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

Полный текст

ВВЕДЕНИЕ

Обеспечение работоспособности машин может быть достигнуто за счет улучшения физико-механических свойств материалов и конструкции деталей, своевременного и качественного технического сервиса и, что не менее важно, за счет высококвалифицированного осуществления ремонта.

В условиях высокого износа техники возникает необходимость совершенствования системы технического обслуживания и ремонта. Одним из вариантов обеспечения качества технического обслуживания и ремонта является совершенствование системы управления техническим сервисом организации. Применение современных систем диагностирования также может обеспечить своевременное выявление дефектов узлов и механизмов. Для применения этих систем не у всех предприятий могут быть квалифицированные специалисты, которые могут правильно проанализировать диагностическую информацию. Одним из вариантов решения указанной проблемы отсутствия таких специалистов может стать применение современных, цифровых технологий способных правильно интерпретировать диагностическую информацию.

Следует отметить, что в России существуют два вида систем технического обслуживания и ремонта: традиционная система планово-предупредительного ремонта [1–4] и система технического обслуживания по техническому состоянию [5–8].

Целью настоящего исследования является 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.

Исследование направлено на решение следующих задач:

• определение общих аспектов или принципов реализации системы ремонта для технических объектов различного назначения;
• выявление параметра для оценки влияния управленческих воздействий на процесс технического обслуживания и ремонта;
• проведение анализа применения технологии нейронных сетей в технической диагностике;
• разработка механизма совершенствования процесса технического сервиса.

АНАЛИЗ СОСТОЯНИЯ ВОПРОСА

Известно, что система планово-предупредительного ремонта предполагает осуществление технического обслуживания или ремонта транспортно-технологического и промышленного оборудования через определенные промежутки календарного времени или времени наработки.

Согласно национальному стандарту ГОСТ Р 20793–2009 «Тракторы и машины сельскохозяйственные. Техническое обслуживание» чередование и периодичность технических обслуживаний и ремонтов представлены на рис. 1.

Рис. 1. Шкала периодичности и чередования технического обслуживания и ремонтов тракторов: 1 — ТО-1; 2 — ТО-2; 3 — ТО-3.

Fig. 1. Scale of frequency and sequence of maintenance and repairs of tractors: 1 — TM-1; 2 — TM-2; 3 — TM-3.

Виды технического обслуживания автомобилей и тракторов практически одинаковы, но при этом срок проведения текущего ремонта тракторов не определяется периодичностью пробега, проводится при необходимости и совмещается с ближайшим техническим обслуживанием.

Так, например, в техническом обслуживании сельскохозяйственной техники предусмотрены текущий и капитальный ремонты, а также техническое обслуживание ежедневное (ТОЕ), техническое обслуживание № 1 (ТО-1), техническое обслуживание № 2 (ТО-2), техническое обслуживание № 3 (ТО-3).

К особенностям технического обслуживания сельскохозяйственных машин можно отнести то, что из-за небольшого срока использования определенных машин некоторые виды ТО не осуществляются. Например, самоходные сельскохозяйственные машины ограничиваются ТО-2, сложные машины, агрегатируемые с трактором — ТО-1, простые машины (плуги, зубовые бороны, культиваторы для сплошной обработки почвы) подвергаются только ежемесячному обслуживанию. При этом все остальные виды ТО и ремонта производятся в период хранения.

Периодичность технического обслуживания автомобилей устанавливается по пробегу и изменяется в зависимости от условий эксплуатации.

Из национального стандарта ГОСТ Р 21624–81 «Система технического обслуживания и ремонта автомобильной техники. Требования к эксплуатационной технологичности и ремонтопригодности изделий» для центральной зоны России и периодичность технического обслуживания представлена в таблице 1.

Таблица 1. Периодичность видов технического обслуживания

Table 1. Frequency of maintenance types

Планово-предупредительная система технического обслуживания и ремонта промышленного оборудования также предполагает осуществление технического обслуживания или текущего ремонта через определенные промежутки времени. Так, например, для станка 1А616 характерна следующая очередность и периодичность ремонта и ТО (рис. 2).

Рис. 2. Диаграмма ремонтного цикла станка 1А616: R — ремонт; O — капитальный ремонт; M — техническое обслуживание.

