Применение метода LPM для совершенствования процесса обслуживания автомобилей

Оглавление Введение 3 Существующие методы прогнозирования отказов 5 Описание предлагаемой методики 12 Экономическое обоснование 16 План реализации 21 Описание рисков 22 Заключение 25 Список литературы 26

Список литературы 1. Helpiks. Методы прогнозирования отказов. [Электронный ресурс] URL: https://helpiks.org/8-95907.html 2. Studfiles. Информационные технологии. [Электронный ресурс] URL: https://studfiles.net/preview/3539436/ 3. Kaur, K., Failure prediction and health status assessment of storage systems with decision trees / Kaur, K. // 2nd International Conference on Advanced Informatics for Computing Research, ICAICR 2018, Shimla; India. - Volume 955, 2019. - Pages 366-376. 4. Yan, W., Probabilistic machine learning approach to bridge fatigue failure analysis due to vehicular overloading / Yan, W., Deng, L., Zhang, F., Li, T., Li, S. // Engineering Structures. - Volume 193, 15 August 2019. - Pages 91-99. 5. Martinez-Lucas, G., Risk of penstock fatigue in pumped-storage power plants operating with variable speed in pumping mode / Martinez-Lucas, G., Perez-Diaz, J.I., Chazarra, M., Sarasua, J.I., Cavazzini, G., Pavesi, G., Ardizzon, G. // Renewable Energy, April 2019. - Pages 636-646. 6. Helmer, T., Development of an integrated test bed and virtual laboratory for safety performance prediction in active safety systems / Helmer, T., Kuhbeck, T., Gruber, C., Kates, R. // 34th FISITA World Automotive Congress; Beijing; China. - Volume 197 LNEE, Issue VOL. 9, 2013. - Pages 417-431. 7. Wu, J., Degradation Data-Driven Time-To-Failure Prognostics Approach for Rolling Element Bearings in Electrical Machines / Wu, J., Wu, C., Cao, S., Or, S.W., Deng, C., Shao, X. // IEEE Transactions on Industrial Electronics. - Volume 66, Issue 1, January 2019. - Pages 529-539. 8. Z. Vintr and M. Vintr, "An application of FMEA for warranty cost assesment," 2009 8th International Conference on Reliability, Maintainability and Safety, Chengdu, 2009, pp. 612-616. 9. T. Tang, Y. Lu, T. Zhou, H. Jing and H. Sun, "FTA and FMEA of braking system based on relex 2009," Proceedings of International Conference on Information Systems for Crisis Response and Management (ISCRAM), Harbin, Heilongjiang, 2011, pp. 106-112. 10. Григорьев, М. В. Повышение эксплуатационной надежности электронных систем управления двигателем (на примере систем BOSCH M1.5.4 и МИКАС 5.4): автореф. дис. … канд. техн. наук / М.В. Григорьев. – М.: МАДИ, 2004. - 20 с. 11. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: учебное пособие. - М.: Финансы и статистика, 1999. 384 с.: ил. 12. Мухаметдинов Э.М. «Совершенствование системы фирменного сервиса с целью повышения безотказности автомобилей», 2009 год. 13. M. A. K. Niazi et al., 2013. "Development of an On-Board Diagnostic (OBD) kit for troubleshooting of compliant vehicles," IEEE 9th International Conference on Emerging Technologies (ICET), Islamabad, pp. 1-4. 14. J. Zhang, H. Yao and G. Rizzoni, Feb. 2017. "Fault Diagnosis for Electric Drive Systems of Electrified Vehicles Based on Structural Analysis," in IEEE Transactions on Vehicular Technology, vol. 66, no. 2, pp. 1027-1039. 15. J A. Aljaafreh et al., 2011. "Vehicular data acquisition system for fleet management automation," Proceedings of 2011 IEEE International Conference on Vehicular Electronics and Safety, Beijing, pp. 130-133. 16. Kamlu, S., & Laxmi, V., 2019. Condition-based maintenance strategy for vehicles using hidden Markov models. Advances in Mechanical Engineering. https://doi.org/10.1177/1687814018806380 17. Yazdi, M., Februaryy 2019. Footprint of knowledge acquisition improvement in failure diagnosis analysis. Quality and Reliability Engineering International, Volume 35, Issue 1, pages 405-422. 18. Makarova, I., Shubenkova, K., Mukhametdinov, E., Mavrin, V., Antov, D., Pashkevich, A., 2017. IT is Safety Ensuring Through Situational Management Methods. International Conference on Intelligent Transport Systems, INTSYS, volume 222, pages 133-1431. 19. Tsybunov, E., Shubenkova, K., Buyvol, P., Mukhametdinov, E, 2017. Interactive (Intelligent) Integrated System for the Road Vehicles’ Diagnostics. International Conference on Intelligent Transport Systems, INTSYS, volume 222, pages 195-2041.

