دانلود ترجمه مقاله چارچوب معنایی برای نگهداری پیش بینانه

1. مقدمه 2. پیشینه تحقیق 2.1. منابع داده متفاوت 2.2. صنعت چهارم 2.3. زمینه 2.3.1. تعریف زمینه 2.4. آنتولوژی (پایگاه شناخت) 2.4.1. استانداردها 2.5. نظارت پایش وضعیت ابزار ماشینی (نظارت مبتنی بر شرایط) 3. داده های با ارزش/اطلاعات 4. چهارچوب معنایی 4.1. بازیابی اطلاعات مبتنی بر آنتولوژی 4.1.1. نگاشت دستی 4.1.2. نگاشت خودکار و نیمه خودکار 4.2. آنتولوژی های دامنه 5. مورد توصیفی 6. جمع بندی

چکیده – حفاظت و نگهداری مناسب تجهیزات تولید، برای تضمین کیفیت و توانایی تولید بسیار حیاتی است. برای ارتقا و بهبود پشتیبانی از تصمیمات حفاظتی و توانمند سازی قابلیت پیش بینی به عنوان یک سرویس، فراهم کردن بستر و زمینه ایی برای تمایز قایل شدن میان فرایند و فرسایش ابزارآلات امری لازم و حیاتی است. ارتباط و همبستگی میان شرایط ماشین با فرایند و بازبینی داده ها، نیازمند یکپارچه سازی داده های به دست آمده از منابع متفاوت مانند داده های مرتبط با شرایط نظارت، بازبینی و پردازش داده هاست. به علاوه، داده هایی با منابع متفاوت می توانند در فرمت و نرخ های نمونه برداری متفاوتی ظاهر شوند. این مقاله به برجسته سازی این چالش ها می پردازد و یک چارچوب معنایی برای گردآوری دادگان، تحلیل و به اشتراک گذاری دانش در محیط رایانش ابری با هدف حفاظت و نگهداری پیش بینانه ارایه می دهد. مقدمه: حفاظت و نگهداری در تولید نقش مهم و پشتیبانی کننده ای ایفا می کند. سیاست های حفاظتی موثر باعث ارتقای کیفی و بازدهی می شود و میزان تاثیرگذاری عملیات تولید و ابر بر توانایی تولید و قابلیت سود دهی فرایند تولید تاثیر می گذارد [1]. امکانات عیب یابی و پیش بینی نواقص دو جنبه اساسی در برنامه حفاظت و نگهداری مبتنی بر شرایط (CBM) هستند [2]. در مقالات و مراجع، روش های متعددی برای عملیات ماشین کاری و نظارت ابزار ماشین مبتنی بر شرایط گزارش شده است [3]. برای بهبود امکانات عیب یابی و پیشبینی نواقص، و با هدف تصمیم گیری حفاظتی بهتر، نیاز به ارتباط بهتر میان پردازش و بازبینی دادگان با شرایط ماشین است تا از این طریق بتوان میان فرایند و فرسایش ماشین تمایز قایل شد[4]. به طور کلی، مدل های عیب یابی و پیش بینی کننده نواقص نیازمند مقادیر قابل توجهی از تاریخچه اطلاعات پایش وضعیت و داده های رخداد هستند، چرا که هرچه داده ها در ابعاد وسیع تری در اختیار باشند، عدم قطعیت این مدل ها کاهش می یابد. روش هایی که بتوان با استفاده از آن ها داده های کوچک تر در دسترس را ترکیب نمود و مجموعه دادگان بسیار بزرگ تری که نماینده رخداد و نظارت شرایط تاریخی باشد را ایجاد کرد هنوز موضوع بسیاری از تحقیقات است [5]. برای حل این مشکل، می بایست اطلاعات دقیق تر و با جزییات بیشتری درباره ماشین آلات تولید در زمینه طول عمر مفید آن ها گرد آوری و پردازش کرد. این مقاله، با هدف حفاظت و نگهداری پیش بینانه مبتنی بر ابر، در تلاش برای توسعه یک چهارچوب معنایی برای شیوه زمینه آگاه دارد.

Proper maintenance of manufacturing equipment is crucial to ensure productivity and product quality. To improve maintenance decision support, and enable prediction-as-a-service there is a need to provide the context required to differentiate between process and machine degradation. Correlating machine conditions with process and inspection data involves data integration of different types such as condition monitoring, inspection and process data. Moreover, data from a variety of sources can appear in different formats and with different sampling rates. This paper highlights those challenges and presents a semantic framework for data collection, synthesis, and knowledge sharing in a Cloud environment for predictive maintenance. Introduction: Maintenance plays an important and supportive role in the production. Effective maintenance policy improves quality, efficiency, and effectiveness of manufacturing operation and could influence the productivity and profitability of a manufacturing process [1]. Diagnostics and prognostics are two important aspects in a Condition-based Maintenance (CBM) program [2]. In literature several approaches for machining operation and machine tool condition monitoring have been reported [3]. To improve diagnostics and prognostics for better maintenance decision making, there is a need to better correlate process and inspection data with machine condition to differentiate between process and machine degradation [4]. Generally, diagnostics and prognostics models require significant amounts of historical condition monitoring and event data, as the uncertainty of these models decreases when data become more extensive. The means to synthesise smaller available data sets to generate extensive, representative historical condition monitoring and event data sets remains an open research question [5]. To solve those problems more detail information about manufacturing asset across its lifetime need to be gathered, accessed and processed. Targeting cloud-based predictive maintenance, this research aims at developing a semantic framework for the context-aware approach.

بخشی از ترجمه مقاله (صفحه 8 فایل ورد ترجمه)