Μεταπτυχιακό Πρόγραμμα Σπουδών Διαχείριση και Τεχνολογία Ποιότητας

Θεματική Ενότητα ΔΙΠ61 - Ειδικά Θέματα για την Ποιότητα

Δ΄ τόμος: Αξιοπιστία και Συντήρηση
4η Γραπτή Εργασία
Ημερομηνία: 20/02/2020
Καταληκτική Ημερομηνία Παράδοσης Εργασίας: 01/04/2020
ΕΝΔΕΙΚΤΙΚΕΣ ΛΥΣΕΙΣ
ο
Θέμα 1
Α.1 To δέντρο βλαβών είναι:
Μη ψύξη δοχείου πίεσης

Βλάβη
συστήματος
Βλάβη
πλήρωσης Μη παροχή νερού μέσω υποσυστημάτων
βαλβίδας
δεξαμενής
νερού
ΚΑΙ

Μη παροχή νερού μέσω του Μη παροχή νερού μέσω του

υποσυστήματος 1 υποσυστήματος 2

Ή Ή

Βλάβη Βλάβη Βλάβη Βλάβη

αντλίας 1 φίλτρου 1 αντλίας 2 φίλτρου 2

Α.2
Βλάβη συστήματος πλήρωσης δεξαμενής νερού
Βλάβη βαλβίδας
Βλάβη φίλτρου #1 Βλάβη φίλτρου #2
Βλάβη φίλτρου #1 Βλάβη αντλίας #2
Βλάβη αντλίας #1 Βλάβη φίλτρου #2
Βλάβη αντλίας #1 Βλάβη αντλίας #2

Κάθε γραμμή ανωτέρω περιέχει γεγονότα που συνθέτουν ένα ελάχιστο σύνολο διακοπής. Άρα υπάρχουν 6
ελάχιστα σύνολα διακοπής.

Minimal Cut Sets

{W1}, {V1}, {F1, F2}, {F1, P2}, {P1, F2}, {P1, P2}
Όπου:
W1: Σύστημα Πλήρωσης
V1: βαλβίδα
F1: φίλτρο #1
F2: φίλτρο #2
P1: αντλία #1
1/7
Μεταπτυχιακό Πρόγραμμα Σπουδών Διαχείριση και Τεχνολογία Ποιότητας
Θεματική Ενότητα ΔΙΠ61 - Ειδικά Θέματα για την Ποιότητα
P2: αντλία #2

Α.3
P1 F1

W1 V1

P2 F2

Η αξιοπιστία του συστήματος:

𝑅! = 𝑅" ∗ 𝑅# ∗ 𝑅!$% = 𝑅" ∗ 𝑅# ∗ (1 − 𝐹!$% )
= 𝑅" ∗ 𝑅# ∗ (1 − 𝐹!$%& ∗ 𝐹!$%' ) = 𝑅" ∗ 𝑅# ∗ (1 − (1 − 𝑅!$%& ) ∗ (1 − 𝑅!$%' ))
= 𝑅" ∗ 𝑅# ∗ (1 − (1 − 𝑅( ∗ 𝑅) ) ∗ (1 − 𝑅( ∗ 𝑅) )) = 𝑅" ∗ 𝑅# ∗ (1 − (1 − 𝑅( ∗ 𝑅) )' )
= 𝑅" ∗ 𝑅# ∗ 𝑅( ∗ 𝑅) ∗ (2 − 𝑅( ∗ 𝑅) )

Β.1 To δέντρο βλαβών είναι:

Μη ψύξη δοχείου πίεσης

Βλάβη
συστήματος
Βλάβη
πλήρωσης Μη παροχή νερού μέσω υποσυστημάτων
βαλβίδας
δεξαμενής
νερού
ΚΑΙ

Μη παροχή νερού μέσω του Μη παροχή νερού μέσω του

υποσυστήματος 1 υποσυστήματος 2

Ή Ή

Βλάβη Βλάβη φίλτρων Βλάβη Βλάβη φίλτρων

αντλίας 1 υποσυστήματος 1 αντλίας 2 υποσυστήματος 2

ΚΑΙ ΚΑΙ

Βλάβη Βλάβη Βλάβη Βλάβη

φίλτρου 1 φίλτρου 3 φίλτρου 2 φίλτρου 3

2/7
Μεταπτυχιακό Πρόγραμμα Σπουδών Διαχείριση και Τεχνολογία Ποιότητας
Θεματική Ενότητα ΔΙΠ61 - Ειδικά Θέματα για την Ποιότητα

