The procedure for improving the management of the maintenance and repair process using the neural network technology

Cover Page

Cite item

Full Text

Abstract

BACKGROUND: Stable significant degree of wear of on-ground vehicles of transport industry and of agricultural machinery keeps improvement of maintenance management relevant. Development of the procedure for improving the maintenance process using state-of-the-art digital technologies is a relevant technical problem.

AIM: Determination of parameters for development of the procedure of making good managing decisions in the process of maintenance and repair of products in conditions of planned and preventive repair system using the neural network technology.

METHODS: Simulation of operation of the proposed neural network was performed in the Deductor software. The built model of the neural network contains one hidden layer with 10 neurons. A sigmoidal function was used as an activation function in neurons of the neural network model. Tools and definitions of mathematical statistics and algorithms theory were used for solving the given problems.

RESULTS: The cycle variation coefficient is proposed for revealing the necessity of managing impact on the processes of maintenance and repair of products. The proposed values of the coefficient describe stability of product maintenance and repair process. Using these values, the block diagram of the procedure of improving the maintenance process was developed.

The tool of the industry 4.0 neural networks was considered. The performed simulation based on the example of vibrational diagnostics of a bearing unit showed that neural networks are capable of defining defects using amplitude-frequency response of a vibration signal that means to interpret the diagnostic information that can be crucial in conditions of expert absence.

The scientific novelty of the study lies in presenting the values of the cycle variation coefficient for making managing decisions in maintenance and repair processes, as well as in obtaining the results of simulation of the neural network operation that confirms potential for their use for interpretation of diagnostic information which is presented in a form of various spectrographs.

CONCLUSIONS: The practical value of the study lies in the potential of using the proposed neural network for development of the system of diagnostic information analysis in condition of expert absence and using the proposed values of the cycle variation coefficient for decision-making in management of maintenance and repair.

About the authors

Anton V. Shimokhin

Omsk State Agrarian University

Author for correspondence.
Email: schimokhin@yandex.ru
ORCID iD: 0000-0002-2048-3180
SPIN-code: 2830-8008

Associate Professor, Cand. Sci. (Economics), Associate Professor of the Maintenance, Mechanics and Electrical Engineering Department

Russian Federation, Omsk

Oleg M. Kirasirov

Omsk State Agrarian University

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

Associate Professor, Cand. Sci. (Engineering), Associate Professor of the Maintenance, Mechanics and Electrical Engineering Department

