Development of a system for predicting failures of bagging machines

Niezawodność i efektywna praca maszyn stanowi palący problem każdego przedsiębiorstwa, wymagający pracochłonnego usystematyzowania procesów produkcyjnych. Celem jest opracowanie algorytmu i systemu prognozowania awarii maszyn pakujących na podstawie analizy wskaźników eksploatacyjnych. Nowością naukową jest integracja danych statystycznych w celu oceny efektywności pracy maszyn i przewidywania ewentualnych awarii, co pozwala znacząco usprawnić procesy utrzymania ruchu i ograniczyć ryzyko nieprzewidzianych awarii. Znaczenie praktyczne ma opracowanie systemu prognostycznego, który będzie zbierał niezbędne dane statystyczne i wykonywał prognozowanie. Na podstawie zebranych danych przeprowadzana jest ocena efektywności pracy i prognozowanie ewentualnych awarii. System prognozowania zaprezentowano na przykładzie maszyn pakujących LEMO INTERmat ST-SA 850 firmy Tatrafan LLC. W badaniach zastosowano dwie metody: obliczeniową (matematyczną) i prognostyczną (metodę najmniejszych kwadratów). System prognozowania umożliwia prezentację danych na dwa sposoby: w formie tabelarycznej i graficznej. Prezentacja danych w formie tabelarycznej pozwala na filtrowanie informacji według różnych kryteriów, natomiast prezentacja graficzna realizowana jest w formie diagramów, obrazujących pracę i przestoje maszyn. Głównymi wynikami jest określony zakres prawdopodobnej awarii maszyn pakujących LEMO INTERmat ST-SA 850, który mieści się w przedziale od 9090,5 do 12736,5 godzin pracy i niemal pokrywa się z okresem gwarancji producenta. Dzięki terminowej konserwacji możliwe jest podwyższenie dolnej granicy tego przedziału.

Słowa kluczowe:

prognozowanie, niezawodność, awarie sprzętu

Bibliografia

[1] Anozie U. C. et al.: Integration of IoT technology in lean manufacturingfor real-time supply chain optimization. International Journalof Science and Research Archive 12(2), 2024, 1948–1957 [https://doi.org/10.30574/ijsra.2024.12.2.1498].

[2] Azevedo B. F., Rocha A. M. A. C., Pereira A. I.: Hybrid approachesto optimization and machine learning methods: a systematicliterature review. Mach Learn 113, 2024, 4055–4097 [https://doi.org/10.1007/s10994-023-06467-x].

[3] Derogar S. et al.: Prediction of punching shear strength of slab-column connections: a comprehensive evaluation of machine learning and deep learning based approaches Mech. Adv. Mater. Struct. 31(6), 2024, 1272–1290 [https://doi.org/ 10.1080/15376494.2022.2134950].

[4] Falkenberg S. F., Spinler S.: The role of novel data in maintenanceplanning: Breakdown predictions for material handlingequipment. Computers & Industrial Engineering 169, 2022, 108230 [https://doi.org/10.1016/j.cie.2022.108230].

[5] Fan L. et al.: Reliability analysis of computed tomography equipmentusing the q-Weibull distribution. Engineering Reports 5(7), 2023, e12613 [https://doi.org/10.1002/eng2.12613].

[6] Gajewski J., Vališ D.: Verification of the technical equipment degradation method using a hybrid reinforcement learning trees–artificialneural network system. Tribology International 153, 2021, 106618 [https://doi.org/10.1016/j.triboint.2020.106618].

[7] Нuliieva N. M., Pasternak V. V.: Isothermal mechanical Cycling of Saponite–Titanium Composites in Conditions of Complex Stressed State.Latvian Journal of Physics and Technical Sciences 59(6), 2022, 12–21 [https://doi.org/10.2478/lpts-2022-0043].

[8] Kang R., Gong W., Chen Yu.: Model-driven degradation modeling approaches: Investigation and review. Chinese Journal of Aeronautics 33(4), 2020,1137–1153 [https://doi.org/10.1016/j.cja.2019.12.006].

[9] Lieposhkina N. et al.: Statistical Methods for Decision-Making Regarding Technological Systems. Intelligent Systems in Production Engineeringand Maintenance III, 2023, 293–305 [https://doi.org/10.1007/978-3-031-44282-7_23].

[10] Omar E. D. et al.: Comparative Analysis of Logistic Regression, Gradient Boosted Trees, SVM, and Random Forest Algorithms for Prediction of Acute Kidney Injury Requiring Dialysis After Cardiac Surgery. International Journal of Nephrology and Renovascular Disease 17, 2024, 197–204 [https://doi.org/10.2147/IJNRD.S461028].

[11] Prydalnyi B.: Creation of automatic clamping mechanisms for spindle assemblies of machine tools using a formalized description of structural elements. Eastern-European Journal of Enterprise Technologies 5(1(119)), 2022, 26–35 [https://doi.org/10.15587/1729-4061.2022.265191].

[12] Prydalnyi B., Kuznetsov Y., Lyshuk V.: Methodology and Tools for Computer-Aided Calculation of Characteristics of Electromechanical Clamping Drive Actuated by Induction Motor. ICIE 2021. Springer, Cham 2021, 256–266 [https://doi.org/10.1007/978-3-030-54817-9_30].

[13] Ruban A., Pasternak V., Huliіeva N.: Prediction of the Structural Propertiesof Powder Materials by 3D Modeling Methods. Materials Science Forum 1068, 2022, 231–238 [https://doi.org/10.4028/p-18k386].

[14] Shi H. et al.: Robust Total Least Squares Estimation Methodfor Uncertain Linear Regression Model. Mathematics 11(20), 2023, 4354 [https://doi.org/10.3390/math11204354].

[15] Soori M., Arezoo B., Dastres R.: Artificial intelligence, machine learningand deep learning in advanced robotics, a review. Cognitive Robotics 3, 2023, 54–70 [https://doi.org/10.1016/j.cogr.2023.04.001].

[16] Tatrafan. Flexible [https://tatrafan.ua/Tehnologi/#acttech5] (available: 09.01.2025).

[17] Vago N. O. P., Forbicini F., Fraternali P.: Predicting Machine Failuresfrom Multivariate Time Series: An Industrial Case Study. Machines 12(6), 2024, 357 [https://doi.org/10.3390/machines12060357].

[18] Vasiliauskaite V., Antulov-Fantulin N.: Generalization of neural network models for complex network dynamics. Commun Phys 7, 2024, 348 [https://doi.org/10.1038/s42005-024-01837-w].

[19] Yadav D. K., Kaushik A., Yadav N.: Predicting machine failures using machine learning and deep learning algorithms. Sustainable Manufacturing and Service Economics 3, 2024, 100029 [https://doi.org/10.1016/j.smse.2024.100029].

Opracowanie systemu prognozowania awarii maszyn pakujących. (2025). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 15(4), 10-13. https://doi.org/10.35784/iapgos.8054

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 15 Nr 4 (2025)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja