CIGRE 35 (2021) (стр. 1277-1284)
АУТОР(И) / AUTHOR(S): Јасна Марковић-Петровић, Мирјана Стојановић
Е-АДРЕСА / E-MAIL: jasna.markovic–petrovic@eps.rs
DOI: 10.46793/CIGRE35.1277MP
САЖЕТАК / ABSTRACT:
Развој информационо-комуникационих технологија у области мониторинга техничко-технолошких система омогућује прикупљање велике количине података везаних за објекте одржавања. Због велике количине података и ограниченог времена за њихову анализу указала се потреба да се конвенционални методи, који зависе од људског фактора, замене интелигентним системима ране дијагностике отказа и последнично, да се примене методи машинског учења као подршка функцији одржавања. Применa алгоритама машинског учења у концепцији предиктивног одржавања доводи до нове стратегије – интелигентно предиктивно одржавање (IPdM – Intelligent Predictive Maintenance) и концепта Одржавање 4.0. Ова стратегија доприноси одређивању оптималног периода одржавања опреме, скраћењу времена застоја, повећању ефикасност система и радукцији трошкова одржавања. У раду су прво приказани концепти стратегије и архитектура система интелигентног предиктивног одржавања. У наставку рада су дате смернице за имплементацију ове стратегије и анализа ризика имплементације. На крају су приказани, у литератури доступни, примери примене стратегије интелигентног предиктивног одржавања у електропривредним системима.
КЉУЧНЕ РЕЧИ / KEYWORDS:
Индустријски Интернет ствари, Интелигентно предиктивно одржавањe, Машинско учење
ЛИТЕРАТУРА / REFERENCES:
- T. Zonta, et al., „Predictive maintenance in the Industry 4.0: A systematic literature review“, Computers & Industrial Engineering, Vol 150, 106889, 2020.
- Z. A. Bukhsh and I. Stipanovic, „Predictive maintenance for infrastructure asset management”, IT Professional 22.5, pp: 40–45, 2020.
- A. Cachada, et al., „Maintenance 4.0: Intelligent and predictive maintenance system architecture“, 23rd international conference on emerging technologies and factory automation (ETFA). Vol. 1. IEEE, 2018.
- I. H. Sarker, „Machine learning: Algorithms, real–world applications and research directions“, SN Computer Science, 2, 160, 2021.
- M. Haarman, et al., „Predictive maintenance 4.0–beyond the hype: PdM 4.0 delivers results“, Technical Report Price water house Coopers and Mannovation, 2018.
- T. Welte and J. Foros, „MonitorX – Final Report“, Technical Report, Energy Norge AS, 2019.
- S. Xayyasith, A. Promwungkwa, and K. Ngamsanroaj, „Application of machine learning for predictive maintenance cooling system in Nam Ngum–1 hydropower plant”, 16th international conference on ICT and knowledge engineering (ICT&KE). IEEE, 2018.
- I. Ullah, et al., „Predictive maintenance of power substation equipment by infrared thermography using a machine–learning approach”, Energies, 10(12):1987, 2017.