Fig. 2. Diagram of the repair cycle of the 1A616 machine: R — repair; O — overhaul; M — maintenance.

Таким образом, для системы планово-предупредительного ремонта характерно назначать равные промежутки между техническим обслуживанием (ремонтом), которые могут меняться для различных объектов в зависимости от интенсивности и условий эксплуатации.

В официальном издании «Транспорт России. Информационно-статистический бюллетень» за 2021–2022 гг. Федеральная служба государственной статистики отмечает износ на сухопутном транспорте транспортной отрасли Российской Федерации в среднем 41,9%. В издании «Промышленное производство в России» указано значение износа за 2021 г. основных фондов обрабатывающего производства около 51%. Данные значения износа являются существенными, поэтому в настоящее время остается актуальным совершенствование организации технического сервиса. Кроме того, отмечается ряд факторов, влияющих на техническое состояние: износ машин и оборудования [9], нехватка квалифицированных сотрудников в области ремонта в организациях различных отраслей [10, 11].

Отметим также, что обеспечение бесперебойного выполнения изделиями своих функций особенно актуально для таких отраслей, как транспорт и сельскохозяйственная техника. Основные задачи транспорта заключаются в качественном удовлетворении потребности народного хозяйства и населения в перевозках, a сельскохозяйственная техника должна обеспечивать своевременное проведение определенных работ. Например, для сельскохозяйственных организаций существует риск потери урожая, для его предотвращения урожай должен быть собран в строго определенное время.

Таким образом, можно выделить общие принципы функционирования системы планово-предупредительного ремонта для таких видов техники, как промышленное оборудование, транспорт и сельскохозяйственные машины, — это назначение через равные промежутки наработки или времени сроки проведения технического обслуживания и ремонта. Стоит отметить, что совершенствование технического сервиса возможно за счет обеспечения качества управления данным процессом.

РЕШЕНИЕ ПОСТАВЛЕННОЙ ЗАДАЧИ

Проведенный обзор и анализ литературных источников показал, что в процессе технического обслуживания и ремонта могут быть приняты следующие управленческие решения: поиск поставщика услуг технического обслуживания и ремонта; определение сроков проведения технического обслуживания и ремонта; определение техники, которую необходимо отправить на ремонт.

В национальном стандарте ГОСТ Р 18322–2016 «Система технического обслуживания и ремонта техники» принято понятие «цикл технического обслуживания (ремонта)» — наименьший повторяющийся интервал времени или наработки объекта, в течение которых выполняются в определенной последовательности в соответствии с требованиями документации все установленные виды периодического технического обслуживания (ремонта), а также понятие «периодичность технического обслуживания (ремонта)» — интервал времени, или наработка между данным видом технического обслуживания (ремонта) и последующим таким же видом или другим большей сложности.

Тогда, принимается значение цикла технического обслуживания для тракторов 125 моточасов и периодичность ТО-2 — 500 моточасов; для автомобилей — 5000 км и периодичность ТО-2 — 20000 км; для оборудования (на примере станка 1А616) цикл технического обслуживания (ремонта) 2640 ч работы (см. рис. 1, 2).

Для оценки влияния управленческих воздействий на процесс технического обслуживания и ремонта авторами в работе [12] предлагается введение коэффициента вариации цикла технического обслуживания (ремонта)

$C_v=\frac{\sigma }{\mu }$, (1)

где σ — среднеквадратичное (стандартное) отклонение фактических значений интервала времени (наработки) между остановками на техническое обслуживание (ремонт, в том числе внеплановый); μ — среднее значение интервала времени (наработки) между остановками изделия на техническое обслуживание (ремонт, в том числе внеплановый).

