Библиографическое описание:СИСТЕМА ПРОГНОСТИЧЕСКОГО ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ДОПОЛНЕННОЙ РЕАЛЬНОСТИ : научное издание / О. В. Дрозд. - Текст : непосредственный // Вестник МГТУ "Станкин". - 2024. - №3. - С. 93-103. - ISSN 2072-3172.
Аннотация:Современные достижения в области интеллектуальных датчиков и промышленного Интернета вещей предоставляют возможность непрерывного контроля работы технологического оборудования, оценки его производительности и эффективности функционирования. Метод прогностического технического обслуживания позволяет прогнозировать тенденции изменения и деградации эксплуатационных характеристик с использованием методов статистического анализа и моделей машинного обучения. Также для решения актуальной проблемы автоматизации оперативного контроля производственного оборудования, прогнозирования его состояния и визуализации рекомендаций по техническому обслуживанию могут использоваться человеко-машинные интерфейсы с использованием технологии дополненной реальности. Цель данной работы заключается в реализации механизмов прогностического обслуживания в условиях механообрабатывающего производства. Для достижения этой цели была разработана система прогностического технического обслуживания с использованием технологии дополненной реальности, обеспечивающая сбор данных о функционировании технологического оборудования, прогностическую аналитику и вывод результатов с использованием технологии дополненной реальности в доступном для персонала формате. Подробно рассмотрены техническая реализация и результаты программно-аппаратного моделирования функционального прототипа предлагаемой системы прогностического технического обслуживания. Реализуемая при этом процедура прогностического технического обслуживания предполагает первичное формирование рекомендаций по техническому обслуживанию, регистрацию и оперативную обработку графических маркеров целевого оборудования с форматированием и выводом полученных рекомендаций с использованием технологии дополненной реальности. Результаты моделирования показали, что используемые методы статистического анализа не обеспечивают прогнозирования значений функциональных параметров объекта технического обслуживания. При этом для решения данной задачи может использоваться комбинированная модель машинного обучения в форме последовательного соединения сверточной и рекуррентной нейронных сетей.
Modern advances in the field of smart sensors and the Industrial Internet of Things provide the opportunity to continuously monitor the operation of process equipment, assess its performance and operational efficiency. Predictive maintenance allows performance trends and degradation using statistical analysis techniques and machine learning models. Also, to solve the actual problem of automating the production equipment operational control, predicting its condition and visualizing recommendations for maintenance, human-machine interfaces using augmented reality technology can be used. The aim of the work is to implement predictive maintenance mechanisms in machining production conditions. To achieve this aim, the predictive maintenance system was developed using augmented reality technology, which provides data collection on the operation of the process equipment, predictive analytics and output of the results obtained using augmented reality technology in a format accessible to personnel. The technical implementation and results of hardware and software modeling of the proposed predictive maintenance system functional prototype are considered in detail. The simulation results showed that the statistical analysis methods used do not provide functional parameters values prediction of the maintenance object. At the same time, the use of a combined analysis method with combination of Convolutional Neural Network (CNN) and Recurrent Neural Network (RNN) provides sufficient accuracy in predicting parameters for practical use. The introduction of the proposed system into existing production planning and management software for manufacturing makes it possible to increase the overall efficiency of operational planning and production management.
