ВДОСКОНАЛЕННЯ ПРОГНОЗНОГО ТЕХНІЧНОГО ОБСЛУГОВУВАННЯ НА ОСНОВІ АНАЛІЗУ ПРОЦЕСУ ДЕГРАДАЦІЇ СТАНУ ПАКУВАЛЬНОГО ОБЛАДНАННЯ

Б. О. Пальчевський

doi:10.36910/4293-52779-2025-17-01-05

Б. О. Пальчевський Луцький національний технічний університет / Україна

DOI: https://doi.org/10.36910/4293-52779-2025-17-01-05

Ключові слова: Прогнозне технічне обслуговування (PdM), компонент моніторингу стану, прикладне дослідження, RUL – remaining useful life.

Анотація

Прогнозне технічне обслуговування (PdM) – це стратегія технічного обслуговування на основі стану, яка покладається на моніторинг обладнання в режимі реального часу з метою виконання дій з технічного обслуговування саме тоді, коли це необхідно, уникаючи непотрібних профілактичних заходів. Це дослідження має на меті розробити комплексну методологію PdM, яка об’єднує оцінку залишкового терміну корисного використання (RUL – remaining useful life) технологічного обладнання (ТО) та його основних механізмів шляхом аналізу процесу деградації їх стану. З цією метою пропонується оснастити ТО системою постійного моніторингу для постійного автоматичного збору та обробки статистичних даних з поточної експлуатації ТО та інших діагностичних параметрів, що супроводжують роботу машини (вібрації, струми, звук, температура, продуктивність, частота відновлення працездатності тощо). Збір даних у поєднанні з програмним забезпеченням дає змогу перетворити їх в режимі реального часу в історію процесу деградації і в результаті аналізу визначати. чи є суттєві зміни, які вказують на наявність дефекту у виробничому процесі, а також конкретизувати вимоги до видів та термінів технічного обслуговування. Пропонується алгоритм для моделювання процесу деградації та оптимізації графіка технічного обслуговування промислового обладнання на основі моделей деградації та експертної системи (ЕС) для підтримки прийняття рішень на основі RUL для визначення оптимального часу для технічного обслуговування. Особливістю методики дослідження стану ТО є її двоетапне виконання: на першому етапі досліджується технічний стан ТО як цілого, а на другому – її механізмів. Саме на другому етапі визначаються механізми, що вимагають проведення технічного обслуговування, а також вид цього обслуговування. Цей методологічний підхід не тільки збільшує інтервали між операціями технічного обслуговування, але також оцінює технічний стан основних механізмів, що підвищує ефективність роботи та мінімізує дорогий час простою. Ключова особливість цієї дослідницької роботи полягає в її реальній застосовності для ТО з декількома механізмами, оскільки ефективність запропонованої основи оцінюється в рамках реальної виробничої системи пакувального виробництва.

Посилання

Bousdekis, D. Apostolou and G. Mentzas. Predictive maintenance in the 4th industrial revolution: benefits business opportunities and man-agerial implications. IEEE Engineering Management Review, vol. 48, no. 1, pp. 57-62, 2020. DOI: 10.1109/EMR.2019.2958037

D. Jung and C. Sundstrom. A combined data-driven and model-based residual selection algorithm for fault detection and isolation. IEEE Transactions on Control Systems Technology, vol. 27, no. 2, pp. 616-630, 2017. DOI: 10.1109/TCST.2017.2773514

D. B. Durocher and G. R. Feldmeier. Predictive versus preventive maintenance. IEEE Industry Applications Magazine, vol. 10, no. 5, pp. 12-21, 2004. DOI: 10.1109/MIA.2004.1330766

E. F. Swana, W. Doorsamy and P. Bokoro. Tomek link and SMOTE approaches for machine fault classification with an imbalanced dataset. Sensors, vol. 22, no. 9, pp. 3246, 2022. https://doi.org/10.3390/s22093246

S. Wickramasinghe, K. Amarasinghe, D. L. Marino, C. Rieger and M. Manic. Explainable unsupervised machine learning for cyber-physical systems. IEEE Access, vol. 9, pp. 131 824-13 143, 2021. DOI: 10.1109/ACCESS.2021.3112397

L. Yuanyuan and S. Jiang. Research on equipment predictive mainte-nance strategy based on big data technology. IEEE 2015 International Conference on Intelligent Transportation Big Data and Smart City, pp. 641-644, December 2015. DOI: 10.1109/ICITBS.2015.163

W. Yu, T. Dillon, F. Mostafa, W. Rahayu and Y. Liu. A global manufacturing big data ecosystem for fault detection in predictive maintenance. IEEE Transactions on Industrial Informatics, vol. 16, no. 1, pp. 183-192, 2021. DOI: 10.1109/TII.2019.2915846

Palchevskyi B., Krestyanpol L. Application of Predictive Maintenance in the Packaging Production. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska – IAPGOS, № 3, 2022, рр. 27–33. DOI: 10.35784/iapgos.3051

Jardine A.K. Review of Current Approaches for Defining the Remaining Useful Life of Mechanical Equipment, Mechanical Systems and Signal Processing, 20(4), 2006, рр.719-737.