ИНДУСТРИЯ 4.0 ОПЕРАЦИЯЛЫҚ ТИІМДІЛІГІН ЖАҚСАРТУ: ПРЕДИКТИВТІ ҚЫЗМЕТ КӨРСЕТУ ТӘСІЛІ

Индустрия 4.0 жетістіктері предиктивті қызмет көрсету тәсілдерін қамтыған өндірістік операцияларда төңкеріс жасады. Бұл әдіс техникалық қызмет көрсету кестелерін тиімді оптимизациялау және үздіксіз жұмыс істеуін қамтамасыз ету арқылы маңызды тәсілдердің бірі. Зерттеу жұмысында алдын ала техникалық қызмет көрсетудің теориялық негіздері, тарихи оқиғалары және практикалық қолданылуы туралы кешенді әдебиет шолу ұсынылған. Әдістемелік бөлімде жабдықтың қалған қызмет ету мерзіміне сәйкес предиктивті модель жасау үшін MATLAB негізіндегі кодты әзірлеуге назар аударыла отырып, зерттеу тәсілі мұқият түсіндіріледі. Алдын ала техникалық қызмет көрсетуді қолдану зерттеуі Пирсон корреляциялық талдауына негізделген Байес шығармашылығы моделін құру арқылы жүргізіледі. Бұл зерттеу операциялық дәлдік пен тиімділікті әртүрлі салаларда арттыруда болжамдық аналитиканың мүмкіндіктерін атап өтеді. Сенімді өндірістік процестерге сұраныс өсе түскен сайын, бұл зерттеудің нәтижелері техникалық қызмет көрсетудің озық стратегияларын дамыту және интеллектуалды өндірістің тұрғысынан операциялық шеберлікке жету туралы түсінік береді.

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.