توصيفگر ها :
انقلاب صنعتي چهارم , نگهداري و تعمير , آناليز ارتعاشات , همزاد ديجيتال , هوش مصنوعي
چكيده فارسي :
كاركرد يك افزار همواره با خرابي و درنهايت واماندگي آن همراه است. براي كاستن از هزينه‌هاي واماندگي، از نگهداري و تعمير (نت) گريزي نيست. در ساليان گذشته، بسياريِ هزينه محرك تلاش براي بهبود كارآمدي نگهداري و تعمير بودهاست. بااين‌حال، كارآيي، هزينه، دقت، ايمني و ديگر ويژگيهاي نگهداري و تعمير، همچنان، از چالشهاي زندهي صنعتي‌اند. تا امروز، رويكرد پيش‌گويانه بهترين رويكرد نگهداري و تعمير است. در اين رويكرد تلاش مي‌شود تا با اندازهگيري شاخص‌هاي كمّي وضعيت لحظه‌اي افزار پيش از واماندگي پايش شود تا بتوان روي دادن واماندگي را پيش‌بيني نمود. روش‌هاي مرسوم نگهداري و تعمير پيش‌گويانه براي بسياري از شرايط واماندگي ناكارآمد بوده و كليه حالتهاي ممكن را پوشش نمي‌دهند. همچنين كاربرد اين روش‌ها، اغلب، خودكار نيست و تفسيرِ نتيجهها نيازمند دانش كارشناسي است. افزون بر اين، براي بسياري از قطعات، هنوز روش‌هاي نگهداري و تعمير پيش‌گويانه توسعه داده نشده‌اند. رويكردي نوين براي بهبود روش‌هاي نگهداري و تعمير پيش‌گويانه، استفاده از فناوري‌هاي انقلاب صنعتي چهارم مي‌باشد. از ميان اين فناوري‌ها، مي‌توان به همزاد ديجيتال اشاره نمود. همزاد ديجيتال يك افزار، مجموعه‌اي از شاخص‌هاي كمّي و كيفي است كه براي توصيف لحظه‌اي افزار در دورهي بهره‌برداري به كار مي‌روند. در دوران انقلاب صنعتي چهارم، اين شاخص‌ها بر ابزارهاي هوش مصنوعي و الگوريتم‌هاي تحليل كلان داده‌ها استوارشده‌اند. تاكنون، بيشتر پژوهشهاي انجام‌شده براي بهبود روش‌هاي نگهداري و تعمير با استفاده از هوش مصنوعي، از الگوريتم‌هاي نظارت‌شده بهره برده‌اند. به‌كارگيري اين الگوريتم‌ها نيازمند حجم زيادي از داده‌هاي انواع واماندگي براي آموزش مدل‌ها است. اين به محدود شدن اين روش‌ها براي بسياري از صنايع انجاميده است. بنابراين، توسعهي ابزارهاي هوش مصنوعي، كه براي آموزش نيازمند به داده‌هاي واماندگي نباشند، يك ضرورت است. اين پژوهش روشي براي ساخت شاخص‌هاي كمّي سلامت افزارها بر اساس فناوري‌هاي توسعه‌يافته در طي انقلاب صنعتي چهارم پيشنهاد ميدهد. در رويكرد پيشنهادشده، ساخت شاخص سلامت به‌صورت خودكار بوده و نيازمند داده‌هاي واماندگي نيست و تنها از داده‌هاي وضعيت سالم افزار براي آموزش استفاده مي‌كند. اين شاخص سلامت براي هر افزاري كه رشد خرابي در آن با افزايش سطح ارتعاشات همراه است؛ ازجمله ياتاقان و چرخ‌دنده كارآيي دارد و مي‌تواند جنبه‌هاي مختلف واماندگي را پوشش دهد. همچنين شاخص سلامت ايجادشده براي افزارگاني كه در شرايط ثابت و يا گذرا مورد بهره‌برداري هستند، قابل‌استفاده بوده و مي‌تواند در بستر اينترنت اشياء و فضاي ابري پياده‌سازي شود.
چكيده انگليسي :
In industrial practices, the operation of an asset is always accompanied by faults and final failure. In order to reduce the failure cost, maintenance methods have been developed and among them, the predictive maintenance approach is the best approach. In order to predict the final failure occurrence in the predictive maintenance approach, a series of quantitative indicators are measured during the asset lifetime which is known as a health indicator. Although much research has been devoted to improving these methods, efficiency, cost, accuracy, safety, and other maintenance features are still living industrial challenges. Conventional predictive maintenance methods are ineffective for many failure conditions and do not cover all possible conditions. Also, the applications of these methods are often not automatic and the interpretation of the results require expert knowledge. In addition, for many parts, an acceptable predictive maintenance method has not yet been developed. A new approach to improve predictive maintenance methods is to use the technologies of the Fourth Industrial Revolution such as digital twin.
The digital twin of equipment is a set of quantitative and qualitative indicators that have been used to describe the equipment during its operation time. During the Fourth Industrial Revolution, these indicators are based on artificial intelligence tools and big data analysis algorithms. Until now, most studies have used supervised algorithms to improve predictive maintenance. Training of these algorithms require a large amount of data for various types of failure which has led to the limitation of these methods for many types of equipment. Therefore, the development of artificial intelligence tools, which do not require failure data for training, is a necessity.
In this study, based on developed technologies during the Fourth Industrial Revolution, a new method for constructing quantitative health indicators for mechanical equipment is proposed. In the proposed method, the construction of the health indicator is automatic and does not require previous failure data and it uses only the health status data of the equipment for training. This health indicator is valid for any equipment which the growth of failure is accompanied by an increase in the level of vibration; e.g Bearings, gears, and ball screws. Furthermore, the proposed health indicator can be used for equipment that is used in fixed or transient conditions and can be implemented in the context of the Internet of Things and cloud space.
