The Concept of Functional-Productiveness for Modelling Reliability in EnergyBased Maintenance Domain

Abstract

Applying the Energy-Based Maintenance (EBM) policy within manufacturing companies, the theoretical probability of non-random deteriorating failures is relatively low. However, poor industrial maintenance practices and market intelligence have been reported. Nonetheless, although various maintenance practices, including CBM (Condition-Based Maintenance) and PdM (Predictive Maintenance) concepts, are applied within manufacturing sectors, results show that performance differs with decision-making and policy-making in all layers of abstraction. The reasons for such propositions are imposed by three main pillars of evidence, namely (1) state-of-the-projects, (2) state-of-the-literature, and (3) state-of-the-practice. The author of the thesis uses this evidence as an apparatus for justifying the lack of maintenance impact and achievement in the industrial “4th Wave”. A specific in-detail description of the protocol is given for each given pillar. The lack of achievement are seen in decision-making since most engineers and scientists rely on static data-driven approaches. Utilising the PdM practice seems to exhibit difficulties in switching from a static to a dynamic data-driven approach. The setbacks are seen through the poor decision-making of top management. Hence, the outdated CBM frameworks that manufacturers rely upon fall short of providing long-term effects, especially in upcoming sustainable manufacturing. Encompassing sustainable manufacturing as one of the key enabling technologies (KET) and sustainability indicator(s) as a condition monitoring (CM) tool(s) that rely on energy and environmental dynamics, maintenance decision-making (MDM) differs between traditional maintenance practice and EBM practice. The setbacks of conventional CM tools (e.g. vibrational and acoustic) seem to be facing difficulties while being outside of operational decision-making layer (strategic and tactical). Since monitoring energy dissipation (e.g., vibroacoustics) is used as a diagnostic and prognostic indicator, the use of primary energy indicators (e.g., flow and pressure, current and voltage) can be used as both a diagnostic and prognostic indicator, but also as an indicator for maintenance optimisation and monetary value because energy consumption can be easily represented financially. The ongoing sustainability frameworks and energy efficiency normatives, therefore, support aforemtioned practice over traditional ones. The author of the thesis is set to propose the functional-productiveness (FP) concept as a quantitative estimate in delineating functional from non-functional labels. Secondly, using machine learning (supervised and unsupervised) algorithms for binary classification, the goal is to determine the healthy from the non-healthy state by relying upon functional-productiveness markers (FPMs). These markers are extracted from classification hypothesis space by variable importance; as such can be used for establishing the reliability of systems and contributing to maintenance decision-making. Using a practical hydraulic control system of a rubber mixing machine, it was possible to establish high classification accuracy between healthy and non-healthy states. The author used: Gaussian naïve Bayes (GNB), Artificial Neural Networks (ANN), Logistic Regression (LR), Classification and Regression Tree (CART), and k-Nearest Neighbour (kNN) for classification, where ANN resulted in the highest classification accuracy (95%) given unseen data.

Примена политике Енергетски Заснованог Одржавања (ЕЗО) код производних компанија чини теоретску поузданост ненасумичних отказа релативно ниском. Међутим, све је већа присустност лоше праксе одржавања и ниске тржишна интелигенције која се јавља у истраживању. Иако се различите праксе одржавања примењују, укључујући концепте одржавања по стању и предиктивног одржавања, резултати показују да перформансе варирају у складу са политиком доношења одлука на свим нивоима одлучивања. Разлози за овакве премисе намећу три стуба доказа: (1) стање пројеката; (2) стање литературе; и (3) стање праксе. Докторант користи ове доказе као апарат да би се оправдао недостатак утицаја одржавања и постигнућа у индустријском „четвртом таласу“. За сваки дати стуб доказа дат је детаљан опис протокола. Главни недостаци напретка се огледају кроз доношење одлука с обзиром да се већина научника и инжењера ослања на статичке податке приликом одлучивања. Чини се да примена праксе предиктивног одржавања манифестује потешкоће приликом прелаза са статичких на динамичке податке. Ове потешкоће се огледају кроз лоше доношење одлука од стране топ менаџмента. Застарели оквири одржава по стању на које се произвођачи ослањају не пружају дугорочне ефекте, посебно у предстојећој одрживој производњи. Обухватајући одрживу производњу као једну од кључних технологија развоја и индикаторе одрживости као алат(и) праћења стања који се ослањају на енергетске и еколошке динамичке индикаторе, доношење одлука у одржавању се разликује између традиционалних политика одржавања и политике одржава заснованом на енергији. Недостаци конвенционалних алата праћења стања (нпр. виброакустика) је што се такви индикатори не могу применити на вишим нивоима одлучивања ван оперативног (стратешки и тактички). С обзиром да се праћење расипања енергије (као што је виброакустика) користи као индикатор за дијагностику и прогностику, употреба индикатора примарне енергије (нпр. проток и притисак, струја и напон) може да се користи и као дијагностички и прогностички индикатор, али такође и као индикатор за оптимизацију одржавања и као монетарна вредност јер потрошња енергије може лако да се финансијски прикаже. Тренутни еколошки оквири и нормативи енергетске ефикасности, према томе, подржавају претходно поменуту праксу одржавања засновану на енергији. Аутор тезе има за циљ да предложи концепт функционалне продуктивности (ФП) као квантитативну процену приликом разграничења функционалног од не-функционалног система. Друго, коришћењем алгоритама машинског учења за бинарну класификацију, циљ је да се одреди класификација за системе који задовољавају функциналност од система који то не чине ослањајући се на маркере функционалне продуктивности. Ови маркери су преузети из модела ослањајући се на битност променљиве приликом класификације у датом хипотетичком простору. Ови маркери (променљиве) се затим могу користити као индикатори за оптимизацију одређивањем поузданости система при чему се доприноси одлучивању у примењеној пракси одржавања. Употреба практичног хидрауличког система машине за производњу гуме, успешно је примењена класификација за предложене циљеве. Аутор тезе је применио моделе машинског учења (на енгл. Gaussian naïve Bayes GNB, Artificial Neural Networks – ANN, Logistic Regression – LR, Classification and Regression Tree – CART, and k-Nearest Neighbour kNN) за класификацију, где је највиша прецизност постугнута са моделима неуронских мрежа изнад 95% узимајући у обзир податке који нису били раније доступни.

