CIGRE 35 (2021) (str. 1277-1284)
AUTOR(I) / AUTHOR(S): Jasna Marković-Petrović, Mirjana Stojanović
E-ADRESA / E-MAIL: jasna.markovic–petrovic@eps.rs
DOI: 10.46793/CIGRE35.1277MP
SAŽETAK / ABSTRACT:
Razvoj informaciono-komunikacionih tehnologija u oblasti monitoringa tehničko-tehnoloških sistema omogućuje prikupljanje velike količine podataka vezanih za objekte održavanja. Zbog velike količine podataka i ograničenog vremena za njihovu analizu ukazala se potreba da se konvencionalni metodi, koji zavise od ljudskog faktora, zamene inteligentnim sistemima rane dijagnostike otkaza i poslednično, da se primene metodi mašinskog učenja kao podrška funkciji održavanja. Primena algoritama mašinskog učenja u koncepciji prediktivnog održavanja dovodi do nove strategije – inteligentno prediktivno održavanje (IPdM – Intelligent Predictive Maintenance) i koncepta Održavanje 4.0. Ova strategija doprinosi određivanju optimalnog perioda održavanja opreme, skraćenju vremena zastoja, povećanju efikasnost sistema i radukciji troškova održavanja. U radu su prvo prikazani koncepti strategije i arhitektura sistema inteligentnog prediktivnog održavanja. U nastavku rada su date smernice za implementaciju ove strategije i analiza rizika implementacije. Na kraju su prikazani, u literaturi dostupni, primeri primene strategije inteligentnog prediktivnog održavanja u elektroprivrednim sistemima.
KLJUČNE REČI / KEYWORDS:
Industrijski Internet stvari, Inteligentno prediktivno održavanje, Mašinsko učenje
LITERATURA / 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.