B.2
Βλάβη συστήματος πλήρωσης δεξαμενής νερού
Βλάβη βαλβίδας
Βλάβη αντλίας #1 Βλάβη αντλίας #2
Βλάβη αντλίας #1 Βλάβη φίλτρου #2 Βλάβη φίλτρου #3
Βλάβη αντλίας #2 Βλάβη φίλτρου #1 Βλάβη φίλτρου #3
Βλάβη φίλτρου #1 Βλάβη φίλτρου #2 Βλάβη φίλτρου #3

Κάθε γραμμή ανωτέρω περιέχει γεγονότα που συνθέτουν ένα ελάχιστο σύνολο διακοπής, άρα υπάρχουν 6
ελάχιστα σύνολα διακοπής.
Minimal Cut Sets
{W1}, {V1}, {P1,P2}, {P1,F2,F3}, {P2,F1,F3}, {F1, F2, F3}
Όπου:
W1: Σύστημα Πλήρωσης
V1: βαλβίδα
F1: φίλτρο #1
F2: φίλτρο #2
F3: φίλτρο #3
P1: αντλία #1
P2: αντλία #2

Β.3
Αλγόριθμος MOCUS
Cj (j = 1, 2, 3, 4, 5, 6) –
C1: {W1},
C2: {V1},
C3: {P1, P2},
C4: {P1, F2, F3},
C5: {P2, F1, F3} και
C6: {F1, F2, F3}

Τυχαία μεταβλητή η Υi, η οποία παίρνει την τιμή 1 εάν η μονάδα i δεν λειτουργεί ή την τιμή 0 εάν η μονάδα i
λειτουργεί (με i = 1 (W1), 2 (V1), 3 (P1), 4 (P2), 5 (F1), 6 (F2), 7 (F3)).
1Ο Βήμα Αλγορίθμου: 𝜌* = 1 − ∏+∈-! 𝑌+
𝜌& = 1 − 𝛶& , 𝜌' = 1 − 𝛶' , 𝜌. = 1 − 𝛶. 𝛶/ , 𝜌/ = 1 − 𝛶. 𝛶0 𝛶1,
𝜌3 = 1 − 𝛶/ 𝛶3 𝛶1, 𝜌0 = 1 − 𝛶3 𝛶0 𝛶1,
2Ο Βήμα Αλγορίθμου:
𝜌 = 𝜌& ∗ 𝜌' ∗ 𝜌. ∗ 𝜌/ ∗ 𝜌3 ∗ 𝜌0
= (1 − 𝛶& ) ∗ (1 − 𝛶' ) ∗ (1 − 𝛶. 𝛶/ ) ∗ (1 − 𝛶. 𝛶0 𝛶1 ) ∗ (1 − 𝛶/ 𝛶3 𝛶1 ) ∗ (1 − 𝛶3 𝛶0 𝛶1 )
Όπου 𝛶+. = 𝛶+' = 𝛶+ .