Russian Federation, Omsk

References

  1. Myalo OV, Myalo VV, Prokopov SP. Theoretical substantiation of machine-tractor fleet technical maintenance system on the example of Omsk region agricultural enterprises. J. Phys.: Conf. Ser. 2018;1059:012005. doi: 10.1088/1742-6596/1059/1/012005
  2. Myalo OV, Prokopov SP. 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;582(1):012028. doi: 10.1088/1757-899X/582/1/012028
  3. Iovlev GA, Pobedinsky VV, Goldina II. Economic justification for the optimal terms of use and frequency of maintenance and repair of machines. Vestnik NGIEI. 2021;4(119):105–119. (In Russ.) doi: 10.24412/2227-9407-2021-4-105-119
  4. Toygambaev SK, Didmanidze ON. Features of the development of the technological process for maintaining tractors in the farm’s machine and tractor fleet. Vestnik Kurganskoy GSKhA. 2021;1(37):74–80. (In Russ.) doi: 10.52463/22274227_2021_37_74
  5. Kupriyanova TM, Rastimeshin VE. TRM system: more than a quarter of a century in Russia. Japanese theory. Russian practice. Experience of the TAIR Consulting Community. Moscow: Buki Vedi; 2019. (In Russ.)
  6. Ichikawa A, Takagi I, Takebe Y, et al. TPM in a simple and accessible presentation. Moscow: Standarty i kachestvo; 2008. (In Russ.)
  7. Akhtulov AL, Ivanova LA, Charushina EB. Measuring the effectiveness of the quality management system as a tool for improving the organization’s activities. IOP Conf. Ser.: Mater. Sci. Eng. 2019;537:042059. doi: 10.1088/1757-899X/537/4/042059
  8. Akhtulov AL, Ivanova LA, Charushina EB. Analysis of the formation and evaluation of performance indicators and efficiency of the organization’s management system processes. J. Phys.: Conf. Ser. 2020;1515:052032. doi: 10.1088/1742-6596/1515/5/052032
  9. Redreev GV, Okunev GA, Voinash SA. Efficiency of Usage of Transport and Technological Machines. In: 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; 2020:625–631. doi: 10.1007/978-3-030-22063-1_6
  10. Shaikhov RF. Control of production personnel at a motor transport enterprise. Transport. Transportnye sooruzheniya. Ekologiya. 2019;3:89–95. (In Russ.) doi: 10.15593/24111678/2019.03.11
  11. Maltsev DV, Repetsky DS. Control of production personnel when performing vehicle maintenance work. Mir transporta. 2020;18(6(91)):238–247. (In Russ.) doi: 10.30932/1992-3252-2020-18-6-238-247
  12. Shimokhin AV. Mechanism for transferring a business process of an industrial enterprise to outsourcing. Nauchnyy zhurnal NIU ITMO. Seriya «Ekonomika i ekologicheskiy menedzhment». 2019;1:45–51. (In Russ.) doi: 10.17586/2310-1172-2019-12-1-45-51
  13. Baranova EM, Baranov AN, Borzenkova SYu, et al. Study of information systems efficiency indicators using the STATISTICA program. Izvestiya Tulskogo gosudarstvennogo universiteta. Tekhnicheskie nauki. 2022;10:199–205. (In Russ.) doi: 10.24412/2071-6168-2022-10-199-205
  14. Karimova VA, Mukhitdinova ML. Modeling processes for managing and forecasting inventories at an enterprise. Nauka i mir. 2019;5–2(69):33–36. (In Russ.)
  15. Shimokhin AV. Semantic analysis of reviews about suppliers based on the use of neural network technology. Fundamentalnye issledovaniya. 2021;5:117–121. (In Russ.) doi: 10.17513/fr.43048
  16. Myalo OV. Mathematical Modeling and Information Technologies in the Management of Tractor Maintenance Operations. IOP Conf. Ser.: Mater. Sci. Eng. 2019;582:012014. doi: 10.1088/1757-899X/582/1/012014
  17. Rubtsova YuV. A neural network model to overcome the degradation of text classification results by sentiment. Problemy informatiki. 2018;2(39):4–14. (In Russ.)
  18. Karakulov IV. Classification of the technical condition of water pumping equipment using convolutional neural networks. Prikladnaya matematika i voprosy upravleniya. 2022;2:37–53. (In Russ.) doi: 10.15593/2499-9873/2022.2.02
  19. Katsuba YuN, Grigorieva LV. Application of artificial neural networks to predict the technical condition of products. Mezhdunarodnyy nauchno-issledovatelskiy zhurnal. 2016;3–2(45):19–21. (In Russ.) doi: 10.18454/IRJ.2016.45.008
  20. Ivanov AI. Using the engine diagnostic technique using a motor tester and a CSS script. E-Scio. 2020;5(44):779–787. (In Russ.)
  21. Budko SI, Kozarez IV, Kozlov SI, et al. Theoretical research on improving the process of diagnosing diesel engines. Vestnik Bryanskoy gosudarstvennoy selskokhozyaystvennoy akademii. 2020;1(77):50–55. (In Russ.)
  22. Yablokov AE, Zhila TM. Application of CNN in vibration diagnostics using spectrograms and wavelet scalograms of the signal. Izvestiya Tulskogo gosudarstvennogo universiteta. Tekhnicheskie nauki. 2021;12:452–456. (In Russ.) doi: 10.24412/2071-6168-2021-12-452-457
  23. Yablokov AE, Zhila TM, Generalov AS. Equipment diagnostics using vibration signal spectrograms using machine learning methods. Innovatsionnye tekhnologii proizvodstva i khraneniya materialnykh tsennostey dlya gosu-darstvennykh nuzhd. 2021;15:288–297. (In Russ.)
  24. Buynosov AP, Vasilyev VA, Baitov AS, et al. Bench testing of algorithms for diagnosing rolling bearings of an on-board diagnostic system and forecasting the residual life of the main and auxiliary units of the MPVS. Vestnik Uralskogo gosudarstvennogo universiteta putey soobshcheniya. 2021;3(51):40–49. (In Russ.) doi: 10.20291/2079-0392-2021-3-40-49
  25. Iovlev GA, Goldina II, Zorkov VS. Technical service in agriculture and the digitalization process. Agrarnoe obrazovanie i nauka. 2019;2:7. (In Russ.)
  26. Tarasenko VE, Rolich OCh, Yakubovich OA, et al. Signal processing algorithms for complex diagnostics of automobile and tractor engines using a multi-channel integrated system. Trudy NAMI. 2021;1(284):6–15. (In Russ.) doi: 10.51187/0135-3152-2021-1-6-15

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Scale of frequency and sequence of maintenance and repairs of tractors: 1 — TM-1; 2 — TM-2; 3 — TM-3.

Download (87KB)
Indexing metadata
3. Fig. 2. Diagram of the repair cycle of the 1A616 machine: R — repair; O — overhaul; M — maintenance.

Download (36KB)
Indexing metadata
4. Fig. 3. Block diagram of the application of the maintenance (repair) cycle variation coefficient in process management.

Download (215KB)
Indexing metadata
5. Fig. 4. Graph of the developed neural network.

Download (610KB)
Indexing metadata
6. Fig. 5. Block diagram of the procedure for improving the maintenance process.

Download (318KB)
Indexing metadata

Copyright (c) 2024 Eco-Vector

Creative Commons License
This work is licensed under a 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».