Prediktív karbantartás alkalmazása CNC megmunkálóközpontoknál az Ipar 4.0 környezetben
DOI:
https://doi.org/10.12700/bk.2026.8.1.264Kulcsszavak:
Ipar 4.0, prediktív karbantartás, CNC megmunkálóközpont, állapotfelügyelet, ipari adatgyűjtésAbsztrakt
Az ipari digitalizáció és az Ipar 4.0 technológiák megjelenése jelentősen átalakította a gyártóberendezések üzemeltetésének és karbantartásának módszereit. A hagyományos reaktív és időalapú karbantartási stratégiákat egyre inkább felváltják az adatvezérelt állapotfelügyeleti megoldások, amelyek lehetővé teszik a berendezések működési állapotának folyamatos monitorozását és a meghibásodások előrejelzését. A prediktív karbantartás szenzoradatok, ipari kommunikációs rendszerek és fejlett adatfeldolgozási módszerek alkalmazásával támogatja a karbantartási döntéshozatalt, ezáltal csökkentve a nem tervezett gépleállások kockázatát. A tanulmány bemutatja a prediktív karbantartási rendszerek működési elvét, valamint azok alkalmazási lehetőségeit CNC megmunkálóközpontok esetében. A cikk ismerteti a legfontosabb állapotdiagnosztikai módszereket például a rezgésdiagnosztikát, a hőmérséklet-monitorozást és az áramfelvétel elemzését, valamint áttekinti az ipari adatgyűjtési és kommunikációs technológiák szerepét az Ipar 4.0 gyártási környezetben. A vizsgálat rámutat arra, hogy a prediktív karbantartási megoldások hozzájárulhatnak a gyártási folyamatok megbízhatóságának növeléséhez, a berendezések rendelkezésre állásának javításához és a karbantartási költségek optimalizálásához.
Hivatkozások
L. Monostori, “Cyber-physical production systems: Roots, expectations and R&D challenges,” Procedia CIRP, vol. 17, pp. 9–13, 2014.
H. Kagermann, W. Wahlster, and J. Helbig, Recommendations for implementing the strategic initiative INDUSTRIE 4.0, Frankfurt: acatech, 2013.
A. Heng, S. Zhang, A. Tan, and J. Mathew, “Rotating machinery prognostics: State of the art,” Mechanical Systems and Signal Processing, vol. 23, pp. 724–739, 2009.
R. Jardine, D. Lin, and D. Banjevic, “A review on machinery diagnostics and prognostics implementing condition-based maintenance,” Mechanical Systems and Signal Processing, vol. 20, pp. 1483–1510, 2006.
Y. Peng, M. Dong, and M. Zuo, “Current status of machine prognostics in condition-based maintenance,” International Journal of Advanced Manufacturing Technology, vol. 50, pp. 297–313, 2010.
M. Mobley, An Introduction to Predictive Maintenance, Butterworth-Heinemann, 2002.
J. Lee, B. Bagheri, and H. Kao, “A cyber-physical systems architecture for Industry 4.0-based manufacturing systems,” Manufacturing Letters, vol. 3, pp. 18–23, 2015.
T. Wuest, D. Weimer, C. Irgens, and K. Thoben, “Machine learning in manufacturing: advantages, challenges, and applications,” Production & Manufacturing Research, vol. 4, 2016.
A. Carvalho et al., “A systematic literature review of machine learning methods applied to predictive maintenance,” Computers & Industrial Engineering, vol. 137, 2019.
S. Zhang, Y. Yang and Y. Wang, “Machine learning and deep learning methods for predictive maintenance: A review,” IEEE Access, vol. 7, pp. 181213–181230, 2019.
J. Vachtsevanos, Intelligent Fault Diagnosis and Prognosis for Engineering Systems, Wiley, 2006.
J. Lee, H. Davari, J. Singh, and V. Pandhare, “Industrial Artificial Intelligence for industry 4.0-based manufacturing systems,” Manufacturing Letters, vol. 18, pp. 20–23, 2018.
##submission.downloads##
Megjelent
Hogyan kell idézni
Folyóirat szám
Rovat
License
Copyright (c) 2026 István György Burai
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
