АНАЛІЗ ПОКАЗНИКІВ СЕНСОРІВ ДЛЯ ПРОГНОЗНОГО ТЕХНІЧНОГО ОБСЛУГОВУВАННЯ ТЕХНОЛОГІЧНИХ ЛІНІЙ ВАЖКОЇ ПРОМИСЛОВОСТІ

Автор(и)

DOI:

https://doi.org/10.32689/maup.it.2025.1.3

Ключові слова:

технологічна лінія, прогнозне технічне обслуговування, прогнозне технічне обслуговування на основі стану, прогнозна модель, описова статистика, контекстна статистика, кореляційний аналіз

Анотація

У статті розглянуто напрями цифрової трансформації технічного обслуговування технологічних ліній важкої промисловості, спрямовані на передбачення потенційної несправності обладнання до його повної функціональної відмови. Обґрунтовано вибір методів виявлення проблемних даних, що надходять від сенсорів технологічної лінії, націлених на зменшення інтервалу часу між виникненням проблеми та її виявленням. Розглянуто підходи до забезпечення оптимального оновлення даних моделей Predictive Maintenance, які забезпечують кращу точність прогнозування відмов. Метою статті є дослідження та виявлення ефективних методів аналізу якості даних показників сенсорів технологічних ліній у важкій промисловості для підвищення точності прогнозування поломок при проведенні прогнозного технічного обслуговування. Методологія. Проаналізовано програмно-апаратні рішення, спрямовані на підвищення точності прогнозу несправностей технологічних ліній, що базуються на RCM-методології. Використано методи кореляційного аналізу даних, описової та контекстної статистики для моніторингу даних показників сенсорів. Запропоновано послідовність етапів виявлення проблемних даних в умовах реального виробництва на підприємствах важкої промисловості, які забезпечують автоматизовану генерацію їх потенційних джерел. Наукова новизна дослідження полягає у виявленні в умовах Industry 4.0 методів і підходів до аналізу показників сенсорів технологічних ліній, спрямованих на підвищення точності моделей прогнозного технічного обслуговування. Висновки. Супроводження прогнозних моделей Predictive Maintenance, які обслуговують технологічні лінії важкої промисловості, в умовах реального виробництва вимагає здійснення коригування та оновлення їх параметрів на основі постійного моніторингу стану обладнання у режимі реального часу. Для забезпечення виявлення проблемних даних обґрунтовано доцільність розробки інформаційної системи, яка реалізує аналіз даних показників сенсорів із застосуванням методів описової, контекстної статистики та кореляційного аналізу даних. Результати впровадження розробленої інформаційно-аналітичної системи, яка включає в себе рекомендаційну систему на етапі формування набору даних для аналізу, супроводжувалися підвищенням точності прогнозування несправностей і зменшенням часу між виникненням та виявленням проблем, які призводять до відмови обладнання. Що свідчить про вирішення експлуатаційних задач із більш високою точністю та ефективністю.

Посилання

Болюбаш Н. М., Фінькова О. В. Система аналізу даних для прогнозного технічного обслуговування технологічних ліній. Матеріали XXVІІ Всеукраїнської науково-практичної конференції «Могилянські читання – 2024: Досвід та тенденції розвитку суспільства в Україні: глобальний, національний та регіональний аспекти». Технічні науки. Миколаїв: Вид-во ЧНУ імені П. Могили. 2024. С. 163–167. URL: https://dspace.chmnu.edu.ua/jspui/bitstream/123456789/2507/1/Технічні%20науки.pdf#page=165.

Темчур В. С., Баган Т. Г. Методи глибокого навчання моделей для прогнозного обслуговування. Вчені записки ТНУ ім. В.І. Вернадського. Серія: технічні науки. 2023. Т. 34 (73), № 6. С. 155–162. URL: https://doi.org/10.32782/2663-5941/2023.6/23.

Achouch M., Dimitrova M., Ziane K., Sattarpanah Karganroudi S., Dhouib R., Ibrahim H., Adda M. On Predictive Maintenance in Industry 4.0: Overview, Models, and Challenges. Applied Sciences. 2022. Vol. 12, No 16. P. 8081. URL: https://doi.org/10.3390/app12168081.

Baptista M., Sankararaman S., et al. Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling. Computers & Industrial Engineering. 2018. Vol. 115. P. 41–53. URL: https://doi.org/10.1016/j.cie.2020.107060.

Blann D. Maximizing the P-F interval through condition-based maintenance. URL: https://www.maintworld.com/Applications/Maximizing-the-P-F-Interval-Through-Condition-Based-Maintenance.

Buyske S., Fagerstrom R., Ying Z. A class of weighted log-rank tests for survival data when the event is rare. Journal of the American Statistical Association. 2020. Vol. 95, No 449. P. 249–258. URL: https://doi.org/10.1080/01621459.2000.10473918.