Primena politike Energetski Zasnovanog Održavanja (EZO) kod proizvodnih kompanija čini teoretsku pouzdanost nenasumičnih otkaza relativno niskom. Međutim, sve je veća prisustnost loše prakse održavanja i niske tržišna inteligencije koja se javlja u istraživanju. Iako se različite prakse održavanja primenjuju, uključujući koncepte održavanja po stanju i prediktivnog održavanja, rezultati pokazuju da performanse variraju u skladu sa politikom donošenja odluka na svim nivoima odlučivanja. Razlozi za ovakve premise nameću tri stuba dokaza: (1) stanje projekata; (2) stanje literature; i (3) stanje prakse. Doktorant koristi ove dokaze kao aparat da bi se opravdao nedostatak uticaja održavanja i postignuća u industrijskom „četvrtom talasu“. Za svaki dati stub dokaza dat je detaljan opis protokola. Glavni nedostaci napretka se ogledaju kroz donošenje odluka s obzirom da se većina naučnika i inženjera oslanja na statičke podatke prilikom odlučivanja. Čini se da primena prakse prediktivnog održavanja manifestuje poteškoće prilikom prelaza sa statičkih na dinamičke podatke. Ove poteškoće se ogledaju kroz loše donošenje odluka od strane top menadžmenta. Zastareli okviri održava po stanju na koje se proizvođači oslanjaju ne pružaju dugoročne efekte, posebno u predstojećoj održivoj proizvodnji. Obuhvatajući održivu proizvodnju kao jednu od ključnih tehnologija razvoja i indikatore održivosti kao alat(i) praćenja stanja koji se oslanjaju na energetske i ekološke dinamičke indikatore, donošenje odluka u održavanju se razlikuje između tradicionalnih politika održavanja i politike održava zasnovanom na energiji. Nedostaci konvencionalnih alata praćenja stanja (npr. vibroakustika) je što se takvi indikatori ne mogu primeniti na višim nivoima odlučivanja van operativnog (strateški i taktički). S obzirom da se praćenje rasipanja energije (kao što je vibroakustika) koristi kao indikator za dijagnostiku i prognostiku, upotreba indikatora primarne energije (npr. protok i pritisak, struja i napon) može da se koristi i kao dijagnostički i prognostički indikator, ali takođe i kao indikator za optimizaciju održavanja i kao monetarna vrednost jer potrošnja energije može lako da se finansijski prikaže. Trenutni ekološki okviri i normativi energetske efikasnosti, prema tome, podržavaju prethodno pomenutu praksu održavanja zasnovanu na energiji. Autor teze ima za cilj da predloži koncept funkcionalne produktivnosti (FP) kao kvantitativnu procenu prilikom razgraničenja funkcionalnog od ne-funkcionalnog sistema. Drugo, korišćenjem algoritama mašinskog učenja za binarnu klasifikaciju, cilj je da se odredi klasifikacija za sisteme koji zadovoljavaju funkcinalnost od sistema koji to ne čine oslanjajući se na markere funkcionalne produktivnosti. Ovi markeri su preuzeti iz modela oslanjajući se na bitnost promenljive prilikom klasifikacije u datom hipotetičkom prostoru. Ovi markeri (promenljive) se zatim mogu koristiti kao indikatori za optimizaciju određivanjem pouzdanosti sistema pri čemu se doprinosi odlučivanju u primenjenoj praksi održavanja. Upotreba praktičnog hidrauličkog sistema mašine za proizvodnju gume, uspešno je primenjena klasifikacija za predložene ciljeve. Autor teze je primenio modele mašinskog učenja (na engl. Gaussian naïve Bayes GNB, Artificial Neural Networks – ANN, Logistic Regression – LR, Classification and Regression Tree – CART, and k-Nearest Neighbour kNN) za klasifikaciju, gde je najviša preciznost postugnuta sa modelima neuronskih mreža iznad 95% uzimajući u obzir podatke koji nisu bili ranije dostupni.