Transformation reliability engineering for maintenance management

การแปลงข้อมูลเชิงวิศวกรรมความน่าเชื่อถือสำหรับการบริหาร การบำรุงรักษา

Name: Tadpon Kullawong

keyword: RCM

LCSH: Support vector machines

LCSH: Machinery -- Maintenance and repair -- Planning

Abstract: Maintenance management at present suffers from problems referring to maintenance data and machine history accuracy, consistent and constant information resulting in inefficiency of planning, maintenance, diagnosis and prognosis of machinery disorders. For this reason, it is necessary to develop tools and procedures to ensure compliance with these problems. Thus, the objective of this research was to create models which modified the data to increase reliability of engineering maintenance management. The framework of research consisted of 5 parts : (1) Fundament of Reliability-Centered Maintenance (RCM) for the machinery that has the data of Time To Fail; (2) Integrating Mechanical Vibration and Statistical Forecasting Techniques with RCM for the machinery which does not have the data of Time To Fail; (3) Combining Modified Cost Engineering with RCM for both the machinery which has the data of Time To Fail and the machinery that does not; (4) Applying RCM with General Diagnosis of Machine Faults for industrial rotating machinery with Engineering Statistics and Engineering Vibration on each time to forecast the period of maintenance data; (5) Applying RCM with Complex Diagnosis of Machine Faults by Artificial Neural Networks (ANN) and Support Vector Machines (SVM) with signs of vibration. ANN was used to focus the overall error of all data in a classifying process. SVM and ANN have the same working principle but different classifying processes. SVM is better than the Artificial Neural Network (ANN) because SVM rarely has a problem with overfitting. The results of this research found that Fundament of RCM and Integrating Mechanical Vibration and Statistical Forecasting Techniques with RCM showed that the main time between failures for the plant equipment and the probability of sudden equipment failures were decreased. Moreover, the research results of Combining Modified Cost Engineering with RCM was able to develop a methodology to determine maintenance costs which must be applied to subsets of the elements of a plant, grouped according to their criticality. In addition, the research results of Applying RCM with General Diagnosis of Machine Faults presented an approach for life prediction of machinery such as spindle CNC rolling bearing using a nonlinear regression analysis. Vibration data were also used to assist in the design of rolling bearing fault diagnosis strategies which were effective agents in life prediction and diagnosis. The research results of Applying RCM with Complex Diagnosis of Machine Faults by Artificial Neural Networks (ANN) and Support Vector Machines (SVM) showed that ANN was able to accurately diagnose about 75-80% of automatic motor fault diagnosis based on vibration signals, whereas SVM showed the highest efficiency accurately at 95-100%.

