie części składowych w celu optymalizacji harmonogramów konserwacji opartej na niezawodności (RBM) tworzonych na podstawie istniejących danych dotyczących konserwacji i uszkodzeń. Aby móc zminimalizować średni koszt konserwacji aparatów do hemodializy i zapewnić ich wysoką gotowość operacyjną, opracowano model kosztowy, a optymalizację przeprowadzono za pomocą algorytmu genetycznego. Zastosowanie strategii RCBM daje około 60-procentową oszczędność kosztów, jakie ponosi się przy użyciu obecnie wykorzystywanego programu konserwacji. Obliczenia statystyczne i optymalizacyjne wykonano, odpowiednio, przy użyciu oprogramowania Weibull ++ i MATLAB firmy Reliasoft.
Źródło:
Eksploatacja i Niezawodność; 2019, 21, 2; 318-328
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Time-based machine failure prediction in multi-machine manufacturing systems
Algorytm wsparcia strategii tbm w wielomaszynowych systemach wytwórczych
Autorzy:
Sobaszek, Łukasz
Gola, Arkadiusz
Świć, Antoni
Powiązania:
https://bibliotekanauki.pl/articles/1365197.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
production system
maintenance
reliability
machine failure
prediction
Time-Based Maintenance
system produkcyjny
utrzymanie ruchu
niezawodność
awarie maszyn
predykcja
Opis:
The execution of production processes in real manufacturing systems is associated with the occurrence of numerous disruptions, which predominantly revolve around technological machine failure. Therefore, various maintenance strategies are being developed, many of which tend to emphasise effective preventive measures, such as the Time-Based Maintenance (TBM) discussed in this paper. Specifically, this publication presents the time-based machine failure prediction algorithm for the multi-machine manufacturing environment. The Introduction section outlines the body of knowledge related to typical strategies applied in maintenance. The next part describes an approach to failure prediction that treats processing times as makespan and is followed by highlighting the key role of historical data in machine failure management, in the subsequent section. Finally, the proposed time-based machine failure prediction algorithm is presented and tested by means of a two-step verification, which confirms its effectiveness and further practical implementation.
Realizacja procesów produkcyjnych w rzeczywistych systemach wytwórczych wiąże się z występowaniem wielu zakłóceń, do których zalicza się głównie awarie maszyn technologicznych. W związku z tym obserwowany jest rozwój różnorodnych strategii utrzymania ruchu. Coraz większy nacisk kładziony jest na efektywne działania prewencyjne, do których zalicza się także działania określone w czasie (ang. Time-Based Maintenance – TBM). W niniejszej publikacji zaprezentowano algorytm predykcji awarii maszyn w wielomaszynowych systemach wytwórczych wspierający prewencyjne utrzymanie ruchu. Na wstępie omówiono zagadnienia związane z typowymi strategiami stosowanymi w obszarze UR. Ponadto omówiono tematykę predykcji awarii, zwracając uwagę na ujęcie czasu pracy maszyny jako czasu trwania, a także kluczową rolę wykorzystania danych historycznych dotyczących awarii maszyn. Następnie zaprezentowano proponowany algorytm predykcji wspierający działania określone w czasie. Prezentowane prace zakończono dwuetapową weryfikacją proponowanej metody, która potwierdziła jej skuteczność oraz zasadność wykorzystania.
Źródło:
Eksploatacja i Niezawodność; 2020, 22, 1; 52-62
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Predictive modelling of turbofan engine components condition using machine and deep learning methods
Autorzy:
Matuszczak, Michał
Żbikowski, Mateusz
Teodorczyk, Andrzej
Powiązania:
https://bibliotekanauki.pl/articles/1841686.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
reliability
prognostics
deep learning
machine learning
gas turbine
turbofan engine
neural network
condition-based maintenance
Opis:
The article proposes an approach based on deep and machine learning models to predict a component failure as an enhancement of condition based maintenance scheme of a turbofan engine and reviews currently used prognostics approaches in the aviation industry. Component degradation scale representing its life consumption is proposed and such collected condition data are combined with engines sensors and environmental data. With use of data manipulation techniques, a framework for models training is created and models' hyperparameters obtained through Bayesian optimization. Models predict the continuous variable representing condition based on the input. Best performed model is identified by detemining its score on the holdout set. Deep learning models achieved 0.71 MSE score (ensemble meta-model of neural networks) and outperformed significantly machine learning models with their best score at 1.75. The deep learning models shown their feasibility to predict the component condition within less than 1 unit of the error in the rank scale.
