Обработка больших данных в потоковом режиме для прогнозирования неисправностей в машиностроительном производстве

Авторы: Павлов А.М.
Опубликовано в выпуске: #3(56)/2021
DOI: 10.18698/2541-8009-2021-3-679
Раздел: Экономика и организация производства
Ключевые слова: большие данные, прогнозирование неисправностей, предиктивное обслуживание оборудования, машиностроительное производство, повышение производительности, интеллектуальное управление
Опубликовано: 23.03.2021

В современном промышленном сценарии обработка больших данных играет ведущую роль в повышении эффективности бизнеса — снижении издержек при обслуживании оборудования и повышении производительности. Все большее число станков оснащается интеллектуальными устройствами (такими как датчики и исполнительные механизмы), которые отвечают за мониторинг состояния станка в режиме реального времени и осуществляют корректирующие действия до того, как качество заготовки будет снижено или станок будет поврежден. Однако многие производственные компании все еще не используют преимущества больших данных, поступающих из производственных систем. В некоторых случаях аналитика больших данных является неизученной проблемой, поскольку считается, что она требует времени и ресурсов. Более того, реальные преимущества обработки промышленных данных в реальном времени обычно недооцениваются. Статья посвящена процессу производства компонентов, а также описанию основных разработок и уроков, извлеченных при настройке аналитической платформы больших данных для обработки и анализа данных с датчиков станков с числовым программным управлением.

Литература

[1] Coleman C., Chandramouli M., Damodaran S., et al. Making maintenance smarter. deloitte.com: веб-сайт. URL: https://www2.deloitte.com/us/en/insights/focus/industry-4-0/using-predictive-technologies-for-asset-maintenance.html (дата обращения: 15.12.2020).

[2] Власов А.И., Григорьев П.В., Кривошеин А.И. Модель предиктивного обслуживания оборудования с применением беспроводных сенсорных сетей. Надежность и качество сложных систем, 2018, № 2, с. 26–35. DOI: https://doi.org/10.21685/2307-4205-2018-2-4

[3] Amruthnath N., Gupta T. A research study on unsupervised machine learning algorithms for early fault detection in predictive maintenance. 5th ICIEA, 2018, pp. 355–361. DOI: https://doi.org/10.1109/IEA.2018.8387124

[4] Ермаков В.А., Корзун Д.Ж. Цифровые сервисы предиктивной аналитики при обслуживании производственного оборудования. Цифровые технологии в образовании, науке, обществе, 2019, с. 73–75.

[5] Chandola V., Banerjee A., Kumar V. Anomaly detection: a survey. ACM Comput. Surv., 2009, vol. 41, no. 3, art. 15. DOI: https://doi.org/10.1145/1541880.1541882

[6] Harding J.A., Shahbaz M., Kusiak A. Data mining in manufacturing: a review. J. Manuf. Sci. Eng., 2006, vol. 128, no. 4, pp. 969–976. DOI: https://doi.org/10.1115/1.2194554

[7] Crespino A.M., Di Biccari C., Lazoi M., et al. Fault prediction in aerospace product manufacturing: a model‐based big data analytics service. In: Enterprise Interoperability. Wiley, 2018, pp. 193–200. DOI: https://doi.org/10.1002/9781119564034

[8] Wan J., Tang S., Li D., et al. A manufacturing big data solution for active preventive maintenance. IEEE Trans. Ind. Informat., 2017, vol. 13, no. 4, pp. 2039–2047. DOI: https://doi.org/10.1109/TII.2017.2670505

[9] Yu W., Dillon T., Mostafa F., et al. A global manufacturing big data ecosystem for fault detection in predictive maintenance. IEEE Trans. Ind. Informat., 2020, vol. 16, no. 1, pp. 183–192. DOI: https://doi.org/10.1109/TII.2019.2915846

[10] Ardagna C.A., Bellandi V., Ceravolo P., et al. A model-driven methodology for big data analytics-as-a-service. IEEE BigData Congress, 2017, pp. 105–112. DOI: https://doi.org/10.1109/BigDataCongress.2017.23