OBAVIJEST O ODBRANI ZAVRŠNOG MAGISTARSKOG RADA – Harun Babajić, bachelor inž. el.

UNIVERZITET U TUZLI
FAKULTET ELEKTROTEHNIKE
Franjevačka br.2
Tuzla

 

O B J A V L J U J E

 

Harun Babajić, bachelor inž. el., javno će braniti završni magistarski rad pod naslovom: “Prediktivno održavanje industrijskih robota”, dana 14.02.2025. godine u 11,00 sati u Multimedijalnoj sali Univerziteta u Tuzli, pred Komisijom u sastavu:

  1. Dr. sc. Zenan Šehić, redovni profesor-predsjednik
    Uža naučna oblast   Automatika i robotika
     Fakultet elektrotehnike Univerziteta u Tuzli
  1. Dr. sc. Naser Prljača, redovni profesor –mentor
    Uža naučna oblast  oblast   Automatika i robotika
     Fakultet elektrotehnike Univerziteta u Tuzli
  1. Dr. sc.  Lejla Banjanović-Mehmedović, vanredni profesor-član
    Uža naučna oblast   Automatika i robotika
    Fakultet elektrotehnike Univerziteta u Tuzli

Zamjenski član Komisije dr.sc Amila Dubravić, vanredni profesor  uža naučna oblast oblast Automatika i robotika na Fakultetu elektrotehnike Univerziteta u Tuzli.

Pristup javnosti je slobodan.

Završni magistarski rad se može pogledati u Sekretarijatu fakulteta svakim radnim danom od 09,00 do 15,00 sati.

 

REZIME RADA

 

Prediktivno održavanje industrijskih robota predstavlja napredni pristup održavanju koji koristi moderne tehnologije, uključujući robotiku, mašinsko učenje i digitalne blizance.

Cilj ovog pristupa pored ostalog, može biti predviđanje preostalog korisnog životnog vijeka komponenti robota, čime se minimiziraju neplanirani zastoji i smanjuju troškovi održavanja.

U radu se istražuje modeliranje trenja i trošenja zglobova industrijskih robota, koje su ključne komponente čije degradacije direktno utiču na performanse i pouzdanost robota.

Ovaj rad uključuje razvoj digitalnog blizanca – virtuelnog modela robota koji precizno simulira fizičke karakteristike i ponašanje robota korištenjem Matlab Simulink-a, uključujući efekat trenja, a samim tim i trošenja u zglobovima.

Podaci generisani digitalnim blizancem koriste se za treniranje modela mašinskog učenja. Ovi modeli služe za pronalaženje veza između obrtnih momenata i trenja, omogućavajući procjenu trenutnog stanja komponente i predikciju njenog preostalog korisnog životnog vijeka. Ova prediktivna metodologija pomaže u donošenju odluka u održavanju, čime se povećava efikasnost i produžava radni vijek robota.

Primjena ovog pristupa donosi značajne koristi, uključujući smanjenje troškova održavanja, povećanje produktivnosti i unaprjeđenje pouzdanosti industrijskih sistema, što ga čini ključnim korakom ka implementaciji industrije 4.0.