Źródło:
Eksploatacja i Niezawodność; 2021, 23, 2; 359-370
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Projektowanie niezawodnościowe z wykorzystaniem kilku strategii utrzymania
Reliability - based design incorporating several maintenance policies
Autorzy:
Wang, Z.
Huang, H. Z.
Du, X.
Powiązania:
https://bibliotekanauki.pl/articles/301423.pdf
Data publikacji:
2009
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
optymalizacja projektowania niezawodnościowego
cykl życia
eksploatacja
metoda analizy niezawodności pierwszego rzędu
reliability-based design optimization
lifecycle
maintenance
first order reliability method
Opis:
Tradycyjna optymalizacja projektowania niezawodnościowego (RBDO) minimalizuje funkcję celu opisującą koszty w zależności od ograniczeń niezawodności. Ograniczenia niezawodności oparte są na modelach fizycznych, takich jak symulacja z wykorzystaniem metody elementów skończonych, których używa się do określania stanu komponentu lub systemu. Stąd niezawodność oznacza tu tzw. niezawodność fizyczną. Ograniczenia niezawodności są zazwyczaj statyczne i nie wyjaśniają problemów związanych z cyklem życia produktu. W niniejszej pracy zaproponowano kilka modeli optymalizacji projektowania niezawodnościowego wykorzystujących kilka strategii utrzymania. Koszt cyklu życia produktu w omawianych modelach został zminimalizowany przy jednoczesnym spełnieniu wymogów niezawodności i dostępności podczas cyklu życia produktu. Do obliczenia czasowo zależnej niezawodności wykorzystano metodę analizy niezawodności pierwszego rzędu (FORM). Możliwość praktycznego wykorzystania proponowanych modeli zilustrowano przykładem.
Traditional reliability-based design optimization (RBDO) minimizes a cost-type objective function subject to reliability constraints. The reliability constraints are based on physical models, such as finite element simulation, which are used to specify the state of a component or a system. Hence the reliability is the so-called physical reliability. The reliability constraints are usually static without accounting for product lifecycle issues. In this work, several reliability-based design optimization models incorporating several maintenance policies are proposed. The product lifecycle cost is minimized while the constraints of product lifecycle reliability or availability are satisfied. The First Order Reliability Method (FORM) is employed to calculate the time dependent reliability. An engineering example is used to illustrate the proposed models.
Źródło:
Eksploatacja i Niezawodność; 2009, 4; 37-44
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Using Reliability Block Diagrams and Fault Tree circuits, to develop a Condition Based Maintenance Model for a Vessel’s Main Propulsion System and Related Subsystems
Autorzy:
Anantharaman, M.
Powiązania:
https://bibliotekanauki.pl/articles/117168.pdf
Data publikacji:
2013
Wydawca:
Uniwersytet Morski w Gdyni. Wydział Nawigacyjny
Tematy:
Fault Tree
Main Engine
Propulsion System
Condition Based Maintenance (CBM)
Planned Maintenance System
Reliability Block Diagrams
Main Propulsion
fault tree analysis (FTA)
Opis:
Merchant shipping has undergone a great transformation over the past three decades. The shipping market is highly competitive, which coupled with high crewing and fuel costs, leads to high operational costs. One of the paramount factor involved in vessel operation is the Maintenance cost and there is a dire need to keep this cost to a minimum. Fortunately the earlier policy of repair only maintenance in commercial shipping has been done away with, and was replaced by the policy of preventive maintenance. Planned Maintenance System was introduced by ship management companies in the early 90’s. Planned Maintenance offered benefits over the repair only policy, but has its own demerits. Many a time machinery equipment is opened up for routine maintenance after a specified time interval, irrespective of the need. This could lead to potential failures, which is explained by the fact that preventive maintenance resulted in meddling of a well set piece of machinery equipment, leading to its subsequent failure. This is where Condition based maintenance or CBM steps into prominence. CBM monitors the health of the machinery equipment, analyses the condition and helps you in decision making. The Main Propulsion system forms the heart of a vessel and we need to ensure its reliability, together with the reliability of its associated sub-systems. The entire system can be represented by reliability block diagrams, to show the interdependence of various components comprising the system. This helps in the decision making process of CBM whereby ship’s engineer may decide to stop the running machinery equipment, open and overhaul the same, else postpone the overhaul for a later safe date.
Źródło:
TransNav : International Journal on Marine Navigation and Safety of Sea Transportation; 2013, 7, 3; 409-413
2083-6473
2083-6481
Pojawia się w:
TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-6 z 6

    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