Механизм совершенствования управления процессом технического обслуживания и ремонта с применением нейросетевой технологии

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Все еще остается значимой степень износа на сухопутном транспорте транспортной отрасли и в сельскохозяйственной технике, что подтверждает актуальность дальнейшего совершенствования организации технического сервиса. С этим связана технической задачи разработки механизма совершенствования процесса технического сервиса с использованием современных цифровых технологий.

Цель работы — определение параметров для разработки механизма принятия качественных управленческих решений в процессе технического обслуживания и ремонта изделий в условиях планово-предупредительной системы ремонта с применением технологии нейронных сетей.

Материалы и методы. Моделирование исследуемого процесса с помощью предлагаемой нейронной сети выполнено в программе Deductor. Построенная модель нейронной сети содержит один скрытый слой с 10 нейронами. В качестве функции активации в нейронах модели нейронной сети использовалась сигмоидная функция. Для решения поставленных задач применялись методы и понятия математической статистики и теории алгоритмов.

Результаты. Для выявления необходимости управленческого воздействия на процессы технического обслуживания и ремонта изделия предложен коэффициент вариации цикла. Предлагаются значения коэффициента, которые характеризуют стабильность процесса ремонта и технического обслуживания изделия. На основе этих значений представлена блок-схема механизма совершенствования процесса технического сервиса. Рассмотрен инструмент индустрии 4.0 — нейронные сети. Проведённое на примере вибродиагностики подшипникового узла моделирование показало, что нейронные сети могут распознавать дефекты по амплитудно-частотной характеристики вибросигнала, то есть интерпретировать диагностическую информацию, что может быть критично в условиях отсутствия эксперта. Научная новизна исследования заключается в представлении значений коэффициента вариации цикла для принятия управленческих решений в процессах технического обслуживания и ремонта, а также в получении результатов моделирования работы нейронной сети, которые подтвердили возможность их использования для интерпретации диагностической информации, предоставляющейся в виде различных спектрограмм.

Заключение. Практическая ценность исследования заключается в возможности использования предложенной нейронной сети для разработки системы анализа диагностической информации в условиях отсутствия экспертов и применении предлагаемых значений коэффициента вариации цикла для принятий решений в управлении техническим сервисом и ремонтом.

Об авторах

Антон Владимирович Шимохин

Омский государственный аграрный университет

Автор, ответственный за переписку.
Email: schimokhin@yandex.ru
ORCID iD: 0000-0002-2048-3180
SPIN-код: 2830-8008

доцент, канд. экон. наук, доцент кафедры технического сервиса, механики и электротехники

Россия, Омск

Олег Михайлович Кирасиров

Омский государственный аграрный университет

Email: om.kirasirov@omgau.org
ORCID iD: 0009-0003-7901-2169
SPIN-код: 4794-1945

доцент, канд. техн. наук, доцент кафедры технического сервиса, механики и электротехники

