Systémy včasné výstrahy průmyslových systémů

Abstract

Výrobní společnosti při rozšíření nebo transformaci výroby používají neustále složitější výrobní zařízení a technologie, aby se mohly promptně přizpůsobit okamžitým požadavkům a potřebám zákazníků. Ovšem jak roste složitost jednotlivých strojů, komponentů a zařízení okolo nás, tak se odpovídajícím způsobem mění i přístup k péči o ně (jejich údržbě), roste i komplikovanost vztahů (modelů), které popisují spolehlivost daných zařízení. Hlavním cílem disertační práce je vytvořit metodiku pro tvorbu technicko – ekonomického modelu optimalizace údržby průmyslového zařízení pro podporu řízení údržby, jehož základem bude neurogenetický systém. Tento model je vytvořen za využitím metody Monte Carlo, která umožňuje vytvoření modelu s využitím minimálního množství dat. Navržený model se následně adaptuje v průběhu dalšího užívání na základě aktuálních technicko – ekonomických dat. Tímto vytvořeným modelem bude možno optimalizovat termín preventivní údržby. Metodika je tedy postavena na třech základních prvcích: vytvoření trénovací množiny s využitím metody Monte Carlo, vytvoření algoritmu neuro-genetického systému, parametrizace a testování modelu. Hlavním výstupem disertační práce je vytvoření metodiky tvorby technicko – ekonomického modelu pro podporu řízení údržby. Vstupními daty jsou, jak technické, tak ekonomické parametry. Pro tuto metodiku tvorby technicko-ekonomického modelu pro podporu řízení údržby je navržen, tzv. kombinovaný přístup, což znamená, že pro řešení určitého problému nejsou použity pouze metody umělé inteligence, ale spojení s nějakou další metodou, pro tento model metodu Monte Carlo. Výstupem celé metodiky je aktualizovaný optimální interval pro libovolný technický objekt. Novost řešení spočívá v tom, že výsledkem je metodika tvorby optimalizační modelu, a ne obecná optimalizační funkce a rovněž optimalizace údržby je prováděna na celém systému, a není realizována na jednotlivých komponentách. Pro optimalizaci je využívána technicko-ekonomická účelová funkce, která je realizovaná pomocí neuronové sítě, čímž navrhovaná účelová funkce nemá obecný charakter, ale vždy je realizována pro konkrétní zařízení a zohledňuje všechna jeho specifika.

As manufacturing companies expand or transform production, they use ever more complex production equipment and technology to be able to promptly adapt to immediate customer demands and needs. However, as the complexity of individual machines, components and devices around us grows, the approach to their care (maintenance) changes accordingly, and the complexity of the relationships (models) that describe the reliability of the devices also increases. The main goal of the dissertation is to create a methodology for the creation of a technical-economic model for optimizing the maintenance of industrial equipment to support maintenance management, the basis of which will be the neurogenetic system. This model is created using the Monte Carlo method, which allows the creation of a model using a minimal amount of data. The proposed model is subsequently adapted during further use based on current technical and economic data. With this created model, it will be possible to optimize the term of preventive maintenance. The methodology is therefore based on three basic elements: creation of a training set using the Monte Carlo method, creation of a neuro-genetic system algorithm, parameterization and testing of the model. The main output of the dissertation is the creation of a methodology for creating a technical-economic model to support maintenance management. The input data are both technical and economic parameters. For this methodology of creating a technical-economic model to support maintenance management, a so-called combined approach is proposed, which means that not only artificial intelligence methods are, used to solve a certain problem, but a connection with some other method, for this model the Monte Carlo method. The output of the entire methodology is an updated optimal interval for any technical object. The novelty of the solution lies in the fact that the result is a methodology for creating an optimization model, and not a general optimization function, and also maintenance optimization is performed on the entire system, and not on individual components. For optimization, a technical-economic objective function is used, which is implemented using a neural network, so the proposed objective function does not have a general character, but is always implemented for a specific device and takes into account all its specifics.