Publikacje

Streszczenie:

Niniejszy artykuł analizuje postępy w zakresie konserwacji predykcyjnej (PdM) dla aktywów przemysłowych za pomocą innowacyjnej metodologii, która kategoryzuje parametry diagnostyczne w spójne grupy. Konserwacja predykcyjna stanowi istotny element łagodzenia nieprzewidzianych przestojów i poprawy wydajności operacyjnej w zakładach produkcyjnych. Autorzy zalecają scentralizowane ramy dla PdM, skutecznie radząc sobie ze złożonością wynikającą z nasycenia danych przez liczne węzły czujników. Proponowana metodologia udoskonala proces konserwacji predykcyjnej poprzez systematyczne organizowanie parametrów diagnostycznych w oparciu o ich znaczenie i wzajemne powiązania, zwiększając w ten sposób jego skuteczność i wydajność. W badaniu wykorzystano platformę oprogramowania KNIME do kompleksowej analizy danych i walidacji proponowanego podejścia, demonstrując jego praktyczność w odniesieniu do zbiorów danych uzyskanych z systemów SCADA/MES. Wyniki potwierdzają solidność i dostępność metodologii, podkreślając jej potencjalne zastosowanie w różnych sektorach przemysłu. Przyszłe kierunki badań obejmują integrację zaawansowanych technik uczenia maszynowego i badanie przydatności metodologii w różnych branżach.

Abstract:

This article examines the advancement of predictive maintenance (PdM) for industrial assets through an innovative methodology that categorises diagnostic parameters into coherent groups. Predictive maintenance constitutes a vital component in mitigating unforeseen downtime and improving operational efficiency within manufacturing settings. The authors recommend a centralised framework for PdM, effectively addressing the complexities arising from data saturation by numerous sensor nodes. The proposed methodology refines the predictive maintenance process by systematically organising diagnostic parameters based on their significance and interconnections, thereby enhancing its effectiveness and efficiency. The study utilises the KNIME software platform for comprehensive data analysis and validation of the proposed approach, demonstrating its practicality with datasets obtained from SCADA/MES systems. The results confirm the robustness and accessibility of the methodology, highlighting its potential applicability across various industrial sectors. Future research directions include the integration of advanced machine learning techniques and the exploration of the methodology's relevance in diverse industries.

POWRÓT

Strona główna > Publikacje

Enhancing Predictive Maintenance of Industrial Assets Through Machine Diagnostic Parameter Grouping