Abstract: การบริหารการบำรุงรักษาในปัจจุบันกำลังประสบปัญหาอย่างมากเกี่ยวกับ การดำเนินจัดเก็บข้อมูล และประวัติการบำรุงรักษาเครื่องจักร อย่างถูกต้อง ต่อเนื่อง และสม่ำเสมอ จึงส่งผลให้ขาดประสิทธิภาพในการวางแผนบำรุงรักษา การวินิจฉัย และการพยากรณ์ความผิดปกติของเครื่องจักร ด้วยเหตุนี้เองจึงมีความจำเป็นที่จะต้องปรับปรุง และพัฒนาเครื่องมือและวิธีการเพื่อให้สอดคล้องกับปัญหาดังกล่าว ดังนั้นงานวิจัยนี้ได้ทำการสร้างโมเดลเกี่ยวกับ การปรับปรุงข้อมูลเชิงวิศวกรรมความน่าเชื่อถือสำหรับการบริหารการบำรุงรักษา ซึ่งจะดำเนินการดัดแปลงรูปแบบเพื่อประยุกต์ใช้กับวิศวกรรมความน่าเชื่อถือให้เหมาะสมกับลักษณะปัญหาดังกล่าว โดยการดำเนินงานวิจัยประกอบด้วย 5 ส่วนคือ (1) การประยุกต์ใช้วิศวกรรมความน่าเชื่อถือเป็นศูนย์กลางการบำรุงรักษา (RCM) สำหรับเครื่องจักรต่าง ๆ ที่มีการจัดเก็บข้อมูล ประวัติ อัตราการเสีย (2) การเชื่อมโยงการสั่นสะเทือนเชิงวิศวกรรมและเทคนิคสถิติพยากรณ์กับ RCM เพื่อการวางแผนการบำรุงรักษาสำหรับโรงงานอุตสาหกรรมต่าง ๆ สำหรับเครื่องจักรหมุน ที่ไม่มีการจัดเก็บข้อมูล ประวัติ อัตราการเสีย (3) การประยุกต์ใช้วิศวกรรมต้นทุนสำหรับ RCM สำหรับเครื่องจักรต่าง ๆ ที่ได้ดำเนินการวิเคราะห์ RCM แล้ว จากทั้ง 2 แหล่ง คือ วิธีการสำหรับเครื่องจักรต่าง ๆ ที่มีการจัดเก็บข้อมูล ประวัติ อัตราการเสีย และ วิธีการสำหรับเครื่องจักรหมุน ที่ไม่มีการจัดเก็บข้อมูล ประวัติ อัตราการเสีย (4) การเชื่อมโยงRCM กับการวินิจฉัยความผิดปกติโดยทั่วไปของเครื่องจักรหมุนโดยประยุกต์ร่วมกับ สถิติวิศวกรรม และอัตราการสั่นสะเทือนของเครื่องจักรหมุน ในแต่ละช่วงเวลาของจุดเฝ้าระวัง เพื่อคาดการณ์ระยะเวลา และลักษณะการเสียขั้นต้นของเครื่องจักรหมุน และ (5) การเชื่อมโยง RCM กับการวินิจฉัยความผิดปกติเชิงลึกของเครื่องจักรหมุน ด้วยการใช้ Artificial Neural Networks (ANN) และ Support Vector Machines (SVM) กับสัญญาณการสั่นสะเทือนของเครื่องจักร โดยหลักการทำงานของ ANN และ SVM จะเหมือนกัน แต่จะแตกต่างกัน ตรงที่ SVM เป็นอัลกอริทึมที่สามารถนำมาช่วยแก้ปัญหาการจำแนกข้อมูล ได้ดีกว่า ANN ซึ่ง SVM จะใช้ในการวิเคราะห์ข้อมูลและจำแนกข้อมูล โดยอาศัยหลักการของการหาสัมประสิทธิ์ของสมการเพื่อสร้างเส้นแบ่งแยกกลุ่มข้อมูลที่ถูกป้อนเข้าสู่กระบวนการสอนให้ระบบเรียนรู้ โดยเน้นไปยังเส้นแบ่งแยกแยะกลุ่มข้อมูลได้ดีที่สุด และทำให้การวินิจฉัยความผิดปกติเชิงลึกของเครื่องจักรหมุนมีความถูกต้องแม่นยำ 95% ผลจากการวิจัยครั้งนี้ ในส่วนการประยุกต์ใช้ RCM สำหรับเครื่องจักรต่าง ๆ ที่มีการจัดเก็บข้อมูล ประวัติ อัตราการเสีย และ การเชื่อมโยงการสั่นสะเทือนเชิงวิศวกรรมและเทคนิคสถิติพยากรณ์กับ RCM สำหรับเครื่องจักรหมุน ที่ไม่มีการจัดเก็บข้อมูล ประวัติ อัตราการเสีย พบว่ามีอัตราความล้มเหลวของเครื่องจักรจะลดลงและอัตราความพร้อมทำงานของเครื่องจักรเพิ่มขึ้น ในส่วนการประยุกต์ใช้วิศวกรรมต้นทุนสำหรับ RCM สำหรับเครื่องจักรต่าง ๆ ที่ได้ จากทั้ง 2 แหล่ง คือ วิธีการสำหรับเครื่องจักรต่าง ๆ ที่มีการจัดเก็บข้อมูล ประวัติ อัตราการเสีย และ วิธีการสำหรับเครื่องจักรหมุน ที่ไม่มีการจัดเก็บข้อมูล ประวัติ อัตราการเสีย พบว่า รูปแบบการคำนวณต้นทุนที่ได้สร้างวิธีการ ในการกำหนดค่าใช้จ่ายในการบำรุงรักษาที่จะต้องนำไปใช้กับบางส่วนย่อยขององค์ประกอบของเครื่องที่จัดกลุ่มตามความสำคัญและเพื่อระบุช่องว่างของค่าใช้จ่ายระหว่างการแก้ปัญหาจริงและช่วงเวลาการบำรุงรักษาที่ดีที่สุด ในส่วนการเชื่อมโยง RCM กับการวินิจฉัยความผิดปกติโดยทั่วไปของเครื่องจักรหมุนโดยประยุกต์ร่วมกับ สถิติวิศวกรรม และอัตราการสั่นสะเทือนของเครื่องจักรหมุน ในแต่ละช่วงเวลาของจุดเฝ้าระวัง เพื่อคาดการณ์ระยะเวลา และลักษณะการเสียขั้นต้นของเครื่องจักรหมุน พบว่าสามารถคาดการณ์ระยะเวลา และลักษณะการเสียขั้นต้นได้อย่างเหมาะสม และ ในการเชื่อมโยง RCM กับการวินิจฉัยความผิดปกติเชิงลึกของเครื่องจักรหมุน ด้วยการใช้ ANN และ SVM ได้แสดงผลลัพธ์ของความแม่นยำในการวินิจฉัยโดยใช้ ANN คือ 75-80% และ SVM คือ 95-100% กับสัญญาณการสั่นสะเทือนของเครื่องจักร ทำให้ผลลัพธ์จากการวินิจฉัยและการพยากรณ์ความผิดปกติของเครื่องจักรด้วย SVM ที่มีประสิทธิภาพสูง

King Mongkut's University of Technology North Bangkok. Central Library

Address: Bangkok

Email: library@kmutnb.ac.th

Name: Suthep Butdee

Role: Dissert advisors

Email : stb@kmutnb.ac.th

Created: 2015

Modified: 2016-08-16

Issued: 2016-08-16

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: E-THESIS

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Production Engineering

Grantor: King Mongkut's University of Technology North Bangkok

©copyrights King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B15989884.pdf	3.63 MB	44	2024-06-21 11:05:44

ใช้เวลา

0.031685 วินาที