Gotowa bibliografia na temat „Prediktivt Underhåll”

Föreställ dig en maskin som transporterar gods. På denna maskin placeras en sensor. Detta examensarbete undersöker möjligheten i att använda maskininlärning som metod för prediktivt underhåll baserat på data från sådana sensorer. Metodiken delas in i två delar. I den första delen skapas en binär klassificerare tränat på sensorvärden från normal maskinfunktion. Därefter är det möjligt att klassificera nya sensorvärden som normala eller som anomala värden. Tre olika klassificerare implementeras. Den andra delen är tillägnad testning av klassificerarna i relation till prediktivt underhåll genom simulering av maskinfel. Samtliga klassificerare uppvisar resultat som troliggör att klassificerarna kan användas för prediktivt underhåll baserat på det givna sensordatat.<br>Imagine a machine for cargo transportation. On this machine, there is a sensor. This thesis examines the possibility of using machine learning as a method for predictive maintenance based on data from such sensors. The methodology is split into two parts. In the first part a binary classifier is trained on sensor data from normal machine function. Subsequently it is possible to classify new sensor data as normal or as anomalous. Three different classifiers are implemented. The second part is dedicated to test the classifiers in relation to predictive maintenance by simulating machine fault. All classifiers exhibits results which are in favor of its use in predictive maintenance based on the given sensor data.

<p>This master thesis reviews advances in detection and diagnosis of static friction (stiction) in control valves. Control valves suffering from stiction results in oscillating control loops which in turn decreases both the process stability and reliability. Perstorp AB sees a necessity to automatically detect stiction in valves before the effects of the malfunctioning valves have become too severe. This thesis presents an introduction to maintenance, control loops and how stiction in valves can affect performance of control loops.</p><p>A selection of methods presented in the literature are introduced and examined using normal operating data from the site in Perstorp. Common for all selected methods is their intuitive ideas and that they are based on normal operating data and minimum amount of process knowledge. For the adaptive segmentation method a further development is presented where among other things a test quantity is proposed.</p><p>This thesis shows that none of the selected methods can reliably diagnose stiction in control valves from normal operating data. Noise in process value and irregular disturbances results in weakened trend characteristics.</p><p>Finally, the thesis has tested a root cause analysis of plant-wide oscillating control loops found on two plants in Perstorp AB.</p><br><p>Detta examensarbete är en undersökning av detektion och diagnos av kärvande reglerventiler. Kärvande reglerventiler ger upphov till att reglerkretsar börjar att självsvänga vilket leder till sämre processtabilitet och driftsäkerhet. Perstorp AB ser ett stort behov att automatiskt detektera kärvande ventiler innan deras inverkan har blivit för omfattande. Rapporten presenterar en grundläggande redogörelse för arbete med underhåll, reglerkretsar och hur kärvande reglerventiler som kan leda till sämre reglerprestanda.</p><p>Ett selektivt urval av de metoder som har presenterats i litteratur introduceras och analyseras för att utvärderas på driftsdata från anläggningen i Perstorp. Gemensamt för samtliga metoder är att de bygger på intuitiva idéer, normal driftdata och minimal kunskap om processen. För den adaptiva segmenteringsmetoden presenteras en vidareutveckling där bland annat en teststorhet har tagits fram.</p><p>Rapporten visar att ingen av de utvärderade metoderna kan tillförlitligt diagnosticera kärvande reglerventiler ur verklig driftsdata då brus i mätsignaler och oregelbundna störningar leder till att karakteristiken hos trenderna försvagas.</p><p>Slutligen görs en analys av en metod för att hitta grundorsaken till att flera reglerkretsar svänger på två fabriker inom Perstorp AB.</p>