В математической статистике и теории управления процессами [13, 14] приняты следующие выводы о значениях коэффициента вариации: если его значение менее 10% то степень рассеивания данных незначительна и исследуемый процесс можно считать устойчивым, управляемым; при значениях от 10% до 25% степень рассеивания данных средняя, процесс имеет некоторые отклонения по параметру (-ам); при значениях более 25% степень рассеивания большая, процесс имеет значительный разброс в параметрах, является неустойчивым, неуправляемым. В соответствии с этими суждениями предлагаются следующие интервалы значений рассматриваемого параметра (рис. 3):

• 0 < C_v < 10 — группа изделий, %, которая характеризуется хорошим техническим состоянием, практически все ремонты выполняются по графику, небольшие колебания коэффициента могут быть связаны с различными производственными задачами и условиями эксплуатации;
• 10 < C_v < 25 — группа изделий, %, которая характеризуется случайными отказами, если они приводят к существенным потерям в производстве, выполнении основных функции изделия, то следует проводить анализ этих причин, с последующим возможным поиском других поставщиков услуг по техническому сервису;
• C_v > 25 — группа изделий, %, которая характеризуется плохим техническим состоянием, что приводит к существенным потерям и необходимости анализа причин этих отказов.

Рис. 3. Блок-схема применения коэффициента вариации цикла технического обслуживания (ремонта) в управлении процессом.

Fig. 3. Block diagram of the application of the maintenance (repair) cycle variation coefficient in process management.

Таким образом, рассматриваемый параметр в условиях системы планово-предупредительного ремонта позволяет выявить области процесса технического обслуживания и ремонта, для которых необходимо применять управленские воздействия. В случае превышения значений 10 % при существенных потерях на ремонт или при превышении значений 25 % предлагается выполнять поиск причин отказов и на его основе осуществлять выбор поставщика услуг технического сервиса, повышение компетенции своих сотрудников и др.

Следует обратить внимание, что в связи с производственной необходимостью значение данного коэффициента может несколько меняться, но существенные сдвиги, следовательно, большое значение коэффициента вариации будет при внеплановых остановках, связанных с восстановлением после непредвиденного отказа изделия.

МЕХАНИЗМ СОВЕРШЕНСТВОВАНИЕ ПРОЦЕССА ТЕХНИЧЕСКОГО СЕРВИСА С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВОЙ ТЕХНОЛОГИИ

Рассмотрим технологию индустрии 4.0 — нейронные сети, которые обладают способностью обучаться на основе предоставляемых данных и обобщать их. Программные продукты, построенные на их основе, могут стать заменой экспертов и специалистов при их отсутствии в различных областях управления и осуществлять поддержку принятия решений.

При определенных значениях предлагаемого в данной статье параметра Vc в управлении техническим сервисом может быть принято решение — «поиск поставщика технического сервиса».

В работах [15, 16] представлены исследования о возможности применения алгоритмов, построенных на основе нейронных сетей, для оценки уровня надежности поставщиков технического сервиса и их оценка по отзывам в сети Интернет [16]. Данные алгоритмы могут применяться как дополнительный инструмент в принятии решения о выборе поставщика. В результате показано, что нейронные сети могут квалифицировать поставщиков по различным показателям: время существования на рынке, соотношение положительных и отрицательных отзывов и др. Для проверки возможности анализа нейронными сетями положительных и отрицательных отзывов в сети Интернете было проведено отдельное исследование с нейронной сетью, созданной на языке программирования Python. Для ее обучения использовались выражения, расширенные отзывами об организациях — поставщиках автосервисных услуг. Данная нейронная сеть показала качественную работу с большим массивом данных об отзывах компаний, предоставляющих услуги автосервиса, что в настоящее время является одним из способов получения характеристики поставщика услуг.

В [18–23] анализируется работа нейронных сетей с графической информацией с целью применения в технической диагностике. Так, например, при диагностировании двигателя с применением мотор-тестера получают осциллограммы [20], по которым нейронная сеть может определять дефекты [20, 22].

Например, приведены опыты автора Каракулова И.В. [18] в работе которого были получены результаты вибродиагностики насосного оборудования, в виде спектрограмм виброскорости. Информация о которых хранилась в графических файлах. Автор разработал и подготовил по этим данным нейронные сети. И получил в результате хорошую точность распознавания технического состояния с помощью нейронной сети по классификации: удовлетворительное, допустимое и недопустимое. Нейронная сеть в данном моделировании анализировала графическую информацию (спектрограммы виброскорости). В работе Яблокова А.Е. [22] также проводился опыт по изучению способности нейронных сетей работать с графической информацией несущей информацию о техническом состоянии объекта. В данном исследовании были получены результаты вибродиагностики для различных состояний зубчатых передач. Моделирование проводилось в среде Matlab, в результате было получено, что нейронная сеть распознавала состояния зубчатых передач по изображениям сохраненным в файлы размером 781×781 pix с точностью до 95%.