3Ο Βήμα Αλγορίθμου:
RS = E(ρ) = 1-Ε(Υ1)-Ε(Υ2)+Ε(Υ1Υ2)-Ε(Υ3Υ4)-Ε(Υ3Υ6Υ7)-Ε(Υ4Υ5Υ7)-Ε(Υ5Υ6Υ7)+Ε(Υ1Υ3Υ4)+Ε(Υ2Υ3Υ4)-Ε(Υ1Υ2Υ3Υ4)+Ε(Υ1Υ3Υ6Υ7)
+Ε(Υ1Υ4Υ5Υ7)+Ε(Υ1Υ5Υ6Υ7)+Ε(Υ2Υ3Υ6Υ7)+Ε(Υ2Υ4Υ5Υ7)+Ε(Υ2Υ5Υ6Υ7)+Ε(Υ3Υ4Υ5Υ7)+Ε(Υ3Υ4Υ6Υ7)+Ε(Υ3Υ5Υ6Υ7)
+Ε(Υ4Υ5Υ6Υ7)-Ε(Υ1Υ2Υ3Υ6Υ7)-Ε(Υ1Υ2Υ4Υ5Υ7)-Ε(Υ1Υ2Υ5Υ6Υ7)-Ε(Υ1Υ3Υ4Υ5Υ7)-Ε(Υ1Υ3Υ4Υ6Υ7)-Ε(Υ1Υ3Υ5Υ6Υ7)-Ε(Υ1Υ4Υ5Υ6Υ7)
-Ε(Υ2Υ3Υ4Υ5Υ7)-Ε(Υ2Υ3Υ4Υ6Υ7)-Ε(Υ2Υ3Υ5Υ6Υ7)-Ε(Υ2Υ4Υ5Υ6Υ7)-Ε(Υ3Υ4Υ5Υ6Υ7)+Ε(Υ1Υ2Υ3Υ4Υ5Υ7)+Ε(Υ1Υ2Υ3Υ4Υ6Υ7)
+Ε( Υ1 Υ2 Υ3 Υ5 Υ6 Υ7 )+Ε(Υ1Υ2Υ4Υ5Υ6Υ7)+Ε(Υ1Υ3Υ4Υ5Υ6Υ7 )+Ε(Υ2Υ3Υ4Υ5Υ6Υ7)-Ε(Υ1Υ2Υ3Υ4Υ5Υ6Υ7)

3/7
Μεταπτυχιακό Πρόγραμμα Σπουδών Διαχείριση και Τεχνολογία Ποιότητας
Θεματική Ενότητα ΔΙΠ61 - Ειδικά Θέματα για την Ποιότητα
4Ο Βήμα Αλγορίθμου: Λόγω της ανεξαρτησίας των Υi η μέση τιμή του γινομένου είναι ίση με το γινόμενο των
αντίστοιχων μέσων. Αντικαθιστούμε όπου:
Ε(Υ1) = FW = 1 – RW,
Ε(Υ2) = FV = 1 – RV,
Ε(Υ3) = Ε(Υ4) = FP = 1 – RP,
Ε(Υ5) = Ε(Υ6) = Ε(Υ7) = FF = 1 – RF

𝑅! = 𝑅" ∗ 𝑅# ∗ 𝑅( ∗ 𝑅) ∗ (4 − 2 ∗ 𝑅) + 𝑅( ∗ (𝑅)' − 𝑅) − 1))

Γ:
Πιθανότητα αστοχίας για την περίπτωση Α: 0,051919
Πιθανότητα αστοχίας για την περίπτωση Β: 0,050038

Θέμα 2ο

(α)
t
(hours) 8500

component component component(s) subsystem subsystem

Block MTTF λ λt λt redundancy Reliability
1 200000 0,000005 0,0425 0,0425 0,958390466
2 80000 0,0000125 0,10625 0,10625 passive 10/12 0,907850707
3 150000 6,66667E-06 0,056666667 0,056666667 active 3/4 0,983099866
4a 15000 6,66667E-05 0,566666667 0,991666667 passive 1/3 0,921225029
4b 20000 0,00005 0,425
5 125000 0,000008 0,068 0,068 active 10/12 0,960083761

Total Reliability 0,756535673

(β)
component subsystem
Block MTTF λ MTTF
1 200000 0,000005 200000
2 80000 0,0000125 24000
3 150000 6,66667E-06 87500
4a 15000 6,66667E-05 25714
4b 20000 0,00005
5 125000 0,000008 34280

4/7
Μεταπτυχιακό Πρόγραμμα Σπουδών Διαχείριση και Τεχνολογία Ποιότητας
Θεματική Ενότητα ΔΙΠ61 - Ειδικά Θέματα για την Ποιότητα

(γ)
Block 2
Redundancy Reliability Total Reliability Κόστος Συνολικό Κόστος
passive 10/12 0,907850707 0,756535673
passive 10/13 0,976937921 0,81410785 30000
passive 10/14 0,995289212 0,82940046 30000 60000

