Wpływ kondycji łożysk na utrzymanie procesów produkcyjnych

• Autorzy: Wojciech Ptasiński , Artur Pollak , Sebastian Temich , Damian Gąsiorek

Warianty tytułu

The Impact of Bearing Condition on Maintenance of Production Processes

• Języki publikacji: PL

Abstrakty

Współczesne aspekty Przemysłu 4.0 ukierunkowane są na analizę danych, ale również na podejmowanie odpowiednich decyzji dotyczących produkcji biznesowej oraz na obszary związane z predykcją uszkodzeń elementów maszyn, które decydują o zachowaniu ciągłości procesów produkcyjnych. Z punktu widzenia zarządzania produkcją jest to zjawisko oczekiwane w nowoczesnym przedsiębiorstwie. Przeprowadzone badania literaturowe wykazują, że jednymi z częściej występujących uszkodzeń w maszynach przemysłowych oraz na liniach produkcyjnych są uszkodzenia łożysk, które skutkują pogorszeniem działania maszyny (częściowe uszkodzenia wywołują dodatkowe tarcie) lub jej całkowitym zatrzymaniem. Co więcej, niepoprawnie działająca maszyna może również prowadzić do uszkodzenia, w wyniku czego mogą ucierpieć osoby, znajdujące się w pobliżu, a zapewnienie bezpieczeństwa stanowiska pracy jest obligatoryjnym elementem każdego poprawnie funkcjonującego przedsiębiorstwa. Celem badań było określenie możliwości klasyfikacji anomalii dla poszczególnych uszkodzeń łożysk, z wykorzystaniem sieci neuronowych. W prezentowanym artykule przeprowadzono testy mające na celu wykrywanie anomalii w pracy łożysk kulowych z wykorzystaniem dwóch rodzajów sygnałów, tj. dźwięku i wibracji. Na podstawie danych pomiarowych opracowano algorytm bazujący na sztucznej inteligencji, który pozwala na klasyfikacje stanu łożysk kulkowych. Istotnym aspektem opracowanego podejścia jest charakter adaptacyjny, który rozwiązuje problem dostępności danych z awarii urządzenia, dlatego taki system można wykorzystać do adaptacji pracy dowolnej maszyny. Opisane podejście pozwala na zmniejszenie kosztów utrzymania firmy poprzez zmniejszenie stanów awaryjnych oraz możliwość planowania prac serwisowych na liniach produkcyjnych, a zaproponowany w artykule algorytm może dotyczyć szeregu aspektów uszkodzenia maszyn działających na liniach produkcyjnych. (abstrakt oryginalny)

EN

Modern aspects of Industry 4.0 are focused not only on data analysis for the sake of making the right business decision, but also on areas related to the prediction of damage to machine elements that determine the continuity of production, which from the perspective of production management is a phenomenon expected in a modern company. The conducted research shows that one of the most frequent damages in industrial machines are ball bearing failures, which result in deterioration of the machine operation (partial damages cause additional friction) or its complete stop. What is more, a malfunctioning machine can also lead to damage, resulting in harm to people in the vicinity, and ensuring workplace safety is a mandatory part of any properly functioning enterprise. This paper presents a test approach for detecting anomalies in the operation of ball bearings using two sources, i.e. sound and vibration. The research objective was to determine the accuracy of anomaly classification for individual bearing failures using a methodology that implements artificial neural networks. Based on the measurement data, an algorithm using artificial intelligence was developed to classify the condition of ball bearings. An important aspect of the developed approach is also adaptive in nature, which solves the problem of availability of data from equipment failure, so such a system can be used to learn the current operation of any machine. The described approach allows to reduce the maintenance costs of the company by reducing the failure states and the ability to schedule maintenance work on production lines. The algorithm described in the article can apply to any aspect of machines and equipment operating on production lines.

Słowa kluczowe

PL

Inteligentne fabryki; Linia produkcyjna; Inżynieria produkcji; Proces produkcji

EN

Smart factories; Production line; Production engineering; Production process

• Czasopismo: Management and Quality
• Rocznik: 2021
• Tom: 3
• Numer: nr 1 Przemysł 4.0 i Smart City w Naukach o Zarządzaniu i Jakości
• Strony: 60--73