Авторами работы [23] получены результаты вибродиагностики подшипников с различными техническими состояниями. Ими также был разработан алгоритм на основе нейронной сети для анализа спектрограмм, который показал способность правильно определять техническое состояние подшипников по графической информации с тонностью 75–80%.

Данные исследований и многие другие подобные опыты дают возможность сделать заключение о возможности применения технологии нейронной сети как инструмента для применения сложной диагностической аппаратуры, в том числе, в условиях отсутствия эксперта.

Таким образом, становится возможным применять дорогостоящую сложную аппаратуру при отсутствии экспертов.

Для моделирования процесса распознавания дефектов рассмотрим пример вибродиагностики подшипников качения. Дефекты подшипников могут заключаться в износе поверхности наружного, внутреннего колец, тел качения. Могут быть дефекты монтажа подшипников качения и дефекты смазки. Все они диагностируются методами вибродиагностики в котором в зависимости от дефекта он проявляется в виде повышенной амплитуды на определенной частоте.

Рассмотрим подшипник 6226-2RS TIMKEN, который применяется в различных механизмах и промышленном оборудовании. По известным зависимостям [24] построим частотную карту возникновения дефектов.

В таблице 2 приведены следующие обозначения: F_днк(F1) — частота, на которой повышенной амплитудой вибрации проявляются дефекты наружного кольца подшипника; F_двк(F2) — частота, на которой повышенной амплитудой вибрации проявляются дефекты внутреннего кольца подшипника; F_c(F3) — частота на которой повышенной амплитудой вибрации проявляются дефекты сепаратора подшипника; F_m(F5) — частота, на которой повышенной амплитудой вибрации проявляется дефект монтажа. Неоднородный радиальный натяг. f_p — частота вращения вала или внутреннего кольца подшипника. z — количество тел качения, d — внутренний диаметр подшипника, D — наружный диаметр подшипника.

Таблица 2. Частотная карта дефектов подшипников типа 6226-2RS TIMKEN

Table 2. Frequency map of defects of the type 6226-2RS TIMKEN bearing

Для создания набора данных для подготовки нейронной сети будем считать, что частота вращения f_п — 1200 об/мин. или 20 Гц. Тогда дефекты из таблицы 2 будут создавать повышенную амплитуду на следующих частотах для данного подшипника (таблица 3).

Таблица 3. Частоты проявления дефектов при f_p = 20 Гц для подшипника 6226-2RS TIMKEN

Table 3. Frequency of appearing of defects at f_p = 20 Hz for the 6226-2RS TIMKEN bearing

В соответствии с приведенными в таблице 2 зависимостями создадим набор данных для подготовки нейронной сети. В данном наборе наибольшие значения амплитуды будут на частотах, которые соответствуют определенным дефектам при их наличии (таблица 2). На остальных частотах будет моделировать амплитуды с значением около 30% от пиковых значений.

Набор данных в данном случае представляет собой совокупность входных векторов, в соответствие с которыми поставлены выходные вектора. Каждый входной вектор X поочерёдно подается на вход нейронной сети и её выход сравнивается с заданным парным входному выходным вектором D, после чего параметры нейронной сети корректируются таким образом, чтобы сократить различие между фактическим и требуемым выходом сети.

Входной вектор будет формироваться из частот с наибольшими амплитудами. Выходным вектором в таком случае будет вектор с четырьмя дефектами, в котором наибольшие амплитуды будут у соответствующих этим дефектам частотами из таблицы 2.

Фрагмент матрицы входных сигналов приведен в таблице 4.

Таблица 4. Фрагмент матрицы входных сигналов

Table 4. Fragment of the matrix of input signals

Соответственно каждому набору (строке) амплитуд на определенных частот можно поставить в соответствие определенный дефект и получить матрицу выходных векторов (таблица 5).

