Ennustavan huollon hallintajärjestelmän tarpeiden määrittäminen

Abstract

Huolto on olennainen osa teollisuutta. Tavoite on pitää laitteet toiminnassa mahdollisimman pienellä huoltomäärällä. Ennustava huolto pyrkii mahdollistamaan laitteiden huollon ennen niiden vikaantumista sekä välttämään toimintakuntoisten laitteiden turhaa huoltamista. Viime vuosien kehitys koneoppimismalleissa on mahdollistanut koneoppimisen hyödyntämisen ennustavan huollon suunnittelussa. Tämän tutkielman tavoitteena on luoda yrityksen X ennustavan huollon järjestelmälle perusta. Tutkielman ensimmäinen tutkimuskysymys on selvittää mitä dataa yrityksen X automaatiojärjestelmistä tulisi kerätä, ennustavan huollon mahdollistamiseksi. Toinen tutkimuskysymys on selvittää, minkälaisia eroja yrityksen automaatiojärjestelmien välillä on ja miten se tulisi huomioida dataa kerätessä. Kolmas, ja kenties tärkein, tutkimuskysymys on selvittää mitä datan analysointiin tarkoitettuja pilvialustoja on olemassa yrityskäyttöön ja mikä näistä alustoista soveltuu parhaiten yrityksen X tarpeisiin. Kahteen ensimmäiseen kysymykseen vastataan yrityksen X työntekijöiden täyttämän kyselytutkimuksen perusteella. Kolmanteen vastataan kirjallisuuskatsauksella, jossa määritellään ihanteellisen alustan ominaisuudet, jonka jälkeen todellisia alustoja vertaillaan siihen. Todellisten alustojen ominaisuudet pyritään etsimään alustojen omasta dokumentaatiosta. Kyselytutkimuksen vastauksissa vikaherkimmiksi laitteiksi nimettiin portaalirobotit. Komponenteista nostettiin esille varsinkin kahden tyyppisiä komponentteja: Mekaaniset komponentit, jotka kokevat paljon suunnanmuutoksia, sekä elektroniset komponentit, joiden läpi kulkee suuria virtoja. Näiden laitteiden ja komponenttien datan keräämistä tulisi priorisoida. Tärkeimmiksi datan lähteiksi mainittiin lämpötila-anturit, robottien kulkema matka, laitteiden sähkön ja paineilman kulutus sekä paineilmasylinterien liikkeet. Automaatiojärjestelmien välillä todettiin olevan paljon eroja. Suurimmat erot syntyvät laitteiden huolloista, tuotantoympäristöistä ja järjestelmien maantieteellisistä sijainneista. Yrityksen X asiakasyritysten välillä on suuria eroja huollon määrässä ja laadussa. Tuotantoympäristöissä on eroja siisteydessä ja lämpötiloissa. Epäsiisteissä ja lämpimissä ympäristöissä laitteet vikaantuvat useammin. Maantieteelliset erot johtuvat pääasiassa sähkönsyötöstä. Tietyissä maissa sähkökatkot ja muut sähkönsyötön häiriöt ovat yleisempiä. Sähkönsyötön ongelmat saattavat aiheuttaa laiterikkoja. Alustojen vertailua varten ihanteelliselle alustalle määritettiin kahdeksan ominaisuutta. Vertailussa tutkittiin, kuinka monta näistä ominaisuuksista todelliset alustat pystyivät täyttämään. Lisäksi alustojen käyttökustannuksia pyrittiin arvioimaan. Vertailuun valitut alustat olivat: Databricks, Snowflake, Noux Node, Azure ML, Google BigQuery ja Amazon SageMaker. Vertailluista alustoista parhaiten yrityksen X tarpeisiin soveltui Databricks. Vaihtoehtoisesti Azure ML ja SageMaker olivat Databricksiä edullisempia, mutta ne eivät täyttäneet kaikkia ihanteellisen alustan ominaisuuksia.

Maintenance is an integral part of industry. The goal is to keep the machines operational, while minimizing the amount of maintenance needed. Predictive maintenance aims to make it possible to service the machines before they break down, and at the same time avoid unnecessary servicing of machines that are still completely functional. The recent advances in machine learning have made it possible to use machine learning models to implement predictive maintenance. The objective of this thesis is to lay the foundations for company X’s predictive maintenance management system. The first research question is to find out what sort of data should be collected from company X’s automation systems, to make predictive maintenance possible. The second question is figuring out where company X’s automation systems differ from one another, and how these differences should be considered when collecting data. The third, and perhaps most important, question is figuring out which data analytics cloud service platforms are available for corporate use and which one of these services is most suitable for company X’s needs. The first two questions were answered with a survey that was sent to employees of company X. The third question was answered with a literary review. In the review an ideal platform was defined, and the actual platforms were compared to it, based on information found in each platform’s documentation. In the survey, portal robots were identified as the most failure-prone devices. The most failure-prone components identified were twofold: Mechanical components that experience a lot of direction changes and electrical components that are exposed to high currents. When collecting data, these devices and components should be prioritised. The most important data sources were named to be temperature sensors, the distance travelled by the robots, the devices’ electrical and pneumatic consumption and movement of pneumatic cylinders. According to the survey, there are quite a few differences between the automation systems. The biggest differences are caused by device maintenance, production environments and the geographical locations of the systems. There are big differences in quality and quantity of maintenance work performed by customer companies of company X. Production environments differ in levels of cleanliness and temperature. The devices suffer more failures in dirty and hot environments. The differences caused by geographical locations are mostly related to electricity supply. In certain countries power cuts and other disruptions to the electricity supply are more common than in others. These disruptions can cause device failures. For the comparison of the platforms, eight features were defined for the ideal platform. The comparison studied how many of these features were available on each platform. On top of this, the operating costs of each platform were approximated. The platforms selected were: Data-bricks, Snowflake, Noux Node, Azure ML, Google BigQuery and Amazon SageMaker. Of these, Databricks was found to be the most suitable for company X’s needs. Azure ML and SageMaker were recognized as other options. Both were more affordable than Databricks, but they did not fulfil all the features.