УЛУЧШЕНИЕ ОПЕРАЦИОННОЙ ЭФФЕКТИВНОСТИ В ИНДУСТРИИ 4.0: ПОДХОД ПРЕДИКТИВНОГО ОБСЛУЖИВАНИЯ

Достижения индустрии 4.0 произвели революцию в производственных операциях, среди которых присутствует метод предиктивного обслуживания. Данный метод выступает одним из наиболее требовательных подходов за счет эффективной оптимизации графиков технического обслуживания и обеспечения продуктивной и бесперебойной работы. В статье представлен всесторонний обзор литературы, дающий представление о теоретических основах, исторических событиях и практическом применении прогнозного обслуживания. В разделе методологии подробно объясняется подход к исследованию, уделяется особое внимание разработке кода на основе MATLAB для создания прогнозной модели в соответствии с оставшимся сроком службы оборудования. Исследование применения предиктивного обслуживания проводится путем создания модели Байесовского вывода, основанной на корреляционном анализе Пирсона. Это исследование подчеркивает возможности прогнозной аналитики в повышении операционной точности и эффективности в различных отраслях. Поскольку спрос на надежные производственные процессы продолжает расти, результаты этого исследования дают представление о разработке передовых стратегий предиктивного обслуживания и достижении операционного совершенства с точки зрения интеллектуального производства.

1. Alenizi F.A., Abbasi S., Mohammed A.H. and Rahmani A.M. (2023). Computers & Industrial Engineering, vol. 185, p. 109662. https://doi.org/10.1016/j.cie.2023.109662.

2. Okeme P.A., Skakun A.D. and Muzalevskii A.R. (2021) Transformation of factory to smart factory, Institute of Electrical and Electronics Engineering In., pp. 1499–1503.

3. Zhang W., Yang D. and Wang H. (2019) IEEE Systems Journal, no. 13, pp. 2213–2227. https://doi.org/10.1109/JSYST.2019.2905565.

4. Raza A. and Ulansky V. (2017) Procedia CIRP, vol. 59, pp. 95–101. https://doi.org/10.1016/j.procir.2016.09.032.

5. Elkateb S., Métwalli A., Shendy A. and Abu-Elanien A. (2024) Alexandria Engineering Journal, vol. 88, pp. 298–309. https://doi.org/10.1016/j.aej.2023.12.065.

6. Fahrutdinov A. (2022). Ekibastuz was left without heat due to an accident at a thermal power plant. Kursiv Media Kazakhstan.

7. Mallioris P., Aivazidou E. and Bechtsis D. (2024) CIRP Journal of Manufacturing Science and Technology, vol. 50, pp. 80–103. https://doi.org/10.1016/j.cirpj.2024.02.003.

8. Gerum P.C., Altay A. and Baykal-Gürsoy M. (2019) Transportation Research Part C: Emerging Technologies, vol. 107, pp. 137–154. https://doi.org/10.1016/j.trc.2019.07.020.

9. Hurtado J., Salvati D., Semola R., Bosio M. and Lomonaco V. (2023) Intelligent Systems with Applications, vol. 19, p. 200251. https://doi.org/10.1016/j.iswa.2023.200251.

10. Zonta T., da Costa C.A., Righi R.R., de Lima M.J., da Trindade E.S. and Li G.P. (2020) Computers & Industrial Engineering, vol. 150, p. 106889. https://doi.org/10.1016/j.cie.2020.106889. 11 Cossu A., Graffieti G., Pellegrini L., Maltoni D., Bacciu D., Carta A. and Lomonaco V. (2022) Frontiers in Artificial Intelligence, vol. 5. https://doi.org/10.3389/frai.2022.829842.

11. Lee S. M., Lee D. and Kim Y.S. (2019) The quality management ecosystem for predictive maintenance in the industry 4.0 era. International Journal of Quality Innovation, vol. 5, p. 4.

12. Liu J., Hou B., Lu M. and Wang D. (2024) Box-cox transformation based state-space modeling as a unified prognostic framework for degradation linearization and RUL prediction enhancement. Reliability Engineering Safety System, vol. 244, p. 109952.

13. Sakib N. and Wuest T. (2018) Challenges and opportunities of condition-based predictive maintenance: a review. Procedia CIRP, vol. 78, pp. 267–272.

14. Peng Y., Dong M. and Zuo M.J. (2010) The International Journal of Advanced Manufacturing Technology, vol. 50, pp. 297–313. https://doi.org/10.1007/s00170-009-2482-0.

15. Spodniak M., Hovanec M. and Korba P. (2024) A novel method for the natural frequency estimation of the jet engine turbine blades based on its dimensions. Heliyon, vol. 10.

16. Lee W.J., Wu H., Yun H., Kim H., Jun M. and Sutherland J. (2019) Predictive maintenance of machine tool systems using artificial intelligence techniques applied to machine condition data. Procedia CIRP, vol. 80, pp. 506–511.

17. Raj P. (2021) Industrial use cases at the cusp of the IoT and blockchain paradigms, pp. 355–385.

18. Huang L., Chen Y., Chen S. and Jiang H. (2012) Application of rcm analysis based predictive maintenance in nuclear power plants. 2012 International Conference on Quality, Reliability, Risk, Maintenance, and Safety Engineering, Chengdu, China, 15-18 June 2012. https://doi.org/10.1109/ICQR2MSE.2012.6246396.

19. Feng Y., Sun L., Mo Z., Du M., Zhu C., Yang W. and Xu X. (2024) An evaluation of predictive correlations for the terminal rising velocity of a single bubble in quiescent clean liquid. International Journal of Multiphase Flow, vol. 173, p. 104736.

20. Shultz J. (2018) Measuring predictive maintenance program success. Reliable Plant. 22 Nguyen T.N. and Vilim R. B. (2023) Direct bayesian inference for fault severity assessment in digital-twin-based fault diagnosis. Annals of Nuclear Energy, vol. 194, p. 109932.

21. Pawan and Dhiman R. (2023) Electroencephologram channel selection based on pearson correlation coefficient for motor imagery-brain-computer interface. Measurement: Sensors, vol. 25, p. 100616.

22. Fernandes M., Canito A., Bolon-Canedo V., Conceicao L., Praca I. and Marreiros G. (2019) Data analysis and feature selection for predictive maintenance: a case-study in the metallurgical industry. International Journal of Information Management, vol. 46, pp. 252–262.