Digitaliseringen inom industrin medför ett antal utmaningar där manuella tillståndskontroller övergår till digitaliserade mätningar. Utmaningarna som uppstår med det nya arbetssättet är vilken data som ska samlas in samt hur den genererade data ska analyseras. Syftet med detta examensarbete är att förslå åtgärder för att effektivisera och implementera Industri 4.0 (Smart Maintenance) genom prediktivt underhåll på Scania. Således uppnås en mer kostnadseffektiv verksamhet samtidigt som det bidrar till att skapa ett hållbarare företag. Detta genom att utnyttja komponenters fulla livslängd och inte utföra onödigt underhåll. Det prediktiva underhållet kommer medföra en högre tillgänglighet och tillförlitlighet inom maskinparken på Scanias cylinderhuvudlinje. För att implementera underhållsstrategin i examensarbetet så används en mjukvara som skapats av styrsystems leverantör FANUC. Mjukvaran är ett mätverktyg som heter Servo Viewer och kan mäta maskinens status genom att avläsa procentsatsen utav den totala mängden vridmoment som bildas samt positionsfel under maskinens körning. Ett arbetssätt för att automatisera analysering av data som hämtas ifrån Servo Viewer är att mätningarna samlas i databasen MT-LINKi för att sedan kunna analyseras av ett program FANUC AI Servo Monitor. Den slutsats som kan dras av arbetet är att det går att använda FANUC Servo Viewer till att avläsa maskinens kondition och därmed prediktera när underhåll behöver utföras eftersom det går att avläsa avvikande faktorer under mätningarna. Vid dessa faktorer går det att sätta triggers som kommer larma i systemet när maskinen överstiger dem. De komponenter som mjukvaran kommer varna systemet för är alla komponenter som har en påverkande faktor på fleroperationsmaskinen. Dessa komponenter kan vara allt från kulskruvar, linjärstyrning, pulsgivare, remmar, servomotorer och servokort. Men arbetet är inte ett färdigt koncept i sig, det behövs fler mätningar över tid för att kunna skapa ett tydligare normalläge samt identifiera felutvecklingskurvor för att ställa in triggers i mjukvaran. Eftersom analys och insamling av mätdata blev mer tidkrävande än planerat så har ej utvärderingen av MT-LINKi samt AI Servo Monitor utförts och en vidare beskrivning av arbetet har lämnats.<br>Digitalization in the manufacturing industry involves many challenges due to moving from manual controls towards digitalized condition monitoring. The challenges that occur with the new way of working is what data should be collected and how it should be analyzed. This thesis aims to streamline the industry and implement Industry 4.0 and Smart Maintenance through predictive maintenance in Scania. In this way a more cost-effective business is achieved at the same time as it contributes to creating a more sustainable company. The predictive maintenance will lead to a higher availability and reliability within the machine park at Scania´s cylinder head line. To be able to implement the maintenance strategy a software created by FANUC, the system supplier, is used. The software is a measuring tool called Servo Viewer and it can analyze the status of the machine by measuring the percentage of the total amount of torque that is available and the position error while the machine is running. The thesis also aims to investigate how to automatize the measurements within a database called MT-LINKi and later be analyzed by a software called AI Servo Monitor. The conclusion that can be drawn from the thesis is that it is possible to use FANUC Servo Viewer to measure the condition of the machine and therefore being able to predict when the maintenance needs to be performed as it is possible to read deviating factors during the measurements. With these factors it is possible to set triggers that will alarm the system when the machine exceeds them. Some of the components that will be possible to monitor condition for, are ball screws, linear control, encoders, belts, servomotors and servo cards. However the work isn’t not a complete concept in itself, more measurements are needed to be performed over time to create a normal situation and identify error development graphs to set the triggers in the software. As analysis and collection of measurement data became more time consuming than planned, the evaluation of MT-LINKi and AI Servo Monitor has not been performed and a further description of the work has been provided.

Stockholm Exergi har under flera år arbetat aktivt med prediktiv analys för att identifiera avvikelser och problem i deras processer. Det har identifierats att övervakningen av organisationens ångturbiner kan utvecklas för att få en bättre bild gällande den övergripande statusen för turbinerna. Detta omfattar att arbeta prediktivt genom att stärka Stockholm Exergis övervakningsförmåga. Att stärka övervakningsförmågan kan resultera i ekonomiska fördelar då både drift samt underhållsarbete kan effektiviseras. Detta examensarbete syftar till att ta fram en modell för att beräkna verkningsgraden med målet att kunna detektera förändringar i en ångturbins prestanda över tid. Till examensarbetet har ångturbin G2, placerad i Brista, valts ut för att utföra en fallstudie på samt undersöka implementeringsmöjligheter. För att etablera val av beräkningsmetod, har relevant termodynamisk litteratur undersökts samt två prestandarapporter från väletablerade företag analyserats. Den isentropiska metoden valdes för att beräkna verkningsgraden då stabiliteten denna metod erbjuder, minimerar felkällor samt genererar korrekt trend i förhållande till den verkliga effektiviteten. Data från acceptanstestet av G2, från 2014, har jämförts med data från Stockholm Exergis övervakningssystem under samma tidsperiod. Detta utfördes för att etablera differensen i data, som mäts enligt standarder för ett acceptanstest, samt med vad Stockholm Exergis egna system mäter. Totalt utfördes fyra tester, vid olika laster, där den isentropiska verkningsgraden jämfördes och den kunde bestämmas med en differens på 0,3-2% mot acceptanstestet. En modell skapades, baserat på etablerad beräkningsmetodik, samt kopplad till Stockholm Exergis övervakningssystem. Modellen gör det möjligt för användaren att beräkna den isentropiska verkningsgraden för turbin G2 givet ett specificerat tidsintervall. För att utvärdera hur prestandan förändrats sen turbinen först togs i bruk, utfördes tre tester; 2017, 2018 och 2019. Testet för år 2017 uppfyllde samtliga normer för att vara jämförbart mot acceptanstestet år 2014. Därav kan en minskning i den isentropiska verkningsgraden på 2% påvisas under denna period.