Существующие методы прогнозирования отказов Прогнозирование отказов – один из способов повышения надежности оборудования в процессе его эксплуатации [1]. Сущность прогнозирования отказов состоит в том, что на основе имеющейся информации об изменении параметров неисправные элементы выявляются за некоторое время до отказа и заменяются или восстанавливаются. Различают два метода прогнозирования: инструментальный и статистический. Элементы, изменение качества которых можно проконтролировать некоторыми средствами измерения, подвергаются инструментальному прогнозированию. При невозможности контроля параметров элемента его отказы подвергаются статистическому прогнозированию. Инструментальные методы прогнозирования возможны в том случае, если известна закономерность изменения некоторого параметра, определяющего качество элемента (прогнозирующего параметра). Инструментальное прогнозирование можно проводить либо по изменению прогнозирующего параметра элемента, либо по изменению выходного параметра изделия. В отдельных случаях прогнозирующий параметр может являться и выходным. Так, например, величина сопротивления – прогнозирующий и выходной параметры для резистора. Прогнозирование отказов возможно, как методами непосредственного контроля работы объектов (систем) в нормальных режимах, так и в специально созданных режимах, имитирующих старение, износ или другие возмущающие факторы. При прогнозировании отказов в нормальных режимах периодически измеряют прогнозирующий параметр. Анализируя результаты измерения параметра и зная величину его допуска, можно определить время предупредительной замены или восстановления элемента. Специальные режимы работы позволяют с определенной степенью точности имитировать явление старения и изнашивания. Поэтому в этом режиме имеется возможность более раннего выявления изменений прогнозирующего параметра и принятие мер по предотвращению отказов. Для инструментального метода прогнозирования необходимо выявить прогнозирующий параметр и определить закон его изменения, измерить этот параметр с достаточной точностью. Однако, оборудование современного автомобиля содержит большое число различных элементов, для которых во многих случаях упомянутые вопросы решены недостаточно полно, поэтому применить инструментальный метод прогнозирования не представляется возможным. Сущность статистического метода заключается в том, что на основании известных статистических данных о времени безотказной работы данного изделия определяется время, в течение которого надежность объекта не ниже заданной, по истечении этого времени производят профилактическую замену (восстановление) элемента с прогнозируемой неисправностью. Статистические методы менее точны, чем инструментальные, и не всегда учитывают реальные условия эксплуатации. Кроме того, они приводят к большому расходу элементов. Результаты контроля прогнозирующих параметров могут записываться в специальных журналах или в технической документации проверяемого объекта. Эти записи должны давать возможность при каждой очередной проверке сопоставлять ее результаты с предыдущими и анализировать в динамике изменения прогнозируемого параметра. Для этого на сегодняшний день эффективно используются информационные технологии: текстовые процессоры, электронные таблицы, системы управления базами данных, информационные системы функционального назначения [2]. Для получения сведений об изменении тех или иных параметров при работе на переходных процессах, могут применяться специальные подвижные контрольно-записывающие установки, подвижные мини-лаборатории, оборудованные регистрирующей аппаратурой и измерительными приборами повышенного класса точности. С их помощью существенно облегчается, например, диагностика состояния систем автоматического управления, измерения. Наиболее радикальным решением проблемы прогнозирования состояния объектов является внедрение автоматизированного контроля, который обеспечивает большую глубину контроля и поиск предполагаемых неисправностей при незначительных затратах времени. Наличие в этих системах контроля устройства для регистрации параметров позволяет накапливать информацию о состоянии каждого конкретного проверяемого объекта, анализируя которые можно прогнозировать появление возможных отказов.