Geisbush, J., Ariaratnam, S. T. Reliability centered maintenance (RCM): literature review of current industry state of practice. Journal of Quality in Maintenance Engineering. 2023. Vol. 29, No. 2. PP. 313–337. URL: https://doi.org/10.1108/JQME-02-2021-0018.

Hamasha M. M., Bani-Irshid A. H., Al Mashaqbeh S., et al. Strategical selection of maintenance type under different conditions. Scientific Reports. 2023. Vol. 13, P. 15560. URL: https://doi.org/10.1038/s41598-023-42751-5.

Horrell M., Reynolds L., McElhinney A. Data Science in Heavy Industry and the Internet of Things. Harvard Data Science Review. 2020. Issue 2 (2). URL: https://doi.org/10.1162/99608f92.834c6595.

Keleko A. T., Kamsu-Foguem B., Ngouna R. H., Tongne A. Artificial Intelligence and Real-Time Predictive Maintenance in Industry 4.0: a bibliometric analysis. AI and Ethics. 2022. Vol 2. P. 533–577. URL: https://doi.org/10.1007/s43681-021-00132-6.

Li L., Liu M., Shen W., Cheng G. An expert knowledge-based dynamic maintenance task assignment model using discrete stress-strength interference theory. Knowledge-Based Systems. 2017. Vol. 131. P.135–148. URL: https://doi.org/10.1016/j.knosys.2017.06.008.

Nokeri T. C. Dash Bootstrap Components. In: Web App Development and Real-Time Web Analytics with Python. Pub.: Berkeley, CA. 2022. P. 87–97. URL: https://doi.org/10.1007/978-1-4842-7783-6_6.

Oliynyk K. 5 Use Cases of Predictive Maintenance using IoT. URL: https://webbylab.com/blog/use-cases-of-iotbased-predictive-maintenance.

Ong H., Niyato D., Yuen C. Predictive Maintenance for Edge-Based Sensor Networks. 2020. URL: https://arxiv.org/pdf/2007.03313.

Patel M, Vasa J., Patel B. Predictive Maintenance: A Comprehensive Analysis and Future Outlook. Published in 2nd International Conference on Futuristic Technologies (INCOFT). 2024. URL: https://doi.org/10.1109/INCOFT60753.2023.10425122.

Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence. 2019. Vol. 1, No 5. P. 206-215. URL: https://doi.org/10.1038/s42256-019-0048-x.

Serradilla O., Zugasti E., Zurutuza U. Deep Learning Models for Predictive Maintenance: A Survey. 2020. URL: https://doi.org/10.48550/arXiv.2010.03207.

Sharma J., Mittal M.L., Soni G. Condition-based maintenance using machine learning and role of interpretability: a review. International Journal of System Assurance Engineering and Management. Vol. 15. P. 1345–1360. URL: https://doi.org/10.1007/s13198-022-01843-7.

Sikorska J., Hodkiewicz M., Ma L. Prognostic modelling options for remaining useful life estimation by industry. Mechanical Systems and Signal Processing. 2011. Vol. 25, No 5. P. 1803-1836. URL: https://doi.org/10.1016/j.ymssp.2010.11.018.

Ucar A., Karakose M., Kırımça N. Artificial Intelligence for Predictive Maintenance Applications: Key Components, Trustworthiness, and Future Trends. Applied Sciences. 2024. Vol. 14, No 2. P. 898. URL: https://doi.org/10.3390/app14020898.

Wheeler K.R., Kurtoglu T., Poll S.D. A survey of health management user objectives related to diagnostic and prognostic metrics. In Proceedings International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. 2009. P. 1287–1298. URL: https://doi.org/10.1115/DETC2009-87073.

Yuan M., Wu Y., Lin L. Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network. In Proceedings International Conference on Aircraft Utility Systems (AUS). IEEE. 2016. P. 135–140. URL: https://doi.org/10.1109/AUS.2016.7748035.

Zhang C., Lim P., Qin A. K., Tan K. C. Multiobjective Deep Belief Networks Ensemble for Remaining Useful Life Estimation in Prognostics. IEEE Transactions on Neural Networks and Learning Systems. 2017. Vol. 28, No 10. P. 2306–2318. URL: https://doi.org/10.1109/TNNLS.2016.2582798.

##submission.downloads##

Опубліковано

2025-05-28

Як цитувати

БОЛЮБАШ, Н., & ФІНЬКОВА, О. (2025). АНАЛІЗ ПОКАЗНИКІВ СЕНСОРІВ ДЛЯ ПРОГНОЗНОГО ТЕХНІЧНОГО ОБСЛУГОВУВАННЯ ТЕХНОЛОГІЧНИХ ЛІНІЙ ВАЖКОЇ ПРОМИСЛОВОСТІ. Інформаційні технології та суспільство, (1 (16), 23-40. https://doi.org/10.32689/maup.it.2025.1.3