Россия, Омск

Список литературы

  1. Myalo O.V., Myalo V.V., Prokopov S.P. Theoretical substantiation of machine-tractor fleet technical maintenance system on the example of Omsk region agricultural enterprises // J. Phys.: Conf. Ser. 2018. Vol. 1059. P. 012005. doi: 10.1088/1742-6596/1059/1/012005
  2. Myalo O.V., Prokopov S.P. Material and technical support of the enterprises of the agro-industrial complex of the Omsk region management and certification of the technical component of the production processes in crop production // J. Phys.: Conf. Ser. 2019. Vol. 582, N. 1. P. 012028. doi: 10.1088/1757-899X/582/1/012028
  3. Иовлев Г.А., Побединский В.В., Голдина И.И. Экономическое обоснование оптимальных сроков использования и периодичности технического обслуживания и ремонта машин // Вестник НГИЭИ. 2021. № 4(119). С. 105–119. doi: 10.24412/2227-9407-2021-4-105-119
  4. Тойгамбаев С.К., Дидманидзе О.Н. Особенности разработки технологического процесса технического обслуживания тракторов в машинно-тракторном парке хозяйства // Вестник Курганской ГСХА. 2021. № 1(37). С. 74–80. doi: 10.52463/22274227_2021_37_74
  5. Куприянова Т.М., Растимешин В.Е. Система ТРМ: более четверти века в России. Японская теория. Российская практика. Опыт Консультационного сообщества «ТАИР». М.: Буки Веди, 2019.
  6. Итикава А., Такаги И., Такэбэ Ю. и др. TPM в простом и доступном изложении. М.: Стандарты и качество, 2008.
  7. Akhtulov A.L., Ivanova L.A., Charushina E.B. Measuring the effectiveness of the quality management system as a tool for improving the organization’s activities // IOP Conf. Ser.: Mater. Sci. Eng. 2019. Vol. 537. P. 042059. doi: 10.1088/1757-899X/537/4/042059
  8. Akhtulov A.L., Ivanova L.A., Charushina E.B. Analysis of the formation and evaluation of performance indicators and efficiency of the organization’s management system processes // J. Phys.: Conf. Ser. 2020. Vol. 1515. P. 052032. doi: 10.1088/1742-6596/1515/5/052032
  9. Redreev G.V., Okunev G.A., Voinash S.A. Efficiency of Usage of Transport and Technological Machines // Radionov A., Kravchenko O., Guzeev V., et al. (eds) Proceedings of the 5th International Conference on Industrial Engineering (ICIE 2019). ICIE 2019. Lecture Notes in Mechanical Engineering. Cham: Springer, 2020. P. 625–631. doi: 10.1007/978-3-030-22063-1_6
  10. Шаихов Р.Ф. Контроль производственного персонала на автотранспортном предприятии // Транспорт. Транспортные сооружения. Экология. 2019. № 3. С. 89–95. doi: 10.15593/24111678/2019.03.11
  11. Мальцев Д.В., Репецкий Д.С. Контроль производственного персонала при выполнении работ технического обслуживания автомобилей // Мир транспорта. 2020. Т. 18, № 6(91). С. 238–247. doi: 10.30932/1992-3252-2020-18-6-238-247
  12. Шимохин А.В. Механизм передачи бизнес-процесса промышленного предприятия на аутсорсинг // Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2019. № 1. С. 45–51. doi: 10.17586/2310-1172-2019-12-1-45-51
  13. Баранова Е.М., Баранов А.Н., Борзенкова С.Ю. и др. Исследование показателей эффективности информационных систем с помощью программы STATISTICA // Известия Тульского государственного университета. Технические науки. 2022. № 10. С. 199–205. doi: 10.24412/2071-6168-2022-10-199-205
  14. Каримова В.А., Мухитдинова М.Л. Моделирование процессов управления и прогнозирования запасов на предприятии // Наука и мир. 2019. № 5–2(69). С. 33–36.
  15. Шимохин А.В. Семантический анализ отзывов о поставщиках на основе применения нейросетевой технологии // Фундаментальные исследования. 2021. № 5. С. 117–121. doi: 10.17513/fr.43048
  16. Myalo O.V. Mathematical Modeling and Information Technologies in the Management of Tractor Maintenance Operations // IOP Conf. Ser.: Mater. Sci. Eng. 2019. Vol. 582. P. 012014. doi: 10.1088/1757-899X/582/1/012014
  17. Рубцова Ю.В. Модель нейронной сети для преодоления деградации результатов классификации текстов по тональности // Проблемы информатики. 2018. № 2(39). С. 4–14.
  18. Каракулов И.В. Классификация технического состояния водонасосного оборудования при помощи сверточных нейронных сетей // Прикладная математика и вопросы управления. 2022. № 2. С. 37–53. doi: 10.15593/2499-9873/2022.2.02
  19. Кацуба Ю.Н. Григорьева Л.В. Применение искусственных нейронных сетей для прогнозирования технического состояния изделий // Международный научно-исследовательский журнал. 2016. № 3–2(45). С. 19–21. doi: 10.18454/IRJ.2016.45.008
  20. Иванов А.И. Использование методики диагностирования двигателя при помощи мотор-тестера и скрипта CSS // E-Scio. 2020. № 5(44). С. 779–787.
  21. Будко С.И., Козарез И.В., Козлов С.И. и др. Теоретические исследования по совершенствованию процесса диагностирования дизелей // Вестник Брянской государственной сельскохозяйственной академии. 2020. № 1(77). С. 50–55.
  22. Яблоков А.Е., Жила Т.М. Применение СНС в вибродиагностике по спектрограммам и вейвлет-скалограммам сигнала // Известия Тульского государственного университета. Технические науки. 2021. № 12. С. 452–456. doi: 10.24412/2071-6168-2021-12-452-457
  23. Яблоков А.Е., Жила Т.М., Генералов А.С. Диагностика оборудования по спектрограммам вибросигнала методами машинного обучения // Инновационные технологии производства и хранения материальных ценностей для государственных нужд. 2021. № 15. С. 288–297.
  24. Буйносов А.П., Васильев В.А., Баитов А.С. и др. Стендовая отработка алгоритмов диагностирования подшипников качения бортовой системы диагностики и прогноза остаточного ресурса основных и вспомогательных узлов МПВС // Вестник Уральского государственного университета путей сообщения. 2021. № 3(51). С. 40–49. doi: 10.20291/2079-0392-2021-3-40-49
  25. Иовлев Г.А., Голдина И.И., Зорков В.С. Технический сервис в сельском хозяйстве и процесс цифровизации // Аграрное образование и наука. 2019. № 2. С. 7.
  26. Тарасенко В.Е., Ролич О.Ч., Якубович О.А. и др. Алгоритмы обработки сигналов при комплексном диагностировании автотракторных двигателей многоканальной интегрированной системой // Труды НАМИ. 2021. № 1(284). С. 6–15. doi: 10.51187/0135-3152-2021-1-6-15

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Шкала периодичности и чередования технического обслуживания и ремонтов тракторов: 1 — ТО-1; 2 — ТО-2; 3 — ТО-3.

Скачать (87KB)
Метаданные
3. Рис. 2. Диаграмма ремонтного цикла станка 1А616: R — ремонт; O — капитальный ремонт; M — техническое обслуживание.

Скачать (36KB)
Метаданные
4. Рис. 3. Блок-схема применения коэффициента вариации цикла технического обслуживания (ремонта) в управлении процессом.

Скачать (149KB)
Метаданные
5. Рис. 4. Граф разработанной нейронной сети.

Скачать (609KB)
Метаданные
6. Рис. 5. Блок-схема механизма совершенствования процесса технического сервиса.

Скачать (162KB)
Метаданные

© Эко-Вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».