Block 4 (4a+4b)
Redundancy Reliability Total Reliability Κόστος Συνολικό Κόστος
passive 1/3 0,921225029 0,756535673
passive 1/4 0,981518535 0,80605038 17500
passive 1/5 0,9964663 0,818325901 17500
passive 1/6 0,99943094 0,820760546 17500 52500

Block 2 + 4
Redundancy B2 Reliability B4 Reliability Total Reliability Κόστος Συνολικό Κόστος
+2 0,907850707 0,921225029 0,756535673
+3 0,976937921 0,981518535 0,867390614 47500 47500

Θέμα 3ο
Η «Βιομηχανία 4.0» (industry 4.0) ή αλλιώς αποκαλούμενη 4η βιομηχανική επανάσταση σχετίζεται με την χρήση
τεχνολογιών πληροφορικής και επικοινωνιών που επηρεάζουν όλες τις πλευρές της ζωής, και τα συστήματα
παραγωγής. Ο όρος «Βιομηχανία 4.0» είναι στενά συνδεδεμένος με τεχνολογικές έννοιες όπως επικοινωνία
μηχανής-με-μηχανή (machine-to-machine communication), το διαδίκτυο των πραγμάτων (internet of things), το
διαδίκτυο των υπηρεσιών (internet of services), το cloud computing, την υπολογιστική νοημοσύνη (computational
intelligence), τα «μαζικά δεδομένα» (big data) την εξαγωγή πληροφοριών και δεδομένων (data mining), τα
κυβερνο-φυσικά συστήματα (cyber-physical systems – CFS) και τα συστήματα υποστήριξης λήψης αποφάσεων.

Η Βιομηχανία 4.0 διευκολύνει την παραγωγή προϊόντων με το ίδιο κόστος με την μαζική παραγωγή, που
παράγονται από ένα «έξυπνο» εργοστάσιο με υψηλή αυτοματοποίηση και αποδοτικότητα. Η βιομηχανία 4.0
διευκολύνει τον έξυπνο και ευέλικτο έλεγχο παραγωγής χρησιμοποιώντας μηχανές, προϊόντα, υπηρεσίες,
εξοπλισμό και εργαλεία που επικοινωνούν και αλληλεπιδρούν μεταξύ τους με την χρήση IT. Η Βιομηχανία 4.0
μπορεί να μετατρέψει ένα εργοστάσιο σε «έξυπνο» εφαρμόζοντας προσεγγίσεις έξυπνης επεξεργασίας
πληροφοριών, συστήματα επικοινωνιών, κ.α. Ωστόσο η υψηλή πολυπλοκότητα, ο αυτοματισμός και η ευελιξία
ενός έξυπνου εργοστασίου φέρνει νέες προκλήσεις στην αξιοπιστία και την ασφάλεια.

Η προβλεπτική συντήρηση είναι μία ομάδα δραστηριοτήτων που ανιχνεύουν αλλαγές στη φυσική κατάσταση του
εξοπλισμού (αστοχίες) ώστε να παρέχει την κατάλληλη συντήρηση για τη μεγιστοποίηση της ζωής του εξοπλισμού
χωρίς να αυξάνεται ο κίνδυνος αστοχιών. Ο κύριος σκοπός της προβλεπτικής συντήρησης (PdM) είναι να μειώσει
τον απρογραμμάτιστο χρόνο διακοπής λειτουργίας και κατά συνέπεια να βελτιώσει την παραγωγικότητα και να
μειώσει το κόστος παραγωγής. Από την ανάπτυξη της έννοιας της προληπτικής συντήρησης και της ολικής
παραγωγικής συντήρησης (TPM), οι πολιτικές συντήρησης εξελίχθηκαν εστιάζοντας στην ποιότητα, στον πελάτη,
στη δημιουργία αξίας και στις έξυπνες υπηρεσίες. Αυτή η εξέλιξη οδήγησε στην ανάπτυξη των Προγνωστικών και
Διαχείριση Υγείας (PHM) και στη συνέχεια στα έξυπνα συστήματα συντήρησης.