Таблица 5. Матрица выходных векторов видов дефектов

Table 5. Matrix of output vectors of types of defects

На основе матрицы входных сигналов, содержащей 200 записей, была подготовлена нейронная сеть в программном комплексе Deductor. При этом при моделировании нейронной сети использовались следующие обозначения видов лефектов: Дефект наружного кольца — DNK; Дефект внутреннего кольца — DVK; Дефект сепаратора — DS. Неоднородный радиальный натяг-NRN. В итоге была разработана модель нейронной сети. Данная нейронная сеть содержит 2 скрытых слоя по 9 нейронов в первом слои, 10 нейронов во втором нейронов. Граф данной сети показан на рис. 4. В качестве функции активации использовался сигмоидная функция [12, 15].

Рис. 4. Граф разработанной нейронной сети.

Fig. 4. Graph of the developed neural network.

Разработанная нейронная сеть правильно распознала вид дефекта по матрице входных сигналов, а также смогла распознать дефект по новым значением входящих сигналов. Проведенное моделирование подтвердило возможность нейронный сетей классифицировать или распознавать дефект по амплитудно-частотной характеристики вибросигнала, получаемого засчет вибродиагностики.

Их способность распознавать дефекты расширяет возможность применений сложной диагностической аппаратуры в условиях отсутствия экспертов.. Представим механизм совершенствования процесса технического сервис на рис. 5.

Рис. 5. Блок-схема механизма совершенствования процесса технического сервиса.

Fig. 5. Block diagram of the procedure for improving the maintenance process.

В данном механизме обеспечение качества управленческих решений в процессе технического обслуживания и ремонта достигается за счет применения параметра вариации цикла технического обслуживания (ремонта) и программного продукта на основе нейронный сети, а также нейросетевой технологии в технической диагностике [25, 26].

ЗАКЛЮЧЕНИЕ

На основании проведенного анализа систем планово-предупредительного ремонта для различных типов сельскохозяйственной техники, автомобилей и промышленного оборудования, можно сделать следующие выводы:

• Для всех исследованных типов техники назначаются равные промежутки времени работы или наработки между одноименными видами технического обслуживания и ремонта. Для выявления необходимости управленческого воздействия на процессы технического обслуживания и ремонта изделия предложен коэффициент вариации цикла, который определяется значениями интервалов времени (наработки) между остановками техники на техническое обслуживание (ремонт, в том числе, — внеплановый). Предложены значения коэффициента, которые характеризуют стабильность процесса ремонта и технического обслуживания изделия. В случае нестабильности процесса технического обслуживания и ремонта предложено выполнять поиск причин отказов и на его основе осуществлять выбор нового поставщика услуг технического сервиса, повышение компетенции своих сотрудников и др.
• Показано, что способность нейронных сетей интерпретировать графическую информацию позволяет применять их в технической диагностике на этапе анализа диагностирующей информации, что, в свою очередь, приводит к применению сложной диагностирующей аппаратуры при отсутствии экспертов.
• Разработаны матрицы входных сигналов для разработки модели нейронной сети на основе известных амплитудно-частотных характеристик вибрации подшипников при различных дефектах. Проведенное моделирование подтвердило способность нейронной сети классифицировать вид дефектов по амплитудно-частотной характеристики вибросигнала. На наш взгляд нейронные сети могут распознавать дефект по результатам и других методов диагностирования, которые предоставляют диагностическую информацию в виде различных спектрограмм. Построенная модель нейронной сети содержит один скрытый слой с 10 нейронами, первый слой имеет 9 входов и выходной — 4 выхода. В качестве функции активации в нейронах модели нейронной сети использовалась сигмоидная функция.
• На основании полученных выводов предложен механизм совершенствования процесса технического сервиса, который включает в себя оценку стабильности процесса технического обслуживания и ремонта. На основании данной оценки принимаются управленческие решения для процесса технического обслуживания и ремонта. Механизм также включает использование нейросетевой технологии для проведения технической диагностики и поддержки принятия решения поиска поставщика, предоставляющего услуги по ремонту.

ДОПОЛНИТЕЛЬНО

Вклад авторов. А.В. Шимохин ― поиск публикаций по теме статьи, написание текста рукописи, создание изображений; О.М. Кирасиров ― редактирование текста рукописи, экспертная оценка, утверждение финальной версии. Авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией).

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования.

Об авторах

Антон Владимирович Шимохин

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

Олег Михайлович Кирасиров

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

Список литературы

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