Twórcy

autor

Wojciech Ptasiński

• APA Group, Gliwice

autor

Artur Pollak

• APA Group, Gliwice

autor

Sebastian Temich

• APA Group, Gliwice

autor

Damian Gąsiorek

• Politechnika Śląska

Bibliografia

• Albers A., Gladysz B., Pinner T., Butenko V., Stürmlinger T. (2016), Procedure for Defining the System of Objectives in the Initial Phase of an Industry 4.0 Project Focusing on Intelligent Quality Control Systems, "Procedia CIRP", Vol. 52. DOI: 10.1016/j.procir.2016.07.067.
• Alcacer, V.; Cruz-Machado, V. Scanning the Industry 4.0: A Literature Review on Technologies for Manufacturing System. Eng. Sci. Technol. Int. J. 2019, 22, 899-919. Retrived from: https://reader.elsevier.com/reader/sd/pii/S2215098618317750?token=AB6D8DE2B63AF115D6B64DC4FD2F947A93E4F7C829B91BD0460ED21375C541705766EDBF5CF63C6C7F2F424835BFA719
• Ciukaj J. (2020). Analiza przyczyn powstawania i opracowanie sposobu zapobiegania występowania wad w procesie produkcji plastikowych części samochodowych. Management and Quality-Zarządzanie i Jakość, Vol. 2, No 4, pp-pp. Retrived from http://zij.edu.pl/wp-content/uploads/2020/12/Ciukaj-J..pdf
• Fidali, M. (2020). Metody diagnostyki maszyn i urządzeń w predykcyjnym utrzymaniu ruchu. Katowice: Elamed Media Group.
• Grabowska S. and Sieka K. (2019). Inteligentne fabryki Przemysłu 4.0. Management and Quality-Zarządzanie i Jakość, Vol. 1, No 1, pp-pp. Retrived from http://zij.edu.pl/wp-content/uploads/2020/09/S.-Grabowska-K.-Sieka.pdf
• Marin, F B, C Solomon, and M Marin. "Bearing Failure Prediction Using Audio Signal Analysis Based on SVM Algorithms." IOP Conference Series: Materials Science and Engineering 485 (March 27, 2019): 012012. https://doi.org/10.1088/1757-899X/485/1/012012.
• Mathew, J., and R. J. Alfredson. "The condition monitoring of rolling element bearings using vibration analysis." Journal of Vibration and Acoustics 106.3 (1984): 447-453.
• Pawlak M.: Zastosowanie analiz sygnałów akustycznych do wykrywania uszkodzeń wirników i łożysk w silnikach indukcyjnych. "Zeszyty Problemowe - Maszyny Elektryczne" 92/2011. http://www.komel.katowice.pl/ZRODLA/FULL/92/ref_35.pdf
• Pollak, A., Hilarowicz, A., Walczak, M., and Gąsiorek, D., "A Framework of Action for Implementation of Industry 4.0. 398an Empirically Based Research", Sustainability, t. 12, nr 14, Art. nr 14, sty. 2020, doi: 10.3390/su12145789.
• Ponierewski, A. (2019). SPEED bez granic w cyfrowym świecie. Amazon Digital Services.
• Sader S., Husti I.,Daroczi M. (2017). Total Quality Management in the context of industry 4.0. Synergy International Conferences - Engineering, Agriculture and Green Industry Innovation Gödöllő, Hungary, October 16-19 (2017)
• Stankovic, M.; Gupta, R.; Figueroa, J.E.; Calzadilla-Sarmiento, B.; Memedovic, O.; Authried, O.; Rueth, T. Industry 4.0. Opportunities Behind the Challenge, Background Paper, UNIDO 2017. Retrived from: https://www.unido.org/sites/default/files/files/201711/UNIDO%20Background%20Paper%20on% 20Industry%204.0_27112017.pdf
• Starczyński, J., and M. Sułowicz. "Wykrywanie uszkodzeń w silnikach indukcyjnych w oparciu o sygnały akustyczne." Maszyny Elektryczne : zeszyty problemowe Nr 4 (108) (2015). Retrived from http://yadda.icm.edu.pl/yadda/element/bwmeta1.element.baztech-41e6347a-9569-413f-87db-6ffcd793d456.
• Tandon, N. "A comparison of some vibration parameters for the condition monitoring of rolling element bearings." Measurement 12.3 (1994): 285-289.
• Zhong, Ray Y., Xun Xu, Eberhard Klotz, and Stephen T. Newman. "Intelligent Manufacturing in the Context of Industry 4.0: A Review." Engineering 3, no. 5 (October 1, 2017): 616-30. https://doi.org/10.1016/J.ENG.2017.05.015.
• Zio, Enrico, and Giulio Gola. "A Neuro-Fuzzy Technique for Fault Diagnosis and Its Application to Rotating Machinery." Reliability Engineering & System Safety, Maintenance Modeling and Application, 94, no. 1 (January 1, 2009): 78-88. https://doi.org/10.1016/j.ress.2007.03.040.