Stockholm Exergi har under flera år arbetat aktivt med prediktiv analys för att identifiera avvikelser och problem i deras processer. Det har identifierats att övervakningen av organisationens ångturbiner kan utvecklas för att få en bättre bild gällande den övergripande statusen för turbinerna. Detta omfattar att arbeta prediktivt genom att stärka Stockholm Exergis övervakningsförmåga. Att stärka övervakningsförmågan kan resultera i ekonomiska fördelar då både drift samt underhållsarbete kan effektiviseras. Detta examensarbete syftar till att ta fram en modell för att beräkna verkningsgraden med målet att kunna detektera förändringar i en ångturbins prestanda över tid. Till examensarbetet har ångturbin G2, placerad i Brista, valts ut för att utföra en fallstudie på samt undersöka implementeringsmöjligheter. För att etablera val av beräkningsmetod, har relevant termodynamisk litteratur undersökts samt två prestandarapporter från väletablerade företag analyserats. Den isentropiska metoden valdes för att beräkna verkningsgraden då stabiliteten denna metod erbjuder, minimerar felkällor samt genererar korrekt trend i förhållande till den verkliga effektiviteten. Data från acceptanstestet av G2, från 2014, har jämförts med data från Stockholm Exergis övervakningssystem under samma tidsperiod. Detta utfördes för att etablera differensen i data, som mäts enligt standarder för ett acceptanstest, samt med vad Stockholm Exergis egna system mäter. Totalt utfördes fyra tester, vid olika laster, där den isentropiska verkningsgraden jämfördes och den kunde bestämmas med en differens på 0,3-2% mot acceptanstestet. En modell skapades, baserat på etablerad beräkningsmetodik, samt kopplad till Stockholm Exergis övervakningssystem. Modellen gör det möjligt för användaren att beräkna den isentropiska verkningsgraden för turbin G2 givet ett specificerat tidsintervall. För att utvärdera hur prestandan förändrats sen turbinen först togs i bruk, utfördes tre tester; 2017, 2018 och 2019. Testet för år 2017 uppfyllde samtliga normer för att vara jämförbart mot acceptanstestet år 2014. Därav kan en minskning i den isentropiska verkningsgraden på 2% påvisas under denna period.

Med övergången från Industri 3.0 till Industri 4.0 kommer stora krav på utvecklingen av Prediktiva Underhållsmetoder (PU) för att skona både miljö och ekonomi från påfrestande haverier. I detta projekt utfördes en installation av ett iba datainsamlingssystem, som är ett bra exempel på utvecklingen mot Industri 4.0. Vidare togs en prediktiv modell som skattar återstående livslängd med metoden Motor Current Signature Analysis (MCSA), som baseras på linjeströmsmätning, fram i projektet. Metoden analyserade strömmen från två olika induktionsmotorer för kylvattenpumpar där det var en ny pump och en sliten pump. Induktionsmotorer används inte enbart i kylvattentillämpningar utan integreras frekvent i kommersiellt tillgänglig utrustning, så den prediktiva modellen har ett expanderbart användningsområde. Två tillvägagångssätt testades för att hitta signaturer i linjeströmmen. Först testades spektrum-analys med 10Hz och 1000Hz som samplingsfrekvenser med slutsatsen att högre samplingsfrekvens troligen behövs för ett trovärdigt resultat. Sedan testades Analys av signalegenskaper med ANOVA som gav en klar signatur för toppvärden i ström med slutsatsen att skillnaden i ström mellan ny och sliten pump var tydlig men kunde vara av installationstekniska skäl. En förenklad skattning av Remaining Useful Life (RUL) med tillhörande rekommendation av underhållsinsats togs fram för att visualisera resultatet. Rekommenderat fortsatt arbete med modellen var klassificeringsalgoritmer, anpassad datainsamlingsutrustning och förlängd datainsamlingsperiod.<br>With the transition from Industry 3.0 to Industry 4.0 follows great demands on the development of predictive maintenance (PU) in order to spare both the economy and the climate from costly breakdowns. An installation of a iba data acquisition system was applied in this project, which is a good example on the advances made through Industry 4.0. The project shows the development of a predictive model, which estimates the remaining life with the method motor current signature analysis (MCSA) that is based on phase current. Data was collected on two different induction motors for cooling water pumps, one new and one worn out pump. Induction motors are not only used in cooling water applications but are frequently applied in commercially available equipment, thus the method has a expandable use. Two methods were tested for finding signatures in the phase current. First, spectrum analysis with 10 and 1000Hz as sampling frequencies with the conclusion that a higher sampling frequency likely is needed for a reliable result. Secondly an analysis of signal properties with ANOVA was preformed. This gave a clear signature for peak values in the current with the conclusion that the difference between new and worn out pump was clear but could be the result of installation related issues. A simplified version of remaining useful life (RUL) with related maintenance procedure was developed to visualize the result. For continued work with this model it is recommended to develop classification algorithms, improve the data acquisition equipment and prolong the data acquisition period.