5/7
Μεταπτυχιακό Πρόγραμμα Σπουδών Διαχείριση και Τεχνολογία Ποιότητας
Θεματική Ενότητα ΔΙΠ61 - Ειδικά Θέματα για την Ποιότητα
Η χρήση των χαρακτηριστικών της Βιομηχανίας 4.0 ουσιαστικά μετατρέπει την προβλεπτική συντήρηση στην
Έξυπνη Προβλεπτική Συντήρηση (Intelligent Predictive Maintenance – IPdM). Τα συστήματα IPdM βασίζονται σε
τεχνικές όπως κυβερνο-φυσικά συστήματα (CPS), διαδίκτυο των πραγμάτων (IoT), διαδίκτυο των υπηρεσιών (IoS),
υπολογιστική ευφυία (computational intelligence), εξαγωγή πληροφοριών και δεδομένων (data mining) κλπ. Οι
απαιτήσεις του έξυπνου εργοστασίου αφορούν τις δυναμικές υποδομές, την ταχεία επεξεργασία δεδομένων, την
αποτελεσματική διάγνωση και πρόγνωση των αστοχιών και μία διαχειρίσιμη ιεραρχία δεικτών «υγείας» του
εργοστασίου.

Η βιομηχανία 4.0 δημιουργεί ένα περιβάλλον που να ανταποκρίνεται στις σημερινές απαιτήσεις της προβλεπτικής
συντήρησης. Το Διαδίκτυο των πραγμάτων (IoT) λειτουργεί ως πλατφόρμα επικοινωνίας δεδομένων, κυβερνο-
φυσικά συστήματα (CPS) με αλγόριθμους κατασκευάζονται στην πλατφόρμα και συνεργάζονται άψογα με
πραγματικούς και εικονικούς χώρους, το cloud computing παρέχει τις δυνατότητες για διάφορες βασικές
υπηρεσίες.

Τέτοια συστήματα μπορούν να χρησιμοποιήσουν τη διάγνωση αστοχιών, την αξιολόγηση της απόδοσης του
επιπέδου υποβάθμισης και μοντέλα πρόγνωσης αστοχιών για να επιτευχθεί απόδοση σχεδόν μηδενικών αστοχιών
και να βελτιωθεί η παραγωγικότητα ενός συστήματος. Άλλωστε για την επιτυχή υλοποίηση προγραμμάτων
condition-based preventive maintenance, απαιτείται ικανοποιητικό πλήθος δεδομένων της διαδικασίας
παραγωγής ώστε να διασφαλίζεται υψηλότερη ακρίβεια στην πρόβλεψη.

Διαδίκτυο των πραγμάτων (IoT): Η βιομηχανία 4.0 με την υιοθέτηση των τεχνολογιών IoT στην παραγωγή αποτελεί
ιδανική βάση για την ανάλυση δεδομένων κάθε είδους. Τα συστήματα βιομηχανικού Διαδικτύου των πραγμάτων
(IIoT-Industrial IoT) μπορούν να χρησιμοποιηθούν με επιτυχία για τη δημιουργία αποτελεσματικών έξυπνων
εργοστασίων, στα οποία μπορούν να επιτευχθούν υψηλότερα επίπεδα απόδοσης. Ουσιαστικά το IoT μπορεί να
χρησιμοποιηθεί για τη συλλογή δεδομένων στο πεδίο με στόχο τη βελτίωση της παραγωγικότητας μέσω
προηγμένων αυτόματων διαδικασιών, ασφάλειας μέσω βαθύτερης γνώσης της θέσης των εργαζομένων και
μείωση των σφαλμάτων του εξοπλισμού (π.χ. ασύρματοι αισθητήρες για την παρακολούθηση του εξοπλισμού σε
πραγματικό χρόνο, ανάπτυξη προηγμένων εφαρμογών πρόβλεψης της συντήρησης, κλπ.). Επιπλέον, λαμβάνοντας
υπόψη τις συσκευές IoT που είναι σε θέση να επικοινωνούν και να διαλειτουργούν μεταξύ τους, είναι δυνατόν να
αποφευχθούν τυχόν καθυστερήσεις λόγω αλληλεπιδράσεων και μπορεί να υπάρξει γρήγορη αντίδραση σε
κρίσιμα γεγονότα. Σήμερα τα συστήματα στις περισσότερες μονάδες παραγωγής έχουν περιορισμένες
δυνατότητες εξετάζοντας την ανάλυση και την αποθήκευση ιστορικών δεδομένων.

Κυβερνο-φυσικά συστήματα (CPS): απευθύνονται στην ενσωμάτωση των φυσικών συστημάτων με υπολογιστικά
μοντέλα. Ένα τέτοιο σχήμα έχει μια τεράστια έκταση εφαρμογών, συμπεριλαμβανομένου του ελέγχου της
διαδικασίας, της ενέργειας, ιατρικών συσκευών, στρατιωτικών, αυτοματισμού, έξυπνων δομών κλπ.. Η εφαρμογή
προγνωστικών αναλύσεων επιτρέπουν την παρακολούθηση των υποδομών για την πρόβλεψη πιθανών αστοχιών.
Εφαρμόζοντας αυτήν την αναλυτική πρόβλεψη μαζί με ένα σύστημα υποστήριξης λήψης αποφάσεων, θα
μπορούσαν να ληφθούν αποφάσεις για τη μεγιστοποίηση του χρόνου λειτουργίας, της παραγωγικότητας και της
αποτελεσματικότητας των βιομηχανικών συστημάτων.

Οι φοιτητές μπορούν να παρουσιάσουν πλήθος εφαρμογών που περιγράφονται στη βιβλιογραφία.

Ενδεικτική Βιβλιογραφία
Li, Z., Wang, Y., & Wang, K. S. (2017). Intelligent predictive maintenance for fault diagnosis and prognosis in
machine centers: Industry 4.0 scenario. Advances in Manufacturing, 5(4), 377-387.

Civerchia, F., Bocchino, S., Salvadori, C., Rossi, E., Maggiani, L., & Petracca, M. (2017). Industrial Internet of Things
monitoring solution for advanced predictive maintenance applications. Journal of Industrial Information
Integration, 7, 4-12.
6/7
Μεταπτυχιακό Πρόγραμμα Σπουδών Διαχείριση και Τεχνολογία Ποιότητας
Θεματική Ενότητα ΔΙΠ61 - Ειδικά Θέματα για την Ποιότητα

Spendla, L., Kebisek, M., Tanuska, P., & Hrcka, L. (2017, January). Concept of predictive maintenance of
production systems in accordance with industry 4.0. In 2017 IEEE 15th International Symposium on Applied
Machine Intelligence and Informatics (SAMI) (pp. 000405-000410). IEEE.

Kanawaday, A., & Sane, A. (2017, November). Machine learning for predictive maintenance of industrial machines
using IoT sensor data. In 2017 8th IEEE International Conference on Software Engineering and Service Science
(ICSESS) (pp. 87-90). IEEE.

Yan, J., Meng, Y., Lu, L., & Li, L. (2017). Industrial big data in an industry 4.0 environment: Challenges, schemes,
and applications for predictive maintenance. IEEE Access, 5, 23484-23491.

Chiu, Y. C., Cheng, F. T., & Huang, H. C. (2017). Developing a factory-wide intelligent predictive maintenance
system based on Industry 4.0. Journal of the Chinese Institute of Engineers, 40(7), 562-571.

Sipsas, K., Alexopoulos, K., Xanthakis, V., & Chryssolouris, G. (2016). Collaborative maintenance in flow-line
manufacturing environments: An Industry 4.0 approach. Procedia Cirp, 55, 236-241.

Chukwuekwe, D. O., Schjoelberg, P., Roedseth, H., & Stuber, A. (2016). Reliable, robust and resilient systems:
towards development of a predictive maintenance concept within the industry 4.0 environment. In EFNMS Euro
Maintenance Conference.

Lee, J., Ardakani, H. D., Yang, S., & Bagheri, B. (2015). Industrial big data analytics and cyber-physical systems for
future maintenance & service innovation. Procedia Cirp, 38, 3-7.
Wang, K. (2016). Intelligent predictive maintenance (IPdM) system–Industry 4.0 scenario. WIT Transactions on
Engineering Sciences, 113, 259-268.

7/7