Publikacje

Streszczenie:

Manuskrypt wyjaśnia postępy w konserwacji predykcyjnej (PdM) dla aktywów przemysłowych za pomocą innowacyjnej metodologii, która klasyfikuje parametry diagnostyczne w spójne grupy. Konserwacja predykcyjna jest integralną częścią łagodzenia nieprzewidzianych przestojów i zwiększania wydajności operacyjnej w kontekście produkcyjnym. Autorzy opowiadają się za scentralizowanymi ramami dla PdM, skutecznie radząc sobie ze złożonością wprowadzoną przez nasycenie danych z wielu węzłów czujników. Metodologia ta usprawnia proces konserwacji predykcyjnej poprzez metodyczne organizowanie parametrów diagnostycznych zgodnie z ich znaczeniem i wzajemnymi powiązaniami, zwiększając w ten sposób jego wydajność i skuteczność. Badanie wykorzystuje platformę oprogramowania KNIME do kompleksowej analizy danych i walidacji proponowanego podejścia, demonstrując w ten sposób jego praktyczność w odniesieniu do zbiorów danych pochodzących z systemów SCADA/MES. Wyniki potwierdzają odporność i dostępność metodologii, podkreślając jej potencjalne zastosowanie w różnych dziedzinach przemysłu. Perspektywiczne kierunki badań obejmują integrację zaawansowanych metodologii uczenia maszynowego i badanie przydatności metodologii w różnych sektorach.

Abstract:

The manuscript elucidates the advancement of predictive maintenance (PdM) for industrial assets via an innovative methodology that classifies diagnostic parameters into coherent groups. Predictive maintenance is integral to mitigating unforeseen downtime and enchansing operational efficiency within manufacturing contexts. The authors advocate for a centralised framework for PdM, effectively tackling the complexities introduced by data saturation from many sensor nodes. The methodology enhances the predictive maintenance workflow by methodically organising diagnostic parameters according to their significance and interconnections, thereby augmenting its efficiency and efficacy. The investigation employs the KNIME software platform for comprehensive data analysis and validation of the proposed approach, thereby demonstrating its practicality with datasets derived from SCADA/MES systems. The findings substantiate the methodology's resilience and accessibility, underscoring its prospective applicability across diverse industrial domains. Prospective avenues for research encompass the integration of sophisticated machine learning methodologies and the examination of the methodology's relevance in varied sectors.

POWRÓT

Strona główna > Publikacje

Enhancing Predictive Maintenance of Industrial Assets Through Machine Diagnostic Parameter Grouping