Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nguyên tắc suy giảm của máy móc bị ảnh hưởng bởi việc bảo trì
Tóm tắt
Bảo trì là rất quan trọng cho dịch vụ sản phẩm và khác với sửa chữa, vì sửa chữa tập trung vào thời điểm khi sản phẩm bị hỏng, đó là một vấn đề định tính, trong khi bảo trì chú trọng nhiều hơn đến tính liên tục trong hoạt động của máy móc, vì vậy đây không phải là một vấn đề định tính. Tuy nhiên, hầu hết các phương pháp nghiên cứu hiện nay đều phương pháp định tính vì chúng chỉ phân chia tình trạng sức khỏe của máy thành nhiều cấp độ khác nhau, điều này không đủ để khám phá một cách toàn diện nguyên tắc suy giảm của máy và mối quan hệ giữa suy giảm và bảo trì. Để khám phá nguyên tắc suy giảm của máy móc bị ảnh hưởng bởi việc bảo trì, một phương pháp nghiên cứu định lượng được đề xuất bằng cách tính chỉ số sức khỏe (Health Index - HI) dựa trên quy trình phân tích hàm mờ (Fuzzy Analytic Hierarchy Process - FAHP) và mạng nơ-ron tích chập (Convolutional Neural Network - CNN). Cuối cùng, một nghiên cứu trường hợp được sử dụng để chứng minh việc thực hiện và ứng dụng tiềm năng của phương pháp được đề xuất, trong đó hai phương pháp bảo trì chính trong quản lý tiên đoán và sức khỏe (Prognostic and Health Management - PHM), tức là bảo trì theo thời gian (Time-Based Maintenance - TBM) và bảo trì dựa trên điều kiện (Condition-Based Maintenance - CBM) được nghiên cứu. Kết quả cho thấy việc áp dụng phương pháp đề xuất dẫn đến tăng đáng kể tuổi thọ của máy móc. Nghiên cứu này đưa ra một phương pháp mới để nghiên cứu nguyên tắc suy giảm của máy và sẽ dẫn đến sự phát triển của PHM sử dụng HI.
Từ khóa
Tài liệu tham khảo
Abdeljaber, O., Avci, O., Kiranyaz, S., Gabbouj, M., & Inman, D. J. (2017). Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks. Journal of Sound and Vibration, 388, 154–170.
Basten, R. J. I., Heijden, M. C. V. D., & Schutten, J. M. J. (2012). Joint optimization of level of repair analysis and spare parts stocks. European Journal of Operational Research, 222(3), 474–483.
Butler, K. L. (1996) An expert system based framework for an incipient failure detection and predictive maintenance system. In Intelligent Systems Applications to Power Systems, 1996. Proceedings, ISAP'96., International Conference on, (pp. 321-326): IEEE.
Chang, D.-Y. (1996). Applications of the extent analysis method on fuzzy AHP. European Journal of Operational Research, 95(3), 649–655.
Changhua, H., Hong, P., Zhaoqiang, W., Xiaosheng, S., & Zhang, Z. (2018). A new remaining useful life estimation method for equipment subjected to intervention of imperfect maintenance activities. Chinese Journal of Aeronautics, 31(3), 514–528.
Chen, Z., Deng, S., Chen, X., Li, C., Sanchez, R. V., & Qin, H. (2017). Deep neural networks-based rolling bearing fault diagnosis. Microelectronics Reliability, 75, 327–333.
Ertuğrul, İ, & Karakaşoğlu, N. (2008). Comparison of fuzzy AHP and fuzzy TOPSIS methods for facility location selection. The International Journal of Advanced Manufacturing Technology, 39(7–8), 783–795.
Farhat, A., Guyeux, C., Makhoul, A., Jaber, A., Tawil, R., & Hijazi, A. (2017). Impacts of wireless sensor networks strategies and topologies on prognostics and health management. Journal of Intelligent Manufacturing, 30(5), 2129–2155.
Gok, A. (2015). A new approach to minimization of the surface roughness and cutting force via fuzzy TOPSIS, multi-objective grey design and RSA. Measurement, 70, 100–109. https://doi.org/10.1016/j.measurement.2015.03.037.
Guo, L., Li, N., Jia, F., Lei, Y., & Lin, J. (2017). A recurrent neural network based health indicator for remaining useful life prediction of bearings. Neurocomputing, 240, 98–109.
Guo, L., Li, N., Jia, F., Lei, Y., & Lin, J. (2017). A recurrent neural network based health indicator for remaining useful life prediction of bearings. Neurocomputing, 240, 98–109.
Huynh, K. T., Castro, I. T., Barros, A., & Bérenguer, C. (2012). Modeling age-based maintenance strategies with minimal repairs for systems subject to competing failure modes due to degradation and shocks. European Journal of Operational Research, 218(1), 140–151.
Jia, F., Lei, Y., Guo, L., Lin, J., & Xing, S. (2017). A neural network constructed by deep learning technique and its application to intelligent fault diagnosis of machines. Neurocomputing, 272, 619–628.
Jia, F., Lei, Y., Lin, J., Zhou, X., & Lu, N. (2016). Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data. Mechanical Systems and Signal Processing, 72–73, 303–315.
Jing, L., Zhao, M., Li, P., & Xu, X. (2017). A convolutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox. Measurement, 111, 1–10.
Kacprzynski, G. J., Gumina, M., Roemer, M. J., Caguiat, D. E., Galie, T. R., & McGroarty, J. J. (2001). A prognostic modeling approach for predicting recurring maintenance for shipboard propulsion systems. In Turbo Expo: Power for Land, Sea, and Air, 2001 (Vol. 78507, pp. V001T002A003). American Society of Mechanical Engineers.
Kilincci, O., & Onal, S. A. (2011). Fuzzy AHP approach for supplier selection in a washing machine company. Expert Systems with Applications, 38(8), 9656–9664.
Kumar, A., Chinnam, R. B., & Tseng, F. (2018). An HMM and polynomial regression based approach for remaining useful life and health state estimation of cutting tools. Computers and Industrial Engineering, 128, 1008–1014.
Lee, J. (2008) A similarity-based prognostics approach for remaining useful life estimation of engineered systems. In International Conference on Prognostics and Health Management, (pp. 1-6).
Lei, Y., Li, N., Guo, L., Li, N., Yan, T., & Lin, J. (2018). Machinery health prognostics: A systematic review from data acquisition to RUL prediction. Mechanical Systems and Signal Processing, 104, 799–834.
Lembessis, E., Antonopoulos, G., King, R., Halatsis, C., & Torres, J. (1989) CASSANDRA: an on-line expert system for fault prognosis. In Proc. the 5th CIM Europe Conference on Computer Integrated Manufacturing, (Vol. 371377).
Li, X., Ding, Q., & Sun, J.-Q. (2018). Remaining useful life estimation in prognostics using deep convolution neural networks. Reliability engineering and system safety, 172, 1–11.
Li, Y., Shi, J., Gong, W., Zhang, M., Li, Y., Shi, J., et al. (2017). An ensemble model for engineered systems prognostics combining health index synthesis approach and particle filtering. Quality and Reliability Engineering International, 33(8), 2711–25.
Li, Z., Wu, D., Hu, C., & Terpenny, J. (2017). An ensemble learning-based prognostic approach with degradation-dependent weights for remaining useful life prediction. Reliability engineering and system safety, 000, 1–13.
Liu, Q., Dong, M., Lv, W., & Ye, C. (2017). Manufacturing system maintenance based on dynamic programming model with prognostics information. Journal of Intelligent Manufacturing, 30(3), 1155–1173.
Lu, Z., Cui, W., & Han, X. (2015). Integrated production and preventive maintenance scheduling for a single machine with failure uncertainty. Computers and Industrial Engineering, 80, 236–244.
Mba, C. U., Makis, V., Marchesiello, S., Fasana, A., & Garibaldi, L. (2018). Condition monitoring and state classification of gearboxes using stochastic resonance and hidden Markov models. Measurement, 126, 76–95.
Moghaddass, R., & Zuo, M. J. (2014). An integrated framework for online diagnostic and prognostic health monitoring using a multistate deterioration process. Reliability engineering and system safety, 124, 92–104.
Peng, Y., Dong, M., & Zuo, M. J. (2010). Current status of machine prognostics in condition-based maintenance: A review. The International Journal of Advanced Manufacturing Technology, 50(1–4), 297–313.
Qu, Y., Ming, X., Qiu, S., Zheng, M., & Hou, Z. (2019). An integrative framework for online prognostic and health management using internet of things and convolutional neural network. Sensors, 19, 2338. https://doi.org/10.3390/s19102338.
Shao, H., Jiang, H., Wang, F., & Zhao, H. (2017). An enhancement deep feature fusion method for rotating machinery fault diagnosis. Knowledge-Based Systems, 119, 200–220.
Teixeira, E. L. S., Tjahjono, B., & Alfaro, S. C. A. (2012). A novel framework to link Prognostics and health management and product-service systems using online simulation. Computers in Industry, 63(7), 669–679. https://doi.org/10.1016/j.compind.2012.03.004.
Wang, W., Liu, X., Cai, F., & Wang, J. (2016). Stochastic dynamic modeling of lithium battery via expectation maximization algorithm. Neurocomputing, 175, 421–426.
Wang, X., Wang, H., & Qi, C. (2016). Multi-agent reinforcement learning based maintenance policy for a resource constrained flow line system. Journal of Intelligent Manufacturing, 27(2), 325–333.
Xia, T., Jin, X., Xi, L., Zhang, Y., & Ni, J. (2015). Operating load based real-time rolling grey forecasting for machine health prognosis in dynamic maintenance schedule. Journal of Intelligent Manufacturing, 26(2), 269–280.
Yongxiang, L., Jianming, S., Gong, W., & Mengying, Z. (2017). An ensemble model for engineered systems prognostics combining health index synthesis approach and particle filtering. Quality and Reliability Engineering International, 33(8), 2711–2725.
Yuan, H., Lu, C., Ma, J., & Chen, Z.-H. (2015). Neural network-based fault detection method for aileron actuator. Applied Mathematical Modelling, 39(19), 5803–5815.
Zhao, Z., Liang, B., Wang, X., & Lu, W. (2017). Remaining useful life prediction of aircraft engine based on degradation pattern learning. Reliability engineering and system safety, 164, 74–83.
Zio, E., & Maio, F. D. (2010). A data-driven fuzzy approach for predicting the remaining useful life in dynamic failure scenarios of a nuclear system. Reliability engineering and system safety